4 novembre 2026 · 7 min de lecture

L'avenir de la détection IA : filigranes, C2PA et limites des outils

Les détecteurs d'IA donnent des probabilités, pas des preuves. Filigranes et provenance C2PA, ce que l'UE exige des générateurs et que faire dès aujourd'hui.

La détection de l'IA semble passer de la devinette à l'étiquetage. Les détecteurs qui examinent du texte ou des pixels donnent une estimation, et ils peuvent se tromper dans les deux sens. Davantage d'efforts se portent donc sur la provenance, qui enregistre l'origine d'un fichier, et sur les filigranes, intégrés au contenu lors de sa génération. Les règles de l'UE poussent désormais elles aussi les fournisseurs d'IA vers un marquage lisible par machine. Rien de tout cela ne réglera tous les cas, car beaucoup de fichiers ne portent aucun signal. Pour l'instant, le plus raisonnable est de combiner plusieurs vérifications et de traiter chaque résultat comme un indice, pas comme un verdict.

Pourquoi les détecteurs d'IA ne peuvent-ils pas donner de réponse définitive ?

Un détecteur recherche des régularités statistiques qui apparaissent souvent dans les productions d'IA. Rien dans une phrase ou un pixel ne prouve en soi comment il a été créé. L'écriture humaine peut sembler formatée, un texte d'IA peut être retouché, et la compression d'une image peut effacer certaines régularités. C'est pourquoi un résultat est une probabilité, et un score élevé n'établit pas un fait.

Un article de 2023 montre ce qui est en jeu : « GPT detectors are biased against non-native English writers », de Weixin Liang et ses collègues, a constaté que plusieurs détecteurs très utilisés classaient systématiquement à tort comme générés par IA des textes écrits en anglais par des non-natifs, et que de simples instructions pouvaient aussi aider des textes à leur échapper. Les outils ont évolué depuis et les résultats varient, mais la mise en garde des auteurs sur l'usage des détecteurs dans des contextes d'évaluation ou d'enseignement mérite toujours attention.

Quelle différence entre détection, filigranes et provenance ?

Comment fonctionnent les Content Credentials C2PA, et que ne peuvent-ils pas prouver ?

Les Content Credentials sont le moyen du standard C2PA d'enregistrer la provenance. La C2PA les décrit comme une façon cryptographiquement sécurisée de saisir et d'exprimer l'origine d'un contenu. Ils peuvent montrer qu'une image a été générée par un certain outil, ou qu'une photo n'a pas été modifiée depuis sa capture. Cela ressemble davantage à une étiquette signée qu'à un détecteur.

• Ils indiquent l'origine, pas la vérité. Un véritable appareil photo peut photographier une scène trompeuse, et un fichier signé peut quand même induire en erreur par son contexte.
• Ils peuvent disparaître. La FAQ de la C2PA reconnaît elle-même que les métadonnées peuvent être retirées, par inadvertance ou intentionnellement. Une capture d'écran ou un nouvel enregistrement suffit souvent.
• Ils ont besoin d'être pris en charge. Leur valeur augmente si les appareils photo, les éditeurs, les générateurs et les plateformes les conservent et les affichent tous, et cette prise en charge est inégale.

La FAQ de la C2PA décrit aussi des « soft bindings », comme des filigranes invisibles ou des empreintes, qui peuvent aider à retrouver un credential après sa séparation d'un fichier. C'est pourquoi on parle souvent des métadonnées et des filigranes ensemble plutôt que comme de solutions rivales.

Les filigranes vont-ils régler le problème ?

Probablement pas à eux seuls. SynthID, de Google, est un exemple connu : Google indique qu'il intègre des filigranes invisibles dans les images, vidéos et audios générés par IA, et qu'il ajuste les probabilités des mots pour marquer le texte. Google propose aussi des moyens de vérifier la présence de ce filigrane. Mais une telle vérification ne peut trouver que son propre signal. Un résultat négatif ne signifie pas qu'un fichier est d'origine humaine : il peut provenir d'un générateur qui n'utilise pas ce filigrane. Les modèles ouverts que chacun fait tourner soi-même peuvent très bien n'en ajouter aucun.

Les filigranes pourraient donc rendre une part croissante des contenus plus faciles à identifier, surtout ceux des grands fournisseurs, tout en laissant un écart qui ne se comblera pas forcément. Leur résistance à une suppression déterminée reste une question ouverte, et les affirmations des éditeurs méritent une lecture attentive.

Qu'exige l'UE pour le marquage des contenus IA ?

L'article 50, paragraphe 2, du règlement européen sur l'IA (AI Act) impose aux fournisseurs de systèmes d'IA générative de marquer leurs productions dans un format lisible par machine, afin qu'elles puissent être détectées comme générées ou manipulées artificiellement. La Commission indique que les obligations de transparence s'appliquent à partir du 2 août 2026. À la suite des modifications de l'AI Omnibus, son AI Act Service Desk fait état d'une période de transition pour les systèmes mis sur le marché avant cette date : leurs fournisseurs ont jusqu'au 2 décembre 2026 pour se conformer à l'article 50, paragraphe 2.

• La Commission a publié le 10 juin 2026 un code de bonnes pratiques final sur le marquage et l'étiquetage des contenus générés par IA. Il est volontaire, et la Commission fait état d'environ 190 signataires à la fin juillet.
• Cette obligation pèse sur les fournisseurs des systèmes d'IA. Des règles de divulgation distinctes s'appliquent aux personnes qui publient des deepfakes à titre professionnel.
• L'efficacité pratique de tout cela reste à voir, notamment la réaction des fournisseurs hors UE, la survie des marquages sur les plateformes et l'évolution des contrôles.
• Ceci est un résumé, pas un conseil juridique. Consultez les pages de la Commission pour connaître la situation actuelle.

Où pourrait aller la détection de l'IA ?

Ce sont des pistes à suivre, pas des prédictions :

• Un marquage plus souvent en couches, combinant métadonnées, filigranes et empreintes pour qu'un signal perdu ne mette pas fin à la piste.
• La provenance aussi pour les vraies photos, afin que des prises de vue authentiques puissent porter une preuve d'origine, au lieu que seuls les contenus IA soient étiquetés.
• Davantage d'étiquettes sur les plateformes, ce qui suppose que les signaux survivent à la mise en ligne et que les plateformes choisissent de les afficher.
• Des vérifications qui combinent les signaux et rapportent ce qui a été trouvé, plutôt qu'un score unique « IA ou humain ».
• Un déplacement de la charge de la preuve : « montrez-moi votre source » pourrait compter davantage que « que dit le détecteur ? »

Que faire dès aujourd'hui ?

Les deux vérificateurs de Skrubly ont volontairement des rôles différents. Le Détecteur de contenu IA fait une estimation à partir des régularités d'un texte : il peut donc se tromper. Le Vérificateur d'images IA ne juge pas les pixels : il signale les balises C2PA et de générateur intégrées au fichier, et ne peut donc se prononcer que si elles sont présentes. Aucun des deux n'est une réponse définitive, comme tout autre outil.

Réponses rapides

• Les détecteurs d'IA vont-ils devenir obsolètes ? Nous ne le savons pas. Ils peuvent rester utiles comme un signal parmi d'autres, en particulier pour les contenus sans aucun marquage.
• Une image avec des Content Credentials est-elle digne de confiance ? Ils vous renseignent sur son origine et ses modifications enregistrées. Il vous reste à juger le contexte et la source.
• Un filigrane peut-il prouver qu'un contenu est d'origine humaine ? Non. L'absence de filigrane signifie seulement que la vérification n'a pas trouvé ce filigrane.