Détecter un texte écrit par une IA : ce qui marche et ce qui ne marche pas

Aucun détecteur de texte IA n'est assez fiable pour accuser quelqu'un sur sa seule base. Les tests indépendants montrent des écarts importants entre les résultats annoncés par les éditeurs et la réalité, et surtout beaucoup de faux positifs : des textes écrits par des humains signalés comme générés par une IA.

Les détecteurs se trompent, beaucoup

Les comparatifs indépendants de 2026 relèvent un écart de 15 à 23 points entre les performances annoncées par les éditeurs de détecteurs et celles observées en conditions réelles.

Le chiffre le plus parlant concerne les faux positifs. Sur un corpus de dissertations rédigées par des étudiants non anglophones, un détecteur a signalé 61 % des copies comme générées par une IA. Elles étaient humaines.

Ce n'est pas un détail technique : ce sont les personnes qui écrivent dans une langue qui n'est pas la leur, ou dans un style scolaire très structuré, qui sont accusées à tort.

Les filigranes invisibles : une piste, pas une solution

Depuis 2026, plusieurs éditeurs marquent leurs contenus. Google a développé SynthID, un filigrane invisible pour les images, l'audio, la vidéo et le texte. OpenAI l'a adopté pour les images générées par ChatGPT. Anthropic marque les textes de Claude depuis août 2026.

Cette obligation de transparence vient de l'article 50 du règlement européen sur l'IA, applicable depuis le 2 août 2026.

Trois limites, cependant. Chaque filigrane ne reconnaît que les contenus de son propre éditeur. Les détecteurs associés ne sont pas ouverts au grand public. Et une réécriture en profondeur ou une traduction affaiblit fortement le signal.

Les indices qui mettent la puce à l'oreille

À la lecture, certains signes reviennent souvent dans un texte non retravaillé :

• une structure trop régulière, avec des paragraphes de longueur presque identique ;
• des exemples génériques, sans nom, sans chiffre, sans anecdote vérifiable ;
• des formules de transition passe-partout et répétitives ;
• un ton lisse, sans avis tranché ni aspérité ;
• aucune erreur de frappe, mais parfois une erreur factuelle énoncée avec assurance.

Attention : ces indices ne prouvent rien. Un texte professionnel bien relu coche plusieurs cases, et un texte IA retravaillé n'en coche aucune.

Ce qui marche vraiment : regarder le processus

Plutôt que de juger le résultat, regarde comment il a été produit.

Demande les brouillons ou l'historique des versions d'un document. Pose deux ou trois questions sur le contenu : qui a écrit son texte sait l'expliquer, le défendre et le corriger en direct. Demande une modification à l'oral, sur un point précis.

C'est la méthode retenue par de plus en plus d'enseignants et de recruteurs, et c'est la seule qui ne produit pas d'accusation injuste.

Si on t'accuse à tort

Garde une trace de ton travail : fichiers datés, historique des versions dans ton traitement de texte, notes préparatoires, brouillons manuscrits photographiés.

Demande sur quelle base repose l'accusation. Si la réponse est « le détecteur a dit 85 % », tu peux expliquer calmement que ces outils produisent une proportion importante de faux positifs, particulièrement sur les textes très structurés.

Puis propose la solution du dessus : expliquer ton texte à l'oral, montrer ton historique de version.

En résumé

• Aucun détecteur ne suffit à prouver quoi que ce soit.
• Les faux positifs frappent surtout les textes scolaires et les non-natifs.
• Les filigranes existent mais ne couvrent que les contenus de leur propre éditeur.
• La seule méthode fiable consiste à examiner le processus de travail, pas le texte seul.

Le vrai enjeu n'est pas de cacher l'usage de l'IA, mais de s'en servir sans perdre son propre travail. On explique où passe la limite dans notre article sur l'IA et les devoirs, et la bibliothèque IA pour de vrai regroupe des prompts pensés pour t'aider à travailler, pas pour écrire à ta place.