Comment fonctionnent les détecteurs d’IA ? Une explication simple
Réponse courte
Un détecteur d’IA est un classificateur entraîné sur de nombreux exemples d’écriture humaine et d’écriture d’IA. Il apprend les différences statistiques entre les deux, surtout le degré de prévisibilité de la formulation, note le texte par fenêtres et par phrases, puis applique un seuil pour donner une étiquette. Comme il estime des régularités au lieu de vérifier l’auteur, son résultat est toujours une probabilité, jamais une preuve.
Points clés
- Un détecteur est un classificateur entraîné : il a vu un grand nombre de textes humains et de textes d’IA et a appris à en distinguer les statistiques.
- Le signal principal est la prévisibilité. Les modèles de langage choisissent des mots probables, et le texte obtenu tend à être plus fluide et plus régulier que la plupart des écrits humains.
- Le texte est noté par fenêtres et par phrases, ce qui explique que les détecteurs puissent surligner des passages précis.
- Les seuils transforment un score en étiquette, et le calibrage les fixe pour que les fausses alertes restent rares.
- Comme il regarde des régularités et non l’auteur du texte, un détecteur peut se tromper dans les deux sens.
L’idée de base : apprendre à partir d’exemples
Personne n’écrit une liste de règles décrivant à quoi ressemble un texte d’IA. Les concepteurs rassemblent à la place un grand ensemble de textes dont on sait qu’ils ont été écrits par des personnes et un autre ensemble de textes écrits par des modèles d’IA. Un modèle d’apprentissage automatique, appelé classificateur, est entraîné à les distinguer en trouvant les régularités qui séparent les deux ensembles.
Après l’entraînement, on donne un nouveau texte au classificateur et il renvoie un nombre : dans quelle mesure ressemble-t-il aux exemples d’IA plutôt qu’aux exemples humains. Notre détecteur est un modèle open source hébergé sur nos propres serveurs, et il ne traite que l’anglais.
Pourquoi la prévisibilité est l’indice central
Un modèle de langage écrit en choisissant à répétition un mot suivant probable compte tenu de ce qui précède. Les humains choisissent de façon moins prévisible. Nous changeons d’avis en pleine phrase, employons un mot inhabituel, ajoutons une digression ou cassons le rythme pour insister.
Le texte d’une machine est donc souvent plus fluide et plus uniforme dans son vocabulaire et la longueur de ses phrases, et plus général dans son contenu. Les détecteurs s’en servent. C’est aussi la raison pour laquelle une écriture humaine très soignée et stéréotypée peut ressembler à une écriture de machine.
Fenêtres, phrases et scores
Les textes longs ne sont pas notés d’un bloc. Le détecteur examine des fenêtres, c’est-à-dire des portions de texte, et des phrases individuelles, puis combine les résultats. C’est ce qui permet le surlignage par phrase, qui montre quelles parties d’un texte pèsent sur le résultat d’ensemble.
Les surlignages sont utiles pour réviser, car un résultat élevé vient généralement de quelques passages génériques et non de toute la dissertation. Ce sont malgré tout des estimations. Une phrase surlignée est une phrase qui ressemble statistiquement à une formulation d’IA, pas une phrase dont on a prouvé qu’elle est écrite par une machine.
- En dessous de 50 mots, il y a trop peu d’indices, et notre détecteur ne donne donc aucun verdict.
- Les textes plus longs donnent des résultats plus stables, car il y a davantage à moyenner.
- Les textes mixtes, en partie humains et en partie d’IA, peuvent produire des surlignages à certains endroits et pas à d’autres.
Seuils et calibrage
Le score brut doit devenir une étiquette, et c’est le rôle d’un seuil. Un seuil bas signale plus de texte, ce qui détecte plus d’IA mais aussi plus d’écriture humaine. Un seuil élevé signale moins de texte, il est plus indulgent avec les auteurs honnêtes mais laisse passer plus de textes d’IA.
Le calibrage est le travail qui consiste à choisir les seuils à partir de mesures. Nous utilisons 583 textes académiques humains pour les fixer de sorte que les fausses alertes restent rares : 1 % et 0,7 % des textes académiques humains étaient classés « Probablement écrit par une IA » sur deux ensembles de test. Entre les étiquettes « Probablement écrit par un humain » et « Probablement écrit par une IA » se trouve une zone « Incertain » pour les résultats limites.
Pourquoi la réponse est toujours probabiliste
Un détecteur ne voit jamais le processus d’écriture. Il ne voit que les mots terminés, et les textes humains et ceux des machines se recoupent. Certaines personnes écrivent d’une manière très proche de celle d’une machine, et certains textes d’IA sont retouchés jusqu’à paraître très humains. Tout ce qui repose sur des régularités qui se recoupent ne peut donner qu’une vraisemblance.
C’est pourquoi un résultat ne doit jamais servir seul à accuser quelqu’un. C’est un signal parmi d’autres, à lire avec les brouillons, l’historique des versions, les autres travaux de l’auteur et une véritable conversation.
Ce que les détecteurs peuvent et ne peuvent pas voir
Les détecteurs repèrent bien les productions non retouchées des types de modèles sur lesquels ils ont été entraînés. Dans nos tests, 96,9 % des textes d’IA de 2026 non retouchés étaient classés « Probablement écrit par une IA ». Ils sont plus faibles quand le texte a été réécrit, avec 50,5 % encore signalés après paraphrase par un autre modèle d’IA et 59,5 % après des outils d’humanisation, et plus faibles encore sur les textes très courts et sur les genres hors de leur entraînement, comme les textes publicitaires, où 32,7 % des textes web humains étaient classés « Probablement écrit par une IA ».
Vous pouvez voir tout cela en pratique. AITurnitin vérifie jusqu’à 1 000 mots gratuitement sans compte, affiche les surlignages par phrase et supprime votre texte sous 24 heures sans l’utiliser pour l’entraînement.
Questions fréquentes
Comment un détecteur d’IA sait-il si un texte a été écrit par une IA ?
Il ne le sait pas. Il estime dans quelle mesure la formulation ressemble aux régularités des textes d’IA sur lesquels il a été entraîné, surtout la prévisibilité des choix de mots, et renvoie une probabilité.
Qu’est-ce que la perplexité dans la détection d’IA ?
C’est une mesure de la surprise qu’un texte provoque chez un modèle de langage. Une perplexité plus basse signifie une formulation plus prévisible, ce qui est un signal que les détecteurs utilisent. Les détecteurs modernes la combinent avec d’autres caractéristiques apprises.
Pourquoi les détecteurs peuvent-ils surligner des phrases individuelles ?
Parce que le texte est noté par fenêtres et par phrases. Chaque partie reçoit sa propre estimation, et celles-ci sont combinées en un résultat d’ensemble. Les surlignages montrent où la régularité est la plus forte.
Les détecteurs d’IA conservent-ils mon texte ou apprennent-ils de lui ?
Cela dépend de l’outil. Le nôtre supprime les textes sous 24 heures et ne les utilise jamais pour l’entraînement. Vérifiez la politique de confidentialité de tout outil avant d’y coller un mémoire ou une lettre de motivation.
Peut-on tromper un détecteur d’IA ?
La détection est plus faible sur un texte réécrit, mais elle n’est pas effacée : dans nos tests, une grande part des textes paraphrasés et humanisés était quand même classée « Probablement écrit par une IA ». Ces outils risquent en outre d’abîmer le sens et les citations, et s’en servir pour cacher l’usage d’une IA peut enfreindre les règles d’intégrité de votre établissement.