Les outils de détection IA ne permettent pas de vérifier si ce texte a été écrit par l’IA [traduction]

1. Problématique : la rédaction par IA devenant plus facile s’accompagne d’une pression croissante de détection

   • N’importe qui peut produire un texte avec ChatGPT, mais la confiance aveugle des écoles, des entreprises et des clients dans les détecteurs d’IA provoque une hausse rapide de cas de faux positifs où un texte écrit par un humain est pris pour de l’IA.
   • L’article d’origine souligne la pression de devoir distinguer le « vrai texte humain » dans l’afflux de contenu IA et insiste sur le fait qu’un scepticisme excessif décourage les créateurs.

2. Principe de fonctionnement des outils de détection IA

   • La plupart des outils analysent la perplexité (imprévisibilité) et la burstiness (variabilité de la longueur et de la complexité des phrases) pour coter des patterns IA (structure répétitive et monotone, ton homogène).
   • GPTZero et d’autres se basent sur les distributions de probabilité phrase par phrase pour produire un « taux de probabilité de génération IA à XX % », mais il ne s’agit que d’une estimation statistique, pas d’une preuve à 100 %.

3. Limites de performance : résultats observés en recherche et en pratique

   • En tests de benchmark, la précision varie fortement, généralement entre 60 et 90 %, et peut tomber sous les 50 % pour des IA avancées comme GPT-4o ou des textes édités par des humains.
   • La simple traduction (via Google Translate), la reformulation (avec QuillBot) peuvent déjà faire basculer un résultat de « 100 % IA » à « 0 % IA », et les textes en coréen ou en langues non anglophones sont encore plus fragiles.

4. Risques opérationnels : la catastrophe déclenchée par les faux positifs

   • Dans les devoirs universitaires, des sanctions pour fraude ont déjà été prononcées sur la base exclusive d’un détecteur ; côté entreprise, certains clients ont résilié des contrats en affirmant que de l’IA avait été utilisée.
   • Même OpenAI affirme qu’il n’existe pas d’outillage de détection IA fiable, et l’article met en garde : le résultat d’un détecteur n’est pas une preuve juridique.

5. Aperçu des principaux outils

   • GPTZero : conçu pour l’enseignement, il fournit des rapports par paragraphe via l’analyse de perplexité et de burstiness. (Limite : nombreux faux positifs sur les textes réécrits)
   • Originality.ai : contrôle simultané IA + plagiat, scores détaillés et surlignage. (Limite : payant, les probabilités peuvent encourager la sur-confiance)
   • Crossplag : support multilingue basé sur le machine learning, acteur majeur académique. (Limite : variations importantes selon les domaines et vulnérabilité à la traduction)
   • Autres (QuillBot, Grammarly AI Detector) : offres gratuites ou payantes, centrées sur le scan rapide. (Limite commune : faibles face aux IA avancées ou aux textes édités)

6. Conseils pratiques : aller au-delà du détecteur

   • Utilisez les détecteurs uniquement comme “signal d’alerte” et validez l’authenticité via le processus d’écriture (historique de brouillons, traces de versions Git), les métadonnées, et des entretiens.
   • Définissez clairement la portée d’usage de l’IA (par ex. : « génération d’idées par IA, rédaction du corps du texte par un humain »), et les auteurs font bien de le déclarer de manière transparente.

7. Stratégie de protection des auteurs : empiler des preuves plutôt que des astuces

   • Plutôt que des techniques de “humanisation” pour contourner l’IA (remplacement de synonymes, etc.), il est recommandé de conserver des traces : horodatages clavier, journaux de modifications, variation du style (fin de phrase personnelle, touches d’humour).
   • Pour les lecteurs et évaluateurs, il est conseillé de ne pas considérer le score “93 % IA” comme une preuve absolue, mais de recourir à une validation croisée (plusieurs outils + revue humaine).