Détecteurs de texte IA : fiables ou pas ?

Mis à jour le 23 octobre 2026

Avec la diffusion de l’IA générative, les détecteurs de contenu IA se sont multipliés. On les utilise pour vérifier le travail d’un rédacteur, d’un étudiant, d’un prestataire, ou pour s’assurer que ses propres textes « passent ». Leurs interfaces affichent des pourcentages précis, qui donnent une impression de rigueur scientifique.

Cette impression est trompeuse. Les détecteurs reposent sur des indices statistiques, et leurs erreurs sont fréquentes, parfois lourdes de conséquences quand on les utilise pour accuser quelqu’un.

Cette page explique comment ils fonctionnent, ce que disent les études, et comment s’en servir intelligemment. Elle complète mon analyse de ce que Google pense du contenu IA.

Par Alexandre Montenon, rédacteur web SEO et consultant GEO depuis 2011

Comment fonctionne un détecteur IA

Un détecteur ne « reconnaît » pas une signature cachée dans le texte. Il compare les caractéristiques du texte à celles des textes généralement produits par des modèles de langage. Deux notions reviennent souvent :

➭ la prévisibilité : un modèle de langage choisit souvent les mots les plus probables, ce qui produit des textes très « attendus » ;

➭ la régularité : les textes générés présentent souvent des phrases de longueur et de structure assez homogènes, là où l’écriture humaine varie davantage.

À partir de ces indices, le détecteur calcule un score. Ce score n’est pas une preuve : c’est une estimation, qui dépend du modèle utilisé pour écrire, de la langue, du sujet, de la longueur du texte et des retouches qu’il a subies.

Ce que disent les faits

OpenAI a retiré son propre détecteur

Le cas le plus parlant vient d’OpenAI, l’éditeur de ChatGPT. Il avait lancé en janvier 2023 un outil de détection, avant de le retirer : depuis le 20 juillet 2023, le classificateur n’est plus disponible en raison de son faible taux de précision ; lors de ses tests, il n’identifiait correctement que 26 % des textes écrits par l’IA, et signalait à tort 9 % des textes humains.

Si l’éditeur du modèle le plus utilisé n’a pas réussi à produire un détecteur fiable, il faut accueillir avec prudence les outils qui affichent des taux de réussite spectaculaires.

Des biais envers certains auteurs

Une étude de 2023 a testé plusieurs détecteurs sur des textes rédigés en anglais par des locuteurs natifs et non natifs. Ses auteurs concluent que les détecteurs classaient de façon répétée les textes de non-natifs comme générés par l’IA, alors qu’ils identifiaient correctement ceux des natifs, et ils mettent en garde contre leur usage dans des contextes d’évaluation. L’explication est simple : un vocabulaire plus restreint et des tournures plus régulières ressemblent, statistiquement, à un texte généré.

Les limites des détecteurs

Détecteurs et référencement

C’est l’usage le plus répandu chez les professionnels du web : vérifier qu’un article « ne sera pas détecté » par Google. Cette inquiétude repose sur un malentendu.

Google ne pénalise pas un contenu parce qu’il a été produit avec l’IA. Ses règles anti-spam visent les contenus de masse, peu originaux, créés pour manipuler le classement, quelle que soit leur méthode de production. Un texte peut obtenir un excellent score « humain » sur un détecteur et être parfaitement inutile ; un autre peut être signalé comme généré et être une excellente ressource.

Le bon critère n’est donc pas le score d’un détecteur, mais la qualité du contenu : utilité, exactitude, expérience, originalité, auteur identifié.

Quand un détecteur peut quand même servir

Utilisé avec prudence, un détecteur peut avoir un intérêt limité :

➭ comme indice pour ouvrir une discussion, jamais comme preuve ;

➭ pour repérer des passages trop génériques, qui gagneraient à être réécrits avec plus de précision et d’exemples ;

➭ en complément d’autres vérifications : cohérence avec les sources, exactitude des faits, présence d’informations propres.

En revanche, il ne doit jamais fonder seul une décision : refus d’un travail, sanction, rupture de contrat. Le risque d’erreur est trop élevé.

Le filigrane : une piste plus solide que la détection

Face aux limites de la détection statistique, une autre approche se développe : le marquage des contenus au moment de leur création. Le principe est d’insérer, dans le texte, l’image ou le son généré, un signal invisible que l’éditeur du modèle peut ensuite reconnaître. Google a par exemple développé SynthID pour marquer les contenus produits par ses modèles.

Le règlement européen sur l’IA va dans ce sens : son article 50 prévoit que les fournisseurs de systèmes d’IA qui génèrent des contenus les marquent dans un format lisible par les machines, afin qu’ils puissent être identifiés comme générés.

Cette approche a ses propres limites. Elle ne fonctionne que pour les modèles qui l’appliquent, un texte marqué peut perdre son signal s’il est fortement réécrit, et elle ne dit rien de la qualité ni de l’exactitude du contenu. Mais elle repose sur une information certaine, là où les détecteurs ne font que des suppositions.

Dans l’enseignement et la formation

Les détecteurs sont très utilisés dans l’enseignement, pour vérifier les devoirs et les mémoires. C’est justement le contexte où les auteurs de l’étude sur les biais recommandent la plus grande prudence. Plutôt que de s’en remettre à un score, beaucoup d’enseignants font évoluer leurs évaluations : travail réalisé en partie en classe, soutenance orale, demande d’expliquer sa démarche, sujets ancrés dans l’expérience personnelle ou dans des sources précises. Ces approches évaluent la compréhension réelle, ce qu’aucun détecteur ne mesure.

Ce qui distingue vraiment un bon contenu

Plutôt que de chercher à savoir si un texte a été écrit par une IA, posez-vous les questions qui comptent pour les lecteurs et les moteurs :

➭ le texte apporte-t-il une information nouvelle, une expérience ou un point de vue ?

➭ les faits sont-ils exacts, datés et sourcés ?

➭ l’auteur est-il identifié et compétent ?

➭ le texte répond-il clairement à la question posée ?

Un texte qui coche ces cases a sa place, quelle que soit la façon dont il a été produit. Un texte qui n’en coche aucune n’en a pas, même s’il a été écrit entièrement à la main.

Et la réécriture pour « passer » les détecteurs ?

De nombreux outils promettent de rendre un texte généré « indétectable ». Ils modifient le vocabulaire et la structure pour tromper les détecteurs, souvent au détriment de la clarté. Je les analyse dans ma page sur les outils pour humaniser un texte IA : le vrai travail n’est pas de tromper un détecteur, mais d’ajouter ce que l’IA ne peut pas fournir.

Ce qui compte vraiment pour un contenu

Plutôt que de chercher à savoir si un texte « passe » un détecteur, je recommande de vérifier ce qui fait réellement sa valeur. Le contenu répond-il précisément à la question du lecteur ? Apporte-t-il des éléments que l’on ne trouve pas ailleurs : exemples concrets, chiffres sourcés, méthode éprouvée, avis argumenté ? Les faits sont-ils exacts et vérifiables ? L’auteur est-il identifiable et légitime sur le sujet ?

Un texte qui coche ces cases est utile, quelle que soit la façon dont il a été écrit. Un texte qui ne les coche pas reste faible, même s’il est jugé « humain » par tous les outils de détection.

Exemple fictif : un texte injustement signalé

Pour illustrer, un cas inventé. Une entreprise de logiciels confie la rédaction de sa documentation à une rédactrice technique, qui écrit des textes clairs, structurés, avec des phrases courtes et un vocabulaire précis. Un responsable passe ses textes dans un détecteur, qui les signale à 85 % comme générés.

Avant de conclure, l’entreprise compare avec ses anciennes documentations, rédigées bien avant l’arrivée de ChatGPT : elles obtiennent des scores similaires. Le style technique, clair et régulier, ressemble simplement à ce que produisent les modèles. L’entreprise abandonne le détecteur et juge les textes sur leur exactitude et leur utilité. Les éléments de cet exemple sont inventés pour l’illustration.

Questions fréquentes sur les détecteurs IA