L'essentiel à retenir : une étude du Max-Planck Institute, mise à jour en juillet 2026, observe que certains mots particulièrement favorisés par ChatGPT ont ensuite progressé dans des conversations spontanées. Les chercheurs trouvent aussi qu'une courte interaction avec un chatbot peut influencer les mots choisis ensuite par les participants. C'est précisément pourquoi repérer un tiret cadratin, le mot anglais « delve » ou une tournure à la mode ne permet pas de conclure qu'un texte vient d'une IA. Ces signes peuvent devenir humains. Un détecteur utile doit regarder un ensemble de signaux et restituer un niveau de probabilité, jamais rendre un verdict définitif sur un indice isolé.

Vous avez peut-être déjà vu passer des listes de « mots qui trahissent ChatGPT ». Delve, showcase, meticulous, les phrases trop lisses, le fameux tiret cadratin : le réflexe est tentant. Un détail paraît inhabituel, donc le texte serait forcément généré.

La nouvelle version d'une étude menée notamment au Max-Planck Institute for Human Development raconte une histoire bien plus intéressante. Certains choix de vocabulaire associés à ChatGPT ne restent pas dans les réponses du chatbot. Ils se diffusent dans la parole des personnes qui l'utilisent.

Autrement dit : un signe qui aide aujourd'hui à reconnaître l'IA peut demain appartenir au langage courant. C'est une mauvaise nouvelle pour les listes d'astuces. C'est aussi une très bonne raison d'utiliser une détection qui analyse le texte dans son ensemble.

Ce que l'étude observe vraiment

Cette version 4, déposée le 16 juillet 2026 sur arXiv, est une prépublication : elle ne doit donc pas être lue comme une vérité définitive. Mais elle est sérieuse par son ampleur et par la prudence de son protocole.

Les auteurs ont étudié 737 083 heures de conversations issues de 824 634 épisodes de podcasts anglophones. Ils ont filtré les épisodes pour privilégier les échanges non scénarisés, puis ont comparé l'évolution de certains mots après le lancement public de ChatGPT, le 30 novembre 2022, avec une trajectoire de référence construite à partir d'autres mots comparables.

Le résultat est net pour plusieurs termes surreprésentés dans les réponses de ChatGPT. Dans les podcasts Science et technologie, l'usage de delve a culminé à environ 44 % au-dessus de cette trajectoire de référence, treize à dix-huit mois après le lancement. Les catégories Éducation et Business montrent le même mouvement. Sur les 36 mots les plus associés aux préférences de ChatGPT, 28 ont progressé après sa sortie.

Les chercheurs ont complété cette observation par une expérience préenregistrée auprès de 496 personnes. Après un bref échange avec un chatbot qui favorisait discrètement certains synonymes, les participants réutilisaient davantage ces mots lors d'une tâche ultérieure, même après une activité de distraction. Ils les préféraient aussi dans un choix explicite de vocabulaire.

L'étude ne démontre pas que ChatGPT contrôle notre manière de parler, ni que le phénomène vaut déjà pour toutes les langues et tous les contextes. Elle porte sur l'anglais et repose en partie sur les hypothèses nécessaires à toute comparaison de trajectoires. Elle apporte toutefois un élément rare : une observation à grande échelle, complétée par une expérience qui isole un mécanisme plausible d'adoption.

Le signal le plus célèbre a déjà commencé à s'user

Le point le plus instructif n'est pas seulement la hausse de delve. C'est sa suite.

Après avoir atteint un pic autour de la mi-2024, l'usage du mot a reflué dans plusieurs catégories. Les auteurs relient ce recul à l'arrivée de GPT-4o en accès gratuit, dont les préférences lexicales diffèrent de GPT-3.5, et à la visibilité publique de delve comme « mot de ChatGPT ».

Ce cycle résume la faiblesse de la détection à l'œil nu :

  • un modèle répète une préférence ;
  • cette préférence devient un cliché reconnaissable ;
  • les utilisateurs, les rédacteurs et les modèles suivants l'évitent ou la transforment ;
  • le cliché cesse alors d'être un indice fiable.

Le tiret cadratin suit la même logique. Il peut être plus fréquent dans certains textes générés ou révisés par IA. Mais beaucoup d'humains l'emploient, et un utilisateur qui sait que ce détail est surveillé peut l'enlever en deux secondes. Sa présence ne prouve rien ; son absence non plus.

Un mot n'est donc pas un détecteur. Il peut servir de point de départ à une relecture, jamais de conclusion.

Le vrai enjeu : une frontière de plus en plus floue

Nous sommes passés d'un monde où l'on pouvait parfois reconnaître une sortie de modèle par son style à un monde où les modèles influencent progressivement les styles humains. Cette différence est essentielle pour une école, un recruteur, un éditeur ou une agence.

Un texte peut être entièrement généré. Il peut aussi être écrit par une personne qui a adopté des formulations vues dans ChatGPT, ou avoir été corrigé par IA, traduit, résumé, puis largement réécrit. Ces situations ne racontent pas la même chose et elles ne doivent pas être traitées de la même façon.

Chercher la « patte ChatGPT » avec une check-list mélange tous ces cas. À mesure que les modèles changent et que leurs habitudes diffusent, la check-list se dégrade. L'étude invite donc à déplacer la question : au lieu de demander « ce mot est-il suspect ? », il faut demander « quels signaux, pris ensemble, sont compatibles avec une production par IA ? »

Ce qu'un détecteur d'IA doit analyser

Un détecteur d'IA sérieux ne se limite pas à compter delve, les superlatifs ou les tirets. Il évalue des régularités statistiques et stylistiques sur un texte suffisamment long, et cherche des concordances entre plusieurs passages. Il peut aussi localiser les zones qui portent le plus de signaux afin de permettre une vraie relecture.

Chez Lucide, l'analyse croise plusieurs signaux avant de produire un résultat et met les passages concernés en évidence. Le rapport donne une indication à examiner, pas une preuve automatique de fraude. C'est particulièrement important lorsque la décision peut avoir des conséquences concrètes pour une personne.

Cette approche a deux avantages :

  • elle ne dépend pas d'un cliché qui disparaîtra à la prochaine mise à jour d'un modèle ;
  • elle permet de regarder un faisceau d'indices, y compris lorsqu'un texte a été retravaillé ou mélangé à une rédaction humaine.

Elle a aussi une limite qu'il faut assumer : l'analyse reste probabiliste. Un texte humain très normé, académique ou rédigé dans une langue seconde peut partager des régularités avec un texte généré. C'est pourquoi notre guide sur la réduction des faux positifs recommande de ne jamais sanctionner ou écarter un candidat sur le seul score d'un outil.

Cette étude rend les détecteurs plus nécessaires, pas moins

On pourrait tirer la mauvaise conclusion de cette étude : puisque l'IA influence le langage humain, toute détection serait impossible. Elle montre en réalité pourquoi les détecteurs deviennent nécessaires.

Quand les signes visibles circulent entre les modèles et les humains, l'intuition devient un instrument de plus en plus fragile. Le correcteur qui cherche un tiret cadratin, le recruteur qui repère un adjectif à la mode, ou l'éditeur qui se fie à une impression de texte « trop propre » n'a plus de méthode stable. Il a des préjugés linguistiques.

Un détecteur comme Lucide apporte un cadre plus solide : il analyse des motifs qui ne se réduisent pas à un mot, restitue des passages à vérifier et aide à appliquer une même méthode à tous les textes. Il ne remplace ni le contexte, ni la discussion avec l'auteur, ni le jugement humain. Il évite en revanche de confondre un stéréotype avec une preuve.

L'étude du Max-Planck montre que la frontière entre langage humain et langage de modèle se déplace déjà. C'est exactement la raison pour laquelle la détection doit évoluer elle aussi : moins de folklore sur les « mots d'IA », plus d'analyse, de transparence et de prudence.

Vous souhaitez vérifier un texte sans vous fier aux apparences ? Testez notre détecteur d'IA gratuitement.