Deux personnes très différentes tapent détecteur d’IA dans un moteur de recherche à la même heure. La première est une responsable marketing qui a publié quarante pages rédigées avec l’aide d’un modèle de langage et à qui on a dit que Google allait punir le site pour cela. Le second a été accusé de tricherie parce qu’un outil a renvoyé un chiffre et qu’une personne en position d’autorité l’a cru.

Tous deux arrivent devant une catégorie de logiciels qui vend de l’assurance, et tous deux méritent la version inconfortable de la réponse. Les preuves publiées sur ces outils sont cohérentes et elles ne sont pas flatteuses. Ils se trompent assez souvent pour qu’un score ne décide jamais de rien concernant une personne, ils s’effondrent sur un texte qu’un humain a retravaillé, et leurs erreurs ne se répartissent pas également entre les auteurs.

La question du moteur de recherche est une question distincte, avec une réponse distincte, et cette réponse n’a rien à voir avec la détection.

Ces outils sont ils fiables, et Google pénalise t il les contenus produits par IA ? Des tests évalués par des pairs ont placé chaque outil sous 80 % de justesse, avec une chute à 26 % sur un texte d’IA reformulé, et une autre étude a constaté que les détecteurs étiquetaient les copies d’auteurs non anglophones comme écrites par une IA dans 61,3 % des cas. Google ne pénalise pas un contenu parce qu’il a été produit par IA. Il pénalise le scaled content abuse, qui porte sur la finalité et la valeur, pas sur la paternité du texte.

Comment fonctionne réellement un détecteur d’IA

Presque tout ce qui se vend dans cette catégorie appartient à l’une de deux familles, et la distinction compte parce qu’elles échouent différemment.

Perplexité et burstiness

La famille la plus ancienne mesure les propriétés statistiques du texte lui même. La perplexité décrit à quel point un modèle de langage est surpris par chaque mot au vu des mots précédents, si bien qu’une prose qu’un modèle juge très prévisible obtient un score bas. La burstiness décrit la variation de cette prévisibilité d’une phrase à l’autre, sur l’idée que l’écriture humaine oscille entre l’évident et l’étrange alors que le texte généré reste dans une bande plus étroite.

Un outil construit ainsi n’identifie pas une machine. Il mesure à quel point la prose est conventionnelle, puis affirme qu’une prose conventionnelle est une prose de machine. Cette inférence constitue le produit tout entier, et c’est d’elle que vient chaque mode de défaillance.

Les classifieurs entraînés sur du texte généré

La famille la plus récente entraîne un modèle sur des corpus appariés de textes humains et générés et apprend ce qui les sépare. Elle fait mieux que la perplexité brute sur la distribution qui a servi à l’entraîner, et elle hérite d’un problème plus dur : cette distribution se déplace chaque fois qu’un modèle est mis à jour ou qu’une consigne change de registre.

Aucune des deux familles n’a accès au moindre fait sur la façon dont le texte a été produit. Toutes deux devinent le style à partir de l’objet fini, et c’est précisément pour cela que changer le style les met en défaut. Une troisième approche, le filigrane, fonctionne autrement et sera traitée plus bas, car c’est la seule qui part de preuves plutôt que d’une déduction.

Ce que dit la recherche sur la fiabilité des détecteurs d’IA

Le banc d’essai de quatorze outils

Le test contrôlé le plus cité est Testing of detection tools for AI-generated text, publié dans l’International Journal for Educational Integrity en 2023. Weber-Wulff et ses collègues ont fait passer 54 documents de test dans 14 outils, douze gratuits et deux commerciaux (Turnitin et PlagiarismCheck), soit 756 tests individuels.

Le résultat est sans détour. Chaque outil est resté sous 80 % de justesse et cinq seulement ont dépassé 70 %. La justesse sur des documents réellement écrits par des humains atteignait 96 %, ce qui se lit bien jusqu’à ce qu’on voie la suite. Sur un texte d’IA non modifié, elle tombait à 74 %. Sur un texte d’IA légèrement retravaillé par un humain, à 42 %. Sur un texte d’IA passé dans un outil de reformulation, à 26 %.

L’article note que ses conclusions diffèrent nettement de ce qu’affirment certains outils de détection de texte produit par IA, et sa propre conclusion est bien moins citée qu’elle ne le devrait : ces systèmes ne sont ni justes ni fiables, et les systèmes testés ne devraient pas être utilisés dans un cadre académique.

Un test de 2026 sur les leaders commerciaux

Trois ans plus tard, une étude de février 2026 dans la même revue a testé Turnitin et Originality sur un ensemble équilibré de 192 textes : des copies d’étudiants authentiques antérieures à la diffusion de l’IA générative, des textes professionnels humains, des sorties d’IA et des documents hybrides composés pour moitié environ de chaque.

Originality a atteint une justesse moyenne par macro moyenne de 0,69 et Turnitin de 0,61, et tous deux ont obtenu des scores F1 en macro moyenne inférieurs à 0,55. Sur les textes hybrides, qui décrivent la façon dont la plupart des gens écrivent aujourd’hui, Originality a montré un rappel proche de zéro. Il n’en a presque identifié aucun.

L’écart entre domaines est le résultat qui devrait inquiéter quiconque publie du contenu technique. La justesse de Turnitin est tombée de 0,86 sur les textes de sciences humaines à 0,51 sur les textes scientifiques. Originality est tombé de 0,96 à 0,58. Les deux écarts étaient statistiquement significatifs. À 0,51 sur de l’écriture scientifique, un détecteur fait quelque chose de très proche d’un tirage à pile ou face.

Le seul éditeur à avoir publié son propre échec

OpenAI a livré un classifieur en janvier 2023 puis l’a retiré. Sa propre page d’annonce porte désormais la mention indiquant que, depuis le 20 juillet 2023, le classifieur d’IA n’est plus disponible en raison de son faible taux de justesse, et le texte d’origine conserve les chiffres : il identifiait correctement 26 % des textes écrits par IA comme probablement écrits par IA, tout en étiquetant à tort des textes écrits par des humains comme produits par IA dans 9 % des cas. La page avertissait aussi qu’il ne devait pas servir d’outil de décision principal. C’est l’organisation qui dispose du meilleur accès possible à la distribution d’entraînement, et elle rapporte un taux de vrais positifs d’environ un sur quatre.

Le problème des faux positifs et sur qui il retombe

L’étude TOEFL

GPT detectors are biased against non-native English writers, de Liang, Yuksekgonul, Mao, Wu et Zou, a paru dans Patterns en 2023. La méthode était simple : faire passer sept détecteurs largement utilisés sur 91 copies TOEFL rédigées par des locuteurs non anglophones et sur 88 copies rédigées par des élèves américains de quatrième.

Les détecteurs ont traité correctement les écoliers américains. Sur les copies TOEFL, le taux moyen de faux positifs atteignait 61,3 %. Les sept ont signalé à l’unanimité 19,8 % de ces copies écrites par des humains comme rédigées par une IA, et au moins un détecteur en a signalé 97,8 %.

Puis les chercheurs ont fait ce qui vend la mèche. Ils ont fait réécrire les mêmes copies dans une langue plus littéraire, et le taux moyen de faux positifs est passé de 61,3 % à 11,6 %.

Pourquoi l’erreur retombe là où elle retombe

Cette chute désigne exactement ce qui est mesuré. Les outils détectent une variété lexicale limitée, qui est une propriété de l’écriture en langue seconde, et la rapportent comme une paternité machine. Le banc d’essai de 2023 a trouvé le même effet par un autre chemin : un texte écrit par des humains puis traduit automatiquement en anglais perdait 20 points de justesse, si bien qu’un chercheur qui rédige dans sa propre langue puis traduit court un risque accru d’accusation infondée.

Ce qui en découle n’est pas un cas limite. Un outil affichant un taux de faux positifs de 61,3 % sur un groupe d’auteurs identifiable ne doit pas servir à prendre une décision lourde de conséquences sur une personne. L’article de 2023 en donne bien la version pratique : ces outils renvoient un pourcentage sans aucune preuve jointe, si bien qu’un étudiant accusé sur cette seule base n’aurait aucune possibilité de se défendre.

Pourquoi la relecture met en échec un détecteur d’IA

L’expérience la plus claire est Paraphrasing evades detectors of AI-generated text, de Krishna, Song, Karpinska, Wieting et Iyyer. Ils ont construit un modèle de reformulation de 11 milliards de paramètres appelé DIPPER et y ont fait passer du texte généré. La justesse de détection de DetectGPT est tombée de 70,3 % à 4,6 % à un taux de faux positifs fixé à 1 %. Le filigrane, GPTZero et le classifieur d’OpenAI ont été contournés eux aussi.

Restez sur le corollaire, car il résume honnêtement toute la catégorie. Si une sortie non modifiée est détectée à 74 % et une sortie retravaillée à 42 %, alors ce que les outils repèrent de façon fiable n’est pas la paternité machine. C’est la négligence. Une page collée directement depuis une fenêtre de discussion est signalée. La même page, après qu’un rédacteur compétent en a coupé un tiers, ajouté deux précisions que seul l’auteur connaît et réécrit les entrées en matière, ne l’est pas. Le détecteur est un indicateur indirect de l’effort fourni, et un mauvais.

La défense proposée dans l’article de Krishna mérite d’être signalée parce que ce n’est pas de la détection du tout. C’est de la recherche documentaire : interroger une base de 15 millions de séquences déjà générées pour trouver une correspondance proche, ce qui attrapait de 80 % à 97 % des générations reformulées tout en signalant 1 % du texte humain. Cela marche parce que la comparaison se fait avec un registre de ce qui a réellement été produit. Cela exige aussi que le fournisseur du modèle tienne ce registre et fasse la vérification, ce qu’aucun outil public ne peut faire.

Le filigrane, l’alternative techniquement sérieuse

En quoi il diffère

Le filigrane intervient au moment de la génération plutôt que de deviner après coup. SynthID pour le texte, de Google DeepMind, se place dans la boucle d’échantillonnage comme processeur de logits et, selon les mots de Google, enrichit les logits du modèle au moyen d’une fonction g pseudo aléatoire afin d’encoder l’information de filigrane d’une manière qui aide à déterminer si le texte a été produit par votre modèle, sans dégrader sensiblement sa qualité. La documentation développeur décrit un détecteur bayésien renvoyant l’un de trois états : filigrané, non filigrané ou incertain.

Google a annoncé le filigrane du texte pour l’application et l’interface web Gemini en mai 2024. C’est un déploiement réel, et c’est une affirmation d’une autre nature qu’une supposition sur le style, parce que le signal a été inséré volontairement et non déduit.

Les limites que Google énonce lui même

La même documentation est franche sur ce qui casse le procédé. Le filigrane est moins efficace sur les réponses factuelles, car il y a moins d’occasions d’enrichir la génération sans dégrader la justesse, et les scores de confiance du détecteur peuvent chuter fortement lorsqu’un texte produit par IA est entièrement réécrit ou traduit dans une autre langue. Google ajoute que SynthID n’est pas conçu pour empêcher directement des adversaires motivés de nuire.

Il existe un effort parallèle du côté des métadonnées de provenance plutôt que du signal statistique. La spécification C2PA Content Credentials, aujourd’hui en version 2.4, lie à un fichier un manifeste signé cryptographiquement qui consigne son origine et les modifications qui lui ont été appliquées. Elle repose explicitement sur l’adhésion volontaire, et l’adoption mondiale est l’objectif affiché, pas l’état actuel des choses.

Les deux approches partagent une limite dure. Elles vous disent qu’un fournisseur participant a produit une chaîne de caractères donnée. Elles ne vous disent rien des sorties d’un fournisseur qui ne participe pas, et elles s’affaiblissent précisément sous la réécriture qu’une personne consciencieuse effectue de toute façon. Le filigrane est un contrôle de chaîne d’approvisionnement pour celui qui exploite le modèle. Ce n’est pas un moyen d’auditer le document d’un inconnu.

Google pénalise t il les contenus produits par IA ?

La position de Google a été publiée en février 2023 et n’a pas bougé. L’article du blog Search Central s’intitule Google Search’s guidance about AI-generated content, le titre de section est de récompenser le contenu de qualité, quelle que soit la façon dont il est produit, et la phrase porteuse est celle ci : cette attention portée à la qualité du contenu plutôt qu’à sa méthode de production est un repère utile qui aide depuis des années à fournir aux utilisateurs des résultats fiables et de qualité.

L’article précise aussi que tout usage de l’automatisation, y compris la génération par IA, n’est pas du spam, en rappelant que l’automatisation produit depuis longtemps des résultats sportifs, des prévisions météo et des transcriptions. Ce qui constitue une infraction, c’est d’utiliser l’automatisation, IA comprise, dans le but principal de manipuler le classement dans les résultats de recherche.

Ce qui est réellement pénalisé

La règle qui mord est le scaled content abuse. Google la définit comme le fait de générer de nombreuses pages dans le but principal de manipuler le classement plutôt que d’aider les utilisateurs, en visant la création de grandes quantités de contenu non original apportant peu ou pas de valeur, quelle que soit la façon dont il a été créé.

Relisez deux fois cette dernière proposition. La méthode de production est explicitement sans importance. Deux cents pages creuses fabriquées à la main à partir d’un gabarit de noms de villes enfreignent la règle exactement autant que deux cents fabriquées par un modèle. Le guide de Google sur l’usage des contenus d’IA générative dit la même chose dans l’autre sens : la technologie est utile pour la recherche documentaire et la structure, mais s’en servir pour générer de nombreuses pages sans apporter de valeur aux utilisateurs peut enfreindre la règle antispam de Google sur le scaled content abuse.

Il n’y a donc aucune pénalité IA à détecter et aucun score de détecteur que Google consulterait. La distinction porte sur la finalité et la valeur. Une page qui répond à une question que vos clients posent vraiment, et qui contient quelque chose que seule votre entreprise sait, n’est pas un abus, même si un modèle en a rédigé la première version.

Ce qu’il faut mesurer à la place d’un score

Nos propres chiffres font la démonstration mieux qu’un raisonnement. Sur une fenêtre récente de 28 jours, ce site a obtenu 52 331 impressions sur Google, avec 531 requêtes situées dans les dix premières positions. Ces requêtes ont produit 28 847 impressions et 161 clics, soit un taux de clic de 0,56 %, là où les positions quatre à dix rapportent normalement entre 2 % et 8 %. Et 452 d’entre elles n’ont obtenu aucun clic.

Rien de tout cela n’est un problème de détection. C’est un problème de différenciation, et aucun outil de cette catégorie ne le mesure.

Les indicateurs qui méritent d’être suivis sont le taux de clic rapporté à la position occupée, et le fait que les réponses d’IA vous citent ou se contentent de vous classer, ce que nous traitons dans pourquoi un contenu se classe sans jamais être cité et dans ce que le mode IA de Google change pour votre trafic. Viennent ensuite les décisions éditoriales : l’élagage de contenu pour les pages qui ne répondent à rien de précis, et le rafraîchissement de contenu pour celles qui répondaient autrefois. Un audit SEO technique fait apparaître la moitié mécanique du même tableau, à savoir si les pages qui comptent pour vous sont seulement éligibles à être vues.

Que faire si un détecteur signale votre travail

Un score n’est pas une preuve

Le chiffre est l’opinion d’un modèle sur le style, produite sans accès au moindre fait sur la façon dont le texte a été fabriqué. Ce n’est pas une figure de style, c’est la conception même. Dites le clairement, et citez les tests évalués par des pairs plutôt que d’argumenter depuis votre propre crédibilité, car la recherche est de votre côté et votre crédibilité est justement ce qui est mis en cause.

La provenance que vous maîtrisez

L’historique des versions est ce que vous avez de plus solide, et il ne sert que s’il existe avant que vous en ayez besoin. Conservez vos documents dans un système qui enregistre les révisions, gardez votre plan et vos notes, gardez les sources que vous avez lues et la date à laquelle vous les avez lues. Un document qui a grandi sur neuf jours à travers quarante versions enregistrées est une bien meilleure réponse que n’importe quel contre score.

Demandez que le même outil soit passé sur un texte que vous avez écrit il y a des années, avant que l’IA générative n’existe. C’est exactement le témoin qu’a utilisé l’étude de 2026. Demandez si un second outil est d’accord, car l’incohérence entre outils, et entre passages répétés du même outil, a été documentée dans le banc d’essai de 2023. Si l’anglais n’est pas votre langue maternelle, ou si vous avez rédigé dans une autre langue avant de traduire, mettez les 61,3 % et la pénalité de 20 points liée à la traduction sous les yeux de la personne qui décide.

Les humaniseurs et l’économie d’un test déjà faussé

Payer un abonnement mensuel pour déjouer un test qui se trompe déjà sur 26 % à 58 % des cas qui comptent est un mauvais emploi de l’argent, et le banc d’essai de 2023 a relevé qu’un outil de ce marché conseillait à ses utilisateurs de retoucher leur texte jusqu’à ce qu’il contienne moins de contenu d’IA détectable, ce qui revient pour une catégorie entière à plaider contre sa propre prémisse.

Il y a un coût réel au delà de l’abonnement. Les passes d’humanisation fonctionnent en ajoutant de la variance lexicale, ce qui signifie en pratique des substitutions de dictionnaire, des atténuations et des phrases boursouflées. Vous finissez par optimiser pour une machine qui n’influence pas votre classement, aux dépens de l’humain qui décide, lui, de vous contacter ou non. Si vous avez un budget pour cela, dépensez le en relecture professionnelle.

Où une agence apporte vraiment de la valeur

Pas en esquivant les détecteurs. Ce qui change les résultats, c’est un processus éditorial et une expertise démontrable : un brief thématique qui identifie ce que votre entreprise sait et que ses concurrents ignorent, un auteur nommé aux références réelles, des sources citées et datées, et une étape de relecture où quelqu’un qui a fait le métier vérifie que les affirmations sont exactes. Ce processus rend accessoirement la production indétectable, mais c’est un effet secondaire et non l’objectif.

Mecanik construit des programmes de contenu sur cette base et audite les programmes existants via notre service d’audit SEO, qui part de ce que vos pages rapportent aujourd’hui plutôt que de la façon dont elles ont été écrites. Si vos pages se classent et qu’il ne se passe rien, le correctif tient à la précision et à l’autorité, et un audit SEO technique vous dira lequel des deux vous bloque réellement. Les scores de détecteurs n’apparaîtront pas dans le rapport, parce qu’ils ne mesurent rien sur quoi vous puissiez agir. Si vous voulez d’abord le tableau commercial d’ensemble, notre guide sur ce que fait une agence SEO spécialisée en IA et ce qu’elle coûte explique où va vraiment l’argent.

Questions fréquentes

Les détecteurs d’IA sont ils fiables ? Pas de façon fiable. Une étude de 2023 parue dans l’International Journal for Educational Integrity a testé 14 outils sur 756 tests individuels et a constaté que chacun restait sous 80 % de justesse, cinq seulement dépassant 70 %. La justesse était de 74 % sur un texte d’IA non modifié, de 42 % après retouche humaine et de 26 % après reformulation automatique. Une étude de février 2026 sur Turnitin et Originality a relevé des justesses en macro moyenne de 0,61 et 0,69.

Google pénalise t il les contenus produits par IA ? Non. Les consignes publiées par Google indiquent que son attention porte sur la qualité du contenu plutôt que sur sa méthode de production, et que tout usage de l’automatisation n’est pas du spam. Ce qui enfreint la règle, c’est le scaled content abuse, défini comme la génération de nombreuses pages destinées avant tout à manipuler le classement plutôt qu’à aider les utilisateurs, et Google précise que cela vaut quelle que soit la façon dont le contenu a été créé.

Pourquoi les détecteurs d’IA signalent ils les auteurs non anglophones ? Parce qu’ils mesurent la variété lexicale et la prévisibilité, pas la paternité du texte. Une étude de 2023 parue dans Patterns a passé sept détecteurs sur 91 copies TOEFL rédigées par des locuteurs non anglophones et a relevé un taux moyen de faux positifs de 61,3 %, contre des résultats quasi justes sur des copies d’élèves américains. Réécrire ces mêmes copies dans une langue plus littéraire a ramené le taux de faux positifs à 11,6 %.

Un détecteur d’IA peut il savoir si un texte a été retravaillé par un humain ? Pratiquement pas, et c’est la plus grande lacune. La justesse sur un texte d’IA légèrement retouché par un humain était de 42 % dans le banc d’essai de 2023, et une étude de 2026 a trouvé un rappel proche de zéro sur des documents hybrides composés pour moitié environ de texte humain et de texte d’IA. Les travaux sur la reformulation ont fait chuter un détecteur de 70,3 % à 4,6 % à un taux de faux positifs fixé à 1 %.

Que faire si je suis accusé à tort d’avoir utilisé une IA ? Traitez le score comme une opinion sur le style et non comme une preuve, et dites le en citant la recherche publiée. Produisez la provenance que vous maîtrisez : historique des versions du document, brouillons, notes et sources horodatées. Demandez que le même outil soit passé sur un travail écrit avant l’existence de l’IA générative, et demandez si un second outil est d’accord, puisque l’incohérence entre outils est documentée.