Comment fonctionne un détecteur d’IA ? Les méthodes expliquées simplement

Coller un texte, attendre quelques secondes, lire un pourcentage. Vu de l’extérieur, tous les détecteurs d’IA se ressemblent. À l’intérieur, ils n’ont presque rien en commun.

Certains font un calcul statistique sur le texte et appliquent un seuil. D’autres cherchent une marque cachée qu’une IA aurait laissée. D’autres encore sont eux-mêmes des modèles d’intelligence artificielle, entraînés pour un seul métier : reconnaître la prose d’une machine. Ces différences expliquent pourquoi deux outils peuvent rendre des verdicts opposés sur le même texte, et pourquoi certains se trompent sur des textes écrits à la main.

Nous fabriquons un détecteur d’IA. Voici comment ces outils fonctionnent, sans jargon inutile.

D’abord, comment une IA écrit

Pour comprendre la détection, il faut savoir comment un modèle comme ChatGPT, Claude, Gemini ou Mistral produit un texte.

Il écrit mot après mot. À chaque étape, il calcule la probabilité de tous les mots possibles pour la suite, puis en choisit un. Après « Le chat dort sur le », les mots « canapé » ou « lit » sont très probables. « Réverbère » l’est beaucoup moins.

Un modèle choisit presque toujours parmi les mots les plus probables. Un humain, lui, fait des choix moins attendus : un mot rare, une phrase cassée, une digression, une tournure personnelle. C’est de cette différence que partent toutes les méthodes de détection. Elles ne l’exploitent pas de la même façon.

Méthode 1 : mesurer la perplexité

C’est la méthode la plus ancienne et la plus citée. Elle a fait connaître GPTZero en janvier 2023, et beaucoup d’outils gratuits en ligne reposent encore sur elle.

Le principe. On fait lire le texte à un modèle de langue, et on lui demande à chaque mot : « Est-ce que tu t’attendais à celui-là ? » La moyenne de ses surprises donne la perplexité. Un texte très prévisible a une perplexité basse. Un texte plein de choix inattendus a une perplexité haute.

On y ajoute souvent une deuxième mesure, la burstiness (en français, quelque chose comme « l’irrégularité »). Elle regarde si la surprise varie d’une phrase à l’autre. Un humain alterne phrases banales et phrases singulières. Un modèle garde un rythme plus égal.

La règle de décision est ensuite assez simple : perplexité basse et rythme régulier, le texte est classé IA. Perplexité haute et rythme irrégulier, il est classé humain.

Pourquoi c’est séduisant. Pas besoin de collecter des millions d’exemples ni d’entraîner quoi que ce soit : un modèle de langue public et quelques lignes de code suffisent. C’est aussi pour ça que ces outils se multiplient.

Pourquoi ça se trompe. La perplexité mesure la prévisibilité d’un texte. Elle ne dit rien de son auteur. Or beaucoup de textes humains sont prévisibles, pour de bonnes raisons :

• Les écrits normés. Un contrat, un compte rendu, une notice, une copie de droit suivent des formules imposées. Leur perplexité est basse parce que le genre l’exige.
• Les textes célèbres. Un texte que le modèle de référence a lu mille fois pendant son entraînement lui paraît évident. Des outils à base de perplexité ont ainsi classé la Constitution américaine comme écrite par une IA, une anecdote largement reprise en 2023.
• Les personnes qui écrivent dans une autre langue que leur langue maternelle. Elles utilisent un vocabulaire plus courant et des constructions plus sûres. Une étude de l’université Stanford publiée dans la revue Patterns en 2023 (Liang et al.) a soumis des rédactions d’étudiants non anglophones à sept détecteurs : en moyenne, plus de 61 % de ces textes humains étaient classés IA.

Dans l’autre sens, il suffit de peu pour tromper la mesure. Demander à l’IA d’écrire « de façon plus imprévisible », relever sa température (le réglage qui la pousse à choisir des mots moins probables) ou passer le texte dans un outil de reformulation fait remonter la perplexité, sans rien changer à l’origine du texte.

Il y a enfin un problème propre au français : la plupart de ces outils calculent la perplexité avec un modèle de référence surtout entraîné sur de l’anglais. Sur un texte français, ses « surprises » en disent moins.

OpenAI a d’ailleurs retiré son propre détecteur en juillet 2023, six mois après son lancement, en invoquant son faible taux de précision : selon ses propres tests, il ne reconnaissait que 26 % des textes générés.

Des variantes plus fines de la même idée

Les chercheurs ont affiné l’idée de départ, toujours sans rien entraîner. Deux méthodes ont marqué ces dernières années.

DetectGPT (université Stanford, 2023) part d’une observation : un texte généré se trouve au sommet de ce que le modèle juge probable. Si on modifie légèrement quelques mots, la probabilité baisse nettement. Pour un texte humain, la même retouche ne change pas grand-chose. DetectGPT fabrique donc des dizaines de variantes du texte et regarde comment la probabilité réagit.

Binoculars (2024) compare deux modèles de langue au lieu d’un seul. Un texte peut être surprenant parce qu’il est humain, ou simplement parce que son sujet est inhabituel. En regardant la surprise d’un modèle face à ce qu’un second modèle aurait prédit, la méthode fait mieux la part des choses.

Ces approches sont nettement meilleures que la perplexité seule. Elles gardent deux faiblesses. Elles dépendent toujours d’un modèle de référence, et donc de sa langue et de son époque. Surtout, elles ont été pensées pour un cas simple, un texte entièrement humain ou entièrement généré. La réalité est plus mélangée : un paragraphe écrit à la main, un autre demandé à ChatGPT, un troisième reformulé par un outil de correction.

Méthode 2 : le filigrane (ou watermark)

Troisième idée : faire en sorte que l’IA signe elle-même ses textes. Au moment de la génération, le modèle favorise discrètement certains mots selon une règle secrète. Le lecteur ne voit rien, mais un outil qui connaît la règle retrouve la signature.

Google le fait depuis 2024 avec SynthID pour Gemini. Le principe est solide, avec deux limites de taille. Il ne marche que pour les modèles dont le fabricant a choisi de marquer les textes, et seulement avec l’outil de vérification de ce fabricant. Et une reformulation un peu poussée efface une bonne partie de la marque. Nous avons détaillé le sujet dans notre article sur le watermark des IA.

Le filigrane est une piste d’avenir. Il ne permet pas aujourd’hui de vérifier un texte dont on ignore la provenance.

Méthode 3 : entraîner un modèle à reconnaître l’IA

C’est l’approche des détecteurs les plus fiables aujourd’hui, et celle de Lucide. Au lieu de fixer une règle à la main (« perplexité basse = IA »), on laisse un modèle apprendre la différence à partir d’exemples.

L’idée ressemble à la façon dont on apprend à reconnaître un accent. Personne ne vous a donné la liste des règles qui distinguent l’accent marseillais de l’accent lillois. Vous en avez entendu beaucoup, et vous faites la différence sans savoir l’expliquer. Un détecteur entraîné fait pareil avec l’écriture.

Il analyse le texte dans son ensemble. Là où la perplexité réduit un texte à un seul chiffre, un modèle entraîné regarde une foule d’indices à la fois : le choix des mots, leur enchaînement, la construction des phrases, la façon dont une idée en amène une autre, la manière d’ouvrir et de fermer un paragraphe. Aucun de ces indices ne suffit seul. C’est leur combinaison qui compte. C’est aussi pour ça qu’un mot à la mode ou un tiret ne prouvent rien, comme nous l’expliquons dans cet article sur les mots de ChatGPT.

Tout se joue sur les exemples. Un tel modèle vaut ce que valent les textes sur lesquels il a appris. Trois points font la différence entre un bon et un mauvais détecteur :

• Des textes humains certains. Pour être sûr qu’un texte n’a pas été généré, le plus simple est de le prendre avant l’arrivée de ChatGPT, fin 2022. Un détecteur entraîné sur des textes « humains » récupérés en 2025 apprend en partie de l’IA sans le savoir.
• Des textes générés qui ressemblent aux humains. Si les exemples d’IA parlent de tout autre chose que les exemples humains, le modèle apprend à reconnaître des sujets au lieu de reconnaître des auteurs. On génère donc des textes sur les mêmes sujets, dans les mêmes genres, avec de nombreux modèles différents.
• Des pièges. On ajoute volontairement les textes humains que les autres méthodes accusent à tort : actes juridiques, rapports administratifs, copies très scolaires, traductions. Le modèle apprend ainsi que « régulier » ne veut pas dire « généré ».

Comment Lucide analyse un texte

Voici, en termes simples, ce qui se passe quand vous soumettez un texte à Lucide.

1. Le texte est nettoyé. Certains outils de contournement glissent des caractères invisibles entre les lettres, ou remplacent des lettres latines par leurs sosies cyrilliques (un « а » russe à la place d’un « a »). À l’œil, rien ne change. Pour une machine, le texte devient illisible. Lucide remet ces caractères à leur place avant de lire quoi que ce soit.

2. Le texte est découpé en phrases. L’analyse se fait phrase par phrase, dans l’ordre de lecture.

3. Chaque phrase est lue avec ses voisines. Notre modèle, conçu pour le français et entraîné sur des millions de textes humains et générés, lit chaque phrase en tenant compte de celles qui l’entourent. Une phrase isolée dit peu de chose. Dans son paragraphe, elle en dit beaucoup plus.

4. Chaque phrase reçoit une étiquette. Il y en a trois : écrite par un humain, écrite par un humain puis retouchée par une IA, ou générée par une IA.

5. Les phrases sont regroupées en passages. Le modèle vérifie la cohérence entre phrases voisines, pour éviter qu’une phrase isolée bascule seule d’un côté. Les phrases de même nature forment des passages, que la version complète de Lucide surligne dans le texte.

6. Le verdict est calculé. Lucide compte la part des mots du texte classés comme générés. Un texte dont presque tous les mots sont classés générés sera présenté comme « très probablement écrit par une IA ». Un texte avec un seul passage généré au milieu de pages humaines sera présenté comme mixte, avec le passage en question.

Cette façon de faire a une conséquence pratique : Lucide montre où se trouvent les passages en cause. Face à un mémoire de soixante pages, savoir que le chapitre 3 pose question est plus utile qu’un pourcentage global.

Notre détecteur gratuit donne un aperçu de ce travail sur des textes de 50 à 500 mots : la part du texte classée IA, le nombre de passages repérés et un indice de confiance, qui ne dépasse jamais « moyenne » parce que 500 mots, c’est encore peu. La version complète de Lucide analyse des documents entiers, en PDF ou en Word, affiche les passages en question phrase par phrase et garde l’historique de vos analyses.

Les limites qui restent

Même bien construit, un détecteur reste un outil de probabilité. Quelques situations demandent de la prudence.

Les textes courts. En dessous de quelques centaines de mots, les indices sont peu nombreux et le résultat est moins sûr. Mieux vaut analyser un devoir entier qu’un paragraphe.

Les textes très retravaillés. Un texte généré puis profondément réécrit à la main redevient, phrase après phrase, un texte humain. À partir d’un certain point, c’est d’ailleurs ce qu’il est devenu.

Les nouveaux modèles. Chaque nouvelle génération d’IA écrit un peu différemment. Un détecteur entraîné doit être réentraîné régulièrement avec des exemples récents, ce qui n’a rien d’automatique.

Les faux positifs. Aucun détecteur n’est à zéro erreur. Un résultat sert donc à ouvrir une discussion avec l’auteur. Notre guide pour réduire les faux positifs détaille les bons réflexes : regarder les passages en cause, demander les brouillons, échanger avec l’auteur.

Comment choisir un détecteur

Une fois qu’on sait comment ces outils sont construits, quelques questions suffisent pour trier :

• Sur quoi repose-t-il ? Un outil qui ne parle que de perplexité et de burstiness utilise la méthode la plus fragile.
• A-t-il été entraîné sur votre langue ? Un détecteur pensé pour l’anglais perd en précision sur le français.
• Montre-t-il les passages ? Un score seul ne permet ni de vérifier, ni d’en discuter avec l’auteur.
• Publie-t-il sa méthode ? Un éditeur qui teste son outil sur des textes humains témoins, et qui publie ses erreurs, mérite plus de confiance qu’un « fiable à 99 % » sans détail.

Vous voulez voir comment un texte est lu ? Testez notre détecteur d’IA gratuitement.