ChatGPT détecteur
ce qu’on peut vérifier, et ce qu’on ne peut pas
Le mot-clé recouvre deux questions différentes : utiliser ChatGPT pour détecter, et détecter ce que ChatGPT produit. La première n’a pas de réponse, la seconde en a une — mais pas pour le texte.
Demander à ChatGPT si un texte a été écrit par une IA ne prouve rien : le modèle n’a accès à aucun signal de provenance et produit un verdict plausible, qui change d’une conversation à l’autre. OpenAI avait publié son propre détecteur en janvier 2023 avant de le retirer six mois plus tard, faute d’exactitude. Depuis, le secteur a changé de méthode : plutôt que deviner après coup, on signe à la source.
- Le modèle ne voit rien : ni métadonnées, ni signature — son verdict est une production de langage, pas une mesure.
- Le détecteur officiel a été retiré : un quart des textes IA repérés, près d’un texte humain sur dix accusé à tort.
- Les images sont signées depuis mai 2026 : métadonnées C2PA et filigrane invisible, avec un vérificateur public.
- Le texte, non : une reformulation suffit à effacer les marqueurs statistiques envisagés.
- Un score n’est pas une preuve : l’historique de version et les sources vérifiables valent bien davantage.
Collez un texte dans ChatGPT et demandez-lui s’il a été écrit par une intelligence artificielle. Il répondra. Avec assurance, souvent avec des arguments. Recommencez avec le même texte dans une conversation neuve : il y a de bonnes chances que le verdict change.
Demander à ChatGPT si un texte vient d’une IA ne prouve rien
Un modèle de langage ne dispose d’aucun accès à l’origine d’un texte qu’on lui soumet. Il ne voit ni métadonnées, ni signature, ni historique. Il voit une suite de mots, exactement comme il verrait n’importe quelle autre entrée, et il produit la réponse la plus plausible à la question posée.
Quand cette question est « ce texte a-t-il été écrit par une IA ? », la réponse plausible ressemble à un verdict. Elle contient un pourcentage, une justification stylistique, parfois une liste d’indices. Rien de tout cela ne repose sur une observation : c’est une production de langage sur le thème de la détection, pas une détection.
Le test est facile à mener soi-même. Prenez un paragraphe, soumettez-le dans trois conversations distinctes, et comparez. Les verdicts divergent, et surtout ils divergent sur le même texte, ce qu’aucun instrument de mesure ne fait. Un thermomètre qui donne trois températures pour un seul bain n’est pas un thermomètre.
Un second biais s’ajoute au premier, plus discret : la formulation de la question oriente la réponse. Demandez « ce texte semble-t-il généré ? » et vous obtiendrez plus souvent oui que si vous demandez « ce texte semble-t-il humain ? ». Le modèle suit la direction que la question lui indique. Sur un sujet où l’on cherche justement un avis indépendant du sien, c’est disqualifiant.
OpenAI a construit un détecteur, puis l’a retiré
L’entreprise qui édite ChatGPT s’est heurtée au même mur, et son histoire vaut mieux que n’importe quelle démonstration théorique.
Fin janvier 2023, OpenAI met en ligne un classificateur destiné à repérer les textes générés par IA. L’outil est public, gratuit, présenté avec prudence. Ses résultats sont détaillés sans fard : il identifie correctement environ un quart des textes réellement produits par une IA, et signale à tort près d’un texte humain sur dix. Il est explicitement annoncé comme inutilisable en dessous de mille caractères, et inefficace sur du texte généré puis retouché par un humain — c’est-à-dire sur le cas le plus fréquent.
Le 20 juillet de la même année, l’outil est retiré, pour faible exactitude. Moins de six mois d’existence. L’entreprise qui connaît le mieux le fonctionnement interne de ses propres modèles, qui dispose de leurs poids, de leurs jeux d’entraînement et de moyens considérables, a renoncé à détecter leur production après coup. Quand un service tiers annonce aujourd’hui 99 % d’exactitude sur la même tâche, la question à poser est de savoir ce qu’il mesure exactement, et sur quel corpus.
Le secteur a changé de terrain
marquer plutôt que deviner
L’abandon de la détection a posteriori n’a pas laissé un vide. Il a déplacé le problème.
Deviner l’origine d’un contenu après sa production suppose de trouver dans le résultat des régularités propres à la machine. Or les modèles progressent précisément en effaçant ces régularités : chaque génération écrit un peu moins comme une machine que la précédente. Un détecteur poursuit donc une cible qui s’éloigne, et il court le risque permanent d’accuser un humain qui écrit de façon régulière — un rédacteur méthodique, une personne écrivant dans une langue apprise, un auteur au style volontairement neutre.
Inscrire une signature au moment de la génération est un problème d’une autre nature. La question n’est plus « ce contenu a-t-il l’air artificiel ? » mais « ce contenu porte-t-il la marque déposée par l’outil qui l’a produit ? ». Elle admet une réponse binaire et vérifiable, à condition que la marque résiste au voyage : partage, recompression, capture d’écran, republication. Deux briques répondent à ce cahier des charges, et elles ne fonctionnent pas de la même manière.
Les métadonnées signées
Un bloc d’informations attaché au fichier, signé cryptographiquement, qui indique l’outil de génération et l’historique des modifications. Il dit beaucoup, mais de nombreuses plateformes le suppriment à l’envoi et une capture d’écran l’efface intégralement.
Le filigrane invisible
Un signal inscrit dans les pixels eux-mêmes, imperceptible à l’œil, détectable par un vérificateur. Il ne transporte presque aucune information, mais il survit à la recompression, au recadrage et à la capture d’écran.
Ce qui est réellement signé aujourd’hui
Le 19 mai 2026, OpenAI a annoncé un dispositif combinant ces deux approches. L’entreprise s’est mise en conformité avec le standard de provenance C2PA et a rejoint son comité directeur, tout en ajoutant aux images générées le filigrane invisible SynthID développé par Google DeepMind. Le marquage couvre les images produites via ChatGPT, via Codex et via l’interface de programmation, et s’est étendu aux autres médias générés par les outils de la maison, vidéo et audio compris. Un outil public de vérification, publié en preview de recherche sous le nom de Verify, permet de téléverser un fichier et de savoir s’il porte l’un ou l’autre de ces signaux.
La combinaison des deux mécanismes n’est pas de la redondance : l’un dit beaucoup et se perd facilement, l’autre dit peu et résiste. Ensemble, ils couvrent une bonne partie des trajets réels d’un fichier sur internet.
Les obligations de transparence de l’article 50 du règlement européen sur l’intelligence artificielle sont applicables depuis cette date. Un éditeur de chatbot doit avertir l’utilisateur qu’il échange avec une machine, et les images, vidéos et enregistrements audio générés ou modifiés par IA doivent porter un marquage lisible par une machine, qui en permet la détection automatique. Les systèmes déjà commercialisés avant cette échéance disposent d’un sursis jusqu’au 2 décembre 2026 pour s’y conformer. C’est ce calendrier qui explique l’alignement des éditeurs au printemps.
Reste à savoir quoi en faire. Face à une image suspecte, le geste consiste à la passer dans un vérificateur, qui répond sur la présence d’un signal. Deux précautions rendent ce test utile plutôt que trompeur. Téléversez le fichier d’origine, pas une capture d’écran ni une version repartagée : chaque étape de republication abîme les signaux. Et gardez en tête qu’un fichier reçu par messagerie ou récupéré sur un réseau social a souvent perdu ses métadonnées en chemin — le filigrane reste alors le seul signal exploitable, ce qui limite l’information disponible sans annuler le test.
Un vérificateur répond à une question positive : ce fichier porte-t-il un signal connu ? Quand il en trouve un, l’information est solide. Quand il n’en trouve pas, il ne dit rien — ni que le contenu est humain, ni qu’il ne l’est pas. Une photographie prise avec un appareil ordinaire ne porte évidemment aucun filigrane, et une image générée puis fortement retravaillée peut avoir perdu les siens. L’absence de signal n’est pas un certificat d’authenticité humaine.
| Média généré | Marquage en place | Ce qu’on peut vérifier |
|---|---|---|
| Image | Métadonnées C2PA et filigrane invisible | La présence d’un signal, avec un vérificateur public |
| Vidéo | Même dispositif, étendu aux vidéos générées | La présence d’un signal, sous réserve du parcours du fichier |
| Audio | Même dispositif, étendu aux extraits générés | La présence d’un signal sur le fichier d’origine |
| Texte | Aucun marquage opérationnel | Rien de probant : les scores de détecteurs restent des estimations |
Pourquoi le texte échappe encore à tout marquage
C’est le cas qui amène la plupart des lecteurs sur cette question, et le seul pour lequel la réponse reste négative.
Une image contient des millions de pixels dont les variations minimes passent inaperçues : c’est cet excédent d’information qui permet d’y dissimuler un signal robuste. Un texte n’offre rien de tel. Les approches de filigrane textuel reposent sur l’orientation subtile du choix des mots pendant la génération, de façon à créer une régularité statistique détectable. Le principe fonctionne en laboratoire, mais il tient mal dans le monde réel : reformuler quelques phrases, traduire puis retraduire, ou simplement demander une réécriture à un autre modèle suffit à effacer le motif.
S’ajoute une difficulté d’écosystème. Un tel dispositif ne vaudrait que s’il était partagé par tous les modèles disponibles, y compris ceux qu’on peut installer sur sa propre machine et modifier à volonté. Il suffit qu’un modèle échappe au marquage pour qu’un texte non marqué ne prouve plus rien.
Cette asymétrie entre les médias mérite d’être énoncée clairement, parce qu’elle explique tout le reste. Une image, une vidéo et un extrait audio générés par les outils grand public sortent aujourd’hui signés. Un texte, non. Transposer au texte ce qu’on a lu sur la traçabilité des images conduit à l’erreur la plus dangereuse : croire qu’une vérification existe. Aucun détecteur de texte ne mérite qu’on lui accorde une valeur de preuve, et rien n’indique que cela changera à court terme.
Vérifier quand même
la conduite à tenir
Un enseignant, un recruteur ou un éditeur doit pourtant trancher, et l’absence d’outil fiable ne le dispense pas de décider. Trois réflexes rendent la décision défendable.
-
Traiter un score comme un signal, jamais comme une preuve
Au mieux, un score invite à regarder de plus près ; au pire, c’est une accusation habillée en chiffre. Les faux positifs frappent d’ailleurs de façon inégale : les textes écrits dans une langue apprise, les styles simples et réguliers, et les formats normés — lettre de motivation, compte rendu de réunion, rapport de stage — remontent bien plus souvent que la moyenne, précisément parce que leur forme est contrainte.
-
Chercher les traces de l’écriture plutôt que celles de la machine
L’historique de version d’un document montre sa fabrication : les traitements de texte en ligne conservent la progression, les reprises, les hésitations, et un texte collé d’un bloc s’y repère immédiatement. C’est un élément matériel, contrairement à un pourcentage.
-
Faire parler l’auteur de ses choix
Demander pourquoi telle source a été retenue, quelle option a été écartée et pour quelle raison, produit une réponse qu’on n’improvise pas. La vérification des références citées est souvent décisive : les sources inventées restent l’une des signatures les plus fiables d’un texte généré sans relecture.
Reste la question de fond, celle qu’on gagne à poser avant l’incident plutôt qu’après. Dans beaucoup de contextes, l’usage d’une IA n’est ni interdit ni problématique en soi : ce qui compte est la compréhension du contenu et la responsabilité de ce qui est signé. Une règle annoncée à l’avance — l’assistance autorisée jusqu’à tel point, la déclaration attendue, l’évaluation portant sur la capacité à défendre le texte — produit de meilleurs résultats que la poursuite d’un outil de détection qui n’existe pas.
Peut-on demander à ChatGPT si un texte a été écrit par une IA ?
On peut le lui demander, mais la réponse n’a pas de valeur. Le modèle ne voit ni métadonnées ni signature : il produit le texte le plus plausible en réponse à la question, ce qui ressemble à un verdict sans en être un. Soumettez le même paragraphe dans trois conversations distinctes : les réponses divergent, ce qu’aucun instrument de mesure ne fait.
OpenAI propose-t-il un détecteur officiel de texte ?
Non, plus depuis 2023. Un classificateur avait été mis en ligne fin janvier 2023 : il identifiait correctement environ un quart des textes générés et signalait à tort près d’un texte humain sur dix, sans rien pouvoir faire en dessous de mille caractères. Il a été retiré le 20 juillet 2023 pour faible exactitude.
Les images générées par ChatGPT sont-elles signées ?
Oui. Depuis l’annonce du 19 mai 2026, OpenAI ajoute aux images générées des métadonnées de provenance conformes au standard C2PA ainsi que le filigrane invisible SynthID de Google DeepMind, et le dispositif s’étend à la vidéo et à l’audio produits par ses outils. Un vérificateur public en preview de recherche, nommé Verify, permet de tester un fichier.
Si un vérificateur ne trouve aucun signal, le contenu est-il humain ?
Non, et c’est le contresens le plus fréquent. Un vérificateur répond seulement à la question « ce fichier porte-t-il un signal connu ». Une photographie ordinaire n’en porte évidemment aucun, et une image générée puis fortement retravaillée peut avoir perdu les siens. L’absence de signal ne certifie rien.
Pourquoi le texte n’est-il pas marqué comme les images ?
Une image contient des millions de pixels dont les variations minimes passent inaperçues, ce qui laisse la place à un signal robuste. Un texte n’offre pas cette marge : les filigranes textuels reposent sur des régularités statistiques qu’une reformulation, une traduction aller-retour ou une réécriture par un autre modèle suffit à effacer.
Un score de détecteur peut-il servir de preuve ?
Non. C’est au mieux un signal qui invite à regarder de plus près. Les faux positifs frappent inégalement : textes écrits dans une langue apprise, styles simples et réguliers, formats normés remontent plus souvent que la moyenne. Un historique de version, une discussion sur les choix effectués ou la vérification des sources citées ont une valeur bien supérieure.
La vraie bascule de ces trois années tient en une phrase : on a cessé d’essayer de reconnaître une machine à sa manière d’écrire, pour lui demander de signer ce qu’elle produit. Le texte, lui, n’a pas encore trouvé son stylo.