Qui a écrit ce texte ?

RN
septembre 10, 2026
12 minutes

Depuis août 2026, Anthropic déploie un filigrane statistique dans les sorties des nouveaux modèles Claude. L'entreprise a annoncé le dispositif le 11 août, puis détaillé son fonctionnement trois jours plus tard. Le système s'applique mondialement dès le lancement d'un modèle ; les modèles antérieurs au 2 août 2026 doivent encore être couverts progressivement, dans les mois qui viennent. Google avait ouvert la voie deux ans plus tôt avec Gemini. Ce geste, presque passé inaperçu du grand public, dit quelque chose d'important : la question de savoir si un texte a été écrit par une machine ne se réglera pas de la même façon qu'on l'a cru pendant longtemps.

Les limites des détecteurs statistiques

GPTZero, Copyleaks, ZeroGPT ou Winston AI ont bâti leur réputation sur une promesse simple : soumettre un texte, obtenir un verdict. En réalité, ces outils ne détectent pas une intention, ils mesurent une régularité statistique : la perplexité, c'est-à-dire la prévisibilité d'une séquence de mots par rapport à un modèle de langage, et la burstiness, la façon dont cette prévisibilité varie d'une phrase à l'autre. Un texte humain alterne généralement des passages prévisibles et des passages plus surprenants ; un texte généré tend à rester plus uniforme. Ce sont des corrélations, jamais des certitudes.

Une étude de 2025 portant sur GPTZero, ZeroGPT et Corrector concluait déjà à une capacité de distinction imparfaite ; une autre, publiée en 2026 sur GPTZero, Pangram, Copyleaks et Turnitin, continue de documenter les mêmes difficultés face aux textes hybrides ou retouchés après coup.

Le problème est connu depuis longtemps dans les écoles et les universités : un étudiant à l'écriture académique très structurée se fait parfois signaler comme suspect, tandis qu'un texte généré puis légèrement retravaillé passe sans encombre. OpenAI en avait tiré la leçon dès 2023 en retirant son propre classifieur, trop peu fiable pour être maintenu. Un score de détection reste un indice, jamais une preuve d'auteur. Aucune institution sérieuse ne devrait fonder une sanction sur ce seul chiffre.

Le watermarking : marquer plutôt que deviner

La technique la plus prometteuse aujourd'hui ne cherche plus à deviner après coup, mais à marquer dès la génération. C'est le principe de SynthID-Text, développé par Google DeepMind et publié dans Nature fin 2024. Anthropic en a adapté une version pour Claude : le système utilise une clé secrète et les mots qui précèdent pour orienter, de façon imperceptible à la lecture, le processus probabiliste qui détermine certains choix de mots. Un détecteur qui connaît la clé peut ensuite tester si la séquence observée correspond statistiquement à celle attendue.

L'image qui revient souvent est celle d'un imprimeur qui inclinerait très légèrement certaines lettres, invisible à l'œil nu, pour signer chaque page qu'il produit. Le texte lu ne change pas ; sa signature statistique, si.

Cette approche résiste plutôt bien à de petites corrections ou reformulations. Une réécriture profonde peut en revanche faire chuter fortement la confiance de détection. La traduction mérite d'être distinguée : dans le cas de Claude, une traduction générée par Claude reste watermarquée, puisque chaque mot de la traduction est de nouveau choisi par le modèle.

La vérification, elle, reste fragmentée. Anthropic a ouvert début septembre une API de détection en préversion privée, accessible à certains régulateurs, médias, chercheurs et fact-checkers ; Google propose de son côté ses propres mécanismes de vérification SynthID. Mais chaque système garde ses propres clés et ses propres canaux. Il n'existe pas de clé universelle ni d'autorité centrale capable d'authentifier indistinctement les sorties de tous les fournisseurs.

Il faut surtout retenir ceci, et Anthropic le formule ainsi : le watermark permet d'évaluer une probabilité d'implication du modèle, jamais d'établir une paternité. Il ne distingue pas un texte entièrement généré d'un texte humain simplement corrigé.

« Le watermark permet d'évaluer une probabilité d'implication du modèle, jamais d'établir une paternité. »

Un dégradé entre humain et IA

Le schéma binaire « humain ou IA » ne correspond plus à la réalité des usages. Un texte peut aujourd'hui résulter d'allers-retours répétés entre les deux (humain, IA, humain, IA, humain), sans qu'aucune étape ne domine clairement les autres. Un texte intégralement rédigé sur demande porte un watermark net. Un texte rédigé à 90 % par un humain et seulement relu par une IA peut, selon Anthropic elle-même, ne pas produire un signal suffisant pour être détecté. Et un texte réécrit en profondeur par une IA, puis repris par un humain, peut rester détectable sans qu'on puisse pour autant mesurer la part de chacun.

La question « qui a écrit ce texte ? » devient, dans bien des cas, mal posée. La question à laquelle la technique peut réellement répondre est plutôt : quels systèmes ont participé à sa production ?

« La question « qui a écrit ce texte ? » devient, dans bien des cas, mal posée. »

Ce que documente la provenance cryptographique

À côté du watermarking, une autre approche gagne du terrain : signer la provenance d'un contenu, indépendamment de son style d'écriture. La norme C2PA, portée par la Coalition for Content Provenance and Authenticity, attache au fichier un manifeste de provenance signé cryptographiquement, qui identifie son auteur, l'outil utilisé pour le produire et les modifications qui ont suivi. OpenAI l'utilise déjà pour ses images.

Une capture d'écran ne récupère pas automatiquement ces informations, ce qui limite la portée du dispositif. La spécification prévoit toutefois des mécanismes de liaison souple, capables dans certains cas de retrouver un manifeste à partir d'une empreinte ou d'un watermark, même quand les métadonnées d'origine ont disparu. Et surtout, C2PA établit une provenance déclarée, pas une vérité : il authentifie l'origine d'un fichier, pas l'exactitude de ce qu'il représente.

Ce que l'AI Act impose réellement

Le règlement européen n'impose la création d'aucun détecteur universel de texte IA : il exige des fournisseurs qu'ils rendent leurs contenus détectables, pas qu'un tiers soit en mesure de tout détecter. L'article 50 de l'AI Act est entré en application le 2 août 2026. Il distingue plusieurs obligations selon les acteurs : les fournisseurs de systèmes génératifs doivent marquer leurs contenus dans un format lisible par machine et détectable comme artificiel (article 50, paragraphe 2) ; les utilisateurs professionnels qui diffusent certains contenus, notamment les textes destinés à informer le public sur des sujets d'intérêt général, ont quant à eux une obligation distincte de labellisation (paragraphe 4).

Les systèmes génératifs déjà sur le marché avant le 2 août 2026 bénéficient d'une période transitoire jusqu'au 2 décembre 2026 pour se conformer à l'obligation de marquage technique. Le délai concerne les systèmes eux-mêmes, pas le contenu qu'ils ont déjà produit.

Autrement dit : la loi oblige les fournisseurs à rendre leurs contenus détectables, elle n'oblige personne à mettre en place un système capable de tous les détecter.

La part du texte web déjà écrite par une IA

Sur le web, la part de texte assisté ou généré par IA est déjà majoritaire, selon plusieurs mesures indépendantes. Une analyse d'Ahrefs portant sur 900 000 nouvelles pages web a trouvé que 74,2 % des pages publiées en avril 2025 contenaient du contenu détectable comme généré par IA, dont 2,5 % de pages entièrement générées et environ 72 % relevant d'un mélange humain-IA. Une étude de l'agence Graphite, fondée sur l'analyse de dizaines de milliers d'articles issus de la base Common Crawl, montre que la part d'articles primairement générés par IA a dépassé celle des articles écrits par des humains dès novembre 2024, avant de se stabiliser autour de 50 %. Une estimation Europol publiée en 2022 tablait sur 90 % de contenu généré par IA en ligne d'ici 2026 ; la réalité n'a pas atteint ce niveau, mais l'ordre de grandeur reste considérable.

Ces chiffres mesurent une présence détectée après coup, pas une déclaration. Rien n'indique qu'une part comparable de ces pages s'annonce elle-même comme générée ou retravaillée par une IA. L'écart entre ce que les détecteurs statistiques repèrent et ce que les auteurs signalent volontairement donne une mesure concrète de ce que l'obligation de labellisation de l'article 50, paragraphe 4, cherche à combler : un volume déjà considérable de texte en circulation, potentiellement concerné par l'obligation de transparence, sans qu'on sache combien de ces publications remplissent réellement la condition d'examen humain qui les en dispenserait.

Trois approches, un même renoncement

Détection statistique, watermarking, provenance cryptographique : ces trois approches ne se remplacent pas, elles se superposent, chacune avec ses failles. La rupture de cet été tient moins à l'apparition d'un détecteur enfin capable de reconnaître tous les textes générés par IA qu'à l'abandon progressif de cette ambition, au profit d'une discipline plus modeste : documenter la provenance au moment où le contenu est produit, puis conserver cette information tout au long de sa chaîne de transformation.

Cela ne permettra jamais de répondre parfaitement à la question « qui a écrit ce texte ? ». Cela permet, de plus en plus, de répondre à une question plus réaliste : quels systèmes ont participé à sa production, et que peut-on encore en vérifier ?

Note sur la fabrication de ce texte

Cet article a été rédigé avec l'assistance de Claude (Anthropic), sur la base d'échanges itératifs de recherche, de rédaction et de relecture critique. Il relève, à ce titre, du champ que vise l'article 50, paragraphe 4, de l'AI Act : un texte publié pour informer le public sur une question d'intérêt public, lorsqu'il est généré ou manipulé par une IA, doit en principe le signaler. Le règlement prévoit toutefois une exemption lorsque le contenu a fait l'objet d'un examen humain ou d'un contrôle éditorial réel, assumé par une personne identifiée : c'est le cas ici, chaque version ayant été relue, corrigée et validée avant publication.

L'enjeu dépasse la conformité réglementaire. Signaler la part d'une IA dans la fabrication d'un texte, plutôt que de s'appuyer silencieusement sur l'exemption éditoriale, c'est une manière de pratiquer, à l'échelle d'un article, ce que ce texte défend à l'échelle d'un secteur : documenter la provenance plutôt que la dissimuler.

« Documenter la provenance plutôt que la dissimuler. »

Sources et ressources

Droit