Oui, la détection par IA peut être précise

En bref : les chercheurs et les modérateurs de contenu devraient revoir leur appréciation des outils de détection de l'IA ou des vérificateurs d'IA. Le consensus qui s'était dégagé en 2023 à partir d'articles universitaires et des médias grand public est désormais dépassé. Les derniers modèles de détection de l'IA, comme Pangram, ont non seulement rattrapé leur retard sur les derniers modèles de langage (LLM), mais sont également conçus pour résister à l'épreuve du temps.

Comment en sommes-nous arrivés là ? Une brève histoire de la détection de l'IA

Lorsque ChatGPT a été lancé en 2022, les rédacteurs et les créateurs de contenu se sont rués sur ce nouvel outil d'intelligence artificielle pour créer du contenu. Depuis, cela n'a pas cessé. Les créateurs ont utilisé ChatGPT (et d'autres modèles d'IA), ainsi que ses concurrents, pour rédiger toutes sortes de textes, des documents volumineux comme des articles de recherche et des romans aux petits extraits tels que des e-mails, des commentaires sur Reddit et des avis sur Amazon. Le contenu généré par l'IA a envahi Internet. Cependant, depuis l’avènement des grands modèles linguistiques (LLM), il existe une demande pour distinguer ce qui est écrit par des humains de ce qui est écrit par l’IA. OpenAI a effectivement identifié ce besoin et a créé un produit permettant de classer les textes comme étant issus de l’IA. À mesure que l’adoption de l’IA s’est généralisée, la demande en détecteurs ou classificateurs d’IA a augmenté, en particulier dans les écoles et les universités où l’intégrité académique est primordiale. Certains étudiants (qui sont souvent des précurseurs) ont utilisé les derniers modèles pour terminer leurs devoirs, passer des examens et postuler à l’université. Certains chercheurs, sous la pression du temps, ont pris des raccourcis et soumis des travaux rédigés ou assistés par l’IA pour publication. Par conséquent, de nombreux outils ont été lancés dans l’espoir de répondre à ces préoccupations. Des acteurs établis du logiciel académique comme TurnItIn ont lancé en avril 2023 un outil appelé AI Checker pour répondre aux besoins de leurs clients du secteur de l’éducation. Grammarly a également lancé son propre outil en 2024, appelé Grammarly Authorship. L'idée dominante chez ces entreprises était que si leurs outils pouvaient détecter le plagiat, ils devaient également détecter l'IA. L'enseignement supérieur, en particulier, devait passer des « détecteurs de plagiat » aux « détecteurs d'IA ». Cependant, il est apparu très tôt que cela ne fonctionnerait pas.

Les premiers détecteurs d'IA promettaient une grande précision en s'appuyant sur la perplexité et la variabilité. Bradley Emi, directeur technique de Pangram, explique ces termes : «La perplexité correspond au degré d'imprévisibilité ou de surprise de chaque mot dans un texte. La variabilité désigne l'évolution de la perplexité tout au long d'un document. Si des mots et des expressions surprenants sont disséminés dans le document, celui-ci présente alors une variabilité élevée. »

Nous n'allons pas nous attarder sur ces termes, mais le fait de trop s'appuyer sur ces facteurs lors de la création d'un outil de détection de l'IA entraîne trois défauts récurrents :

• Ces outils ne sont pas toujours fiables lorsqu'on les utilise avec différents modèles tels que Claude, GPT-4, etc.
• Ces outils ne s'améliorent pas avec le temps ; par conséquent, apporter de petites modifications aux modèles de langage de grande envergure (LLM) réduirait leur précision.
• Ils ont classé à tort des textes rédigés en anglais par des locuteurs non natifs (ESL) comme provenant de l'IA

Il s'agit là de préoccupations bien réelles, en particulier pour les établissements universitaires. Les conséquences d'une accusation erronée d'utilisation de l'IA dans les travaux et les articles d'étudiants et de chercheurs sont considérables. Cela peut ruiner des carrières. Il est extrêmement risqué de se fier à des outils dont l'efficacité n'atteint même pas 95 % pour filtrer l'IA. C'est pourquoi de nombreux établissements universitaires de premier plan, tels que le MIT, Vanderbilt et l'UC Berkeley, ne soutiennent pas l'utilisation de détecteurs d'IA par leurs enseignants. Dans de nombreux cas, ils ont cité des articles de recherche spécifiques soulignant les performances médiocres des détecteurs d'IA, comme « Testing of Detection Tools for AI-Generated Text », ainsi que des articles spécialisés tels que « Why AI writing detectors don’t work ».

OpenAI a jugé ces problèmes si complexes qu’elle a abandonné son classificateur de texte basé sur l’IA en juillet 2023, invoquant le fait que « le classificateur n’est plus disponible en raison de son faible taux de précision ». De nombreux responsables scolaires en ont tiré la conclusion suivante : si OpenAI n’y parvient pas, c’est probablement impossible.

Alors que les grandes universités et le grand public s'accordaient à dire que la détection par IA était une promesse irréalisable, voire une arnaque, des entreprises telles que Pangram Labs ont apporté des améliorations significatives dans ce domaine, faisant de la détection par IA un outil essentiel tant dans le milieu universitaire qu'en entreprise.

Pourquoi la détection par IA sera différente en 2025

La détection de l'IA est souvent décrite comme une course à l'armement entre les étudiants à la recherche de raccourcis et les enseignants qui cherchent à distinguer ce qui a été rédigé par un humain de ce qui ne l'a pas été. En 2025, les détecteurs ont mis la barre encore plus haut.

En août 2025, deux chercheurs de la Chicago Booth School of Business, Brian Jabarian et Alex Emi, ont publié un article intitulé Écriture artificielle et détection automatisée, dans lequel ils affirment que « la plupart des détecteurs d’IA commerciaux fonctionnent remarquablement bien, Pangram en particulier atteignant des taux de faux positifs et de faux négatifs proches de zéro ». Ils qualifient Pangram de « seul détecteur respectant une limite stricte (taux de faux positifs ≤ 0,005) sans compromettre sa capacité à détecter avec précision les textes générés par l’IA ». C'est un exemple qui montre à quel point la détection de l'IA a progressé en quelques années seulement. Mais comment cela s'est-il produit ?

Tout d'abord, les chercheurs en IA ont amélioré les ensembles de données en collectant un éventail plus large de textes rédigés par des humains et de textes générés par l'IA. Cela inclut non seulement des articles universitaires, mais aussi d'autres types d'écrits, tels que des e-mails et des articles. Ensuite, les développeurs ont eu recours à l'apprentissage actif pour réduire les taux de faux positifs. Cela signifie qu'ils recherchent les textes les plus difficiles à classer (IA ou humain), puis les réintègrent dans leurs modèles.

Et dans cette course à l'armement, les créateurs d'IA générale n'ont pas encore réagi suffisamment pour déjouer certains détecteurs d'IA. Lorsque le très médiatisé GPT-5 d'OpenAI a été lancé, il promettait une réduction des « hallucinations », un ton amélioré et une écriture plus créative. En moins de 12 heures, Max Spero, cofondateur de Pangram Labs, a publié sur LinkedIn un message indiquant que, sans aucun entraînement supplémentaire, l'outil de détection d'IA de Pangram pouvait classer les tests GPT-5 à un taux similaire à celui des modèles précédents :

« Pangram est le seul détecteur d'IA capable de détecter de manière fiable le GPT-5 sans avoir été spécifiquement formé à cette fin. »

Les institutions s'adaptent à cette nouvelle réalité

L'utilisation des détecteurs d'IA suscite de réelles inquiétudes. Bon nombre d'entre eux affichent encore des taux de faux positifs alarmants et vantent à tort leur précision. Cependant, certaines des technologies les plus récentes sont incroyablement fiables et sont activement mises en œuvre dans les entreprises et les universités. Par exemple, la société de recherche d'experts Qwoted a récemment intégré la détection de l'IA dans son flux de travail afin de réduire le nombre de citations rédigées par l'IA et attribuées à des « experts ». « L'avenir du journalisme repose sur la confiance. C'est pourquoi nous sommes ravis de nous associer à Pangram, qui a établi la norme de référence en matière de détection et d'attribution de l'IA. »

Les chercheurs et les journalistes reviennent eux aussi dans le giron. Les détracteurs de longue date reviennent sur leurs positions et cherchent des moyens d'intégrer la détection de l'IA dans une politique plus large en matière d'IA. Rob Waugh, de Press Gazette, a récemment recommandé Pangram aux utilisateurs souhaitant repérer les textes générés par l'IA. « Ces outils ne sont pas fiables à 100 %, mais Pangram a été jugé précis par rapport à d'autres vérificateurs d'IA en ligne, et il est intégré à des services d'aide aux journalistes tels que Qwoted pour détecter les propositions et les textes générés par l'IA. »

Nous serions ravis de discuter de votre cas d'utilisation et de voir si Pangram pourrait être utile à votre entreprise. N'hésitez pas à nous mettre à l'épreuve et à nous contacter pour en savoir plus sur nos offres destinées aux entreprises.