Comment fonctionnent les détecteurs de texte IA : perplexité, régularité, classifieurs, filigranes

Publié le 10 septembre 2026 · Mis à jour le 10 septembre 2026 · L'équipe Détecteur IA

Un détecteur de texte IA combine jusqu'à quatre méthodes : la perplexité (le texte est-il trop prévisible pour un modèle de langage ?), la régularité des phrases (longueur et structure trop uniformes ?), un classifieur entraîné sur des millions de textes humains et générés, et, quand il existe, la lecture d'un filigrane inséré par le générateur. Chacune produit un indice ; leur combinaison donne une probabilité, jamais une certitude. Testez la démarche avec notre détecteur.

Méthode 1 : la perplexité

Un modèle de langage prédit le mot suivant à partir des précédents. La perplexité mesure à quel point les mots réellement présents dans un texte surprennent ce modèle. Un texte généré tend à choisir des mots très probables, donc à afficher une perplexité basse ; un texte humain contient des choix inattendus, des digressions, des mots rares. La limite est évidente : un texte humain très conventionnel (formulaire administratif, résumé de cours, notice) a lui aussi une perplexité basse. Et un modèle réglé pour plus de créativité produit une perplexité plus haute.

Méthode 2 : la régularité

Les premiers détecteurs ont remarqué que les textes générés avaient des phrases de longueur homogène et une structure répétitive, là où l'écriture humaine alterne phrases courtes et longues. Cette mesure, souvent appelée « burstiness », reste utilisée comme signal complémentaire. Elle se contourne facilement par une consigne de style au générateur, ou par une réécriture manuelle, et pénalise les auteurs qui écrivent de manière régulière par habitude ou par formation.

Méthode 3 : les classifieurs entraînés

Les détecteurs actuels reposent surtout sur des classifieurs : des modèles entraînés à distinguer des corpus de textes humains et de textes générés par différents modèles. Ils exploitent des régularités invisibles à l'œil (distribution des tokens, ponctuation, transitions) et peuvent renvoyer un score par phrase. Leur qualité dépend entièrement du corpus d'entraînement : langue, domaine, modèles représentés, date. Un classifieur entraîné avant l'apparition d'un nouveau modèle le détecte mal ; un classifieur entraîné surtout sur l'anglais se trompe davantage en français.

Méthode 4 : le filigrane

Le filigrane consiste, pour le générateur, à biaiser légèrement le choix des mots selon une clé secrète, de façon indétectable à la lecture mais vérifiable statistiquement par qui possède la clé. C'est la seule méthode qui identifie une origine avec certitude, à condition que le fournisseur l'ait implantée et que le texte n'ait pas été trop retravaillé. L'article 50 du règlement (UE) 2024/1689 impose aux fournisseurs de systèmes génératifs un marquage des contenus dans un format lisible par machine ; les modalités techniques relèvent de normes en cours d'élaboration.

Tableau récapitulatif

Ce que cela implique pour vous

Un score de 85 % ne signifie pas « 85 % de chances que le texte soit généré » au sens courant : il signifie que le classifieur, sur son corpus, aurait classé ce texte parmi les générés avec cette confiance. Sur un texte court, formel ou écrit par un non-natif, cette confiance est mal calibrée. Le guide faux positifs des détecteurs IA explique comment contester ; le comparatif des détecteurs gratuits compare les approches des principaux outils.

Cas concrets

Rédactrice web accusée par un client. Le texte, un article de 600 mots sur un sujet technique, sort à 70 % « IA ». La perplexité basse s'explique par le vocabulaire imposé ; l'historique de rédaction dans l'outil de traitement de texte prouve le processus.

Étudiant non francophone. Une dissertation en français, grammaticalement correcte mais au vocabulaire restreint, déclenche un faux positif ; c'est le biais de corpus le plus documenté.

Le score par phrase, l'usage le plus utile

Les détecteurs récents colorent chaque phrase selon sa probabilité d'être générée. Cet affichage change l'usage : au lieu de juger un texte entier, on repère les passages les plus prévisibles et on les relit. Pour un rédacteur, ce sont souvent des transitions génériques ou des paragraphes de synthèse, faciles à reprendre. Pour un enseignant, c'est le point de départ d'un entretien : demander à l'étudiant d'expliquer précisément ces passages. Le score global, lui, n'a de sens que pour des textes longs et homogènes.

Ce que les détecteurs ne voient pas

Un texte traduit par une IA à partir d'un original humain, un texte dicté puis mis en forme, un texte humain corrigé par un assistant, un texte généré puis largement réécrit : dans tous ces cas, la frontière entre humain et machine est floue, et le détecteur renvoie un score intermédiaire qui ne décrit rien de précis. La question « écrit par une IA ? » est souvent mal posée ; la question utile est « qui assume ce texte, et comment a-t-il été produit ? ».

Éditeur vérifiant des contributions. Il utilise le score par phrase pour repérer des passages à relire, pas pour rejeter automatiquement : c'est l'usage que les méthodes ci-dessus autorisent. Pour le cadre légal, voir AI Act et transparence des contenus générés.