Comment savoir si un texte a été écrit par une IA : les signes, les détecteurs et 24 accusations réelles

En bref : déterminer de façon fiable si un texte a été écrit par une IA est aujourd'hui impossible, ni à l'œil ni avec un détecteur. Mais nous avons mieux que de la théorie. En cartographiant le marché des cours sur l'IA, nous avons extrait les avis d'élèves d'Udemy et de Coursera et nous sommes tombés sur un filon rare : de vraies personnes qui accusent publiquement l'auteur d'un cours payant de vendre du matériel fabriqué par une machine. Aucune d'elles n'a lancé de détecteur. Nous avons regardé ce qui les a réellement trahis — et ce n'était rien de ce que mesurent les détecteurs.

Pourquoi le problème est insoluble par nature

Un modèle de langue a été entraîné sur des textes humains et il est optimisé pour produire un texte statistiquement « normal ». Un bon texte de machine est, par définition, indiscernable d'une écriture humaine moyenne. La tâche « distinguer l'IA de l'humain » se heurte à ceci : la vraie frontière ne passe pas entre la machine et la personne, mais entre un style qui a une signature et un style moyenné. Or les gens écrivent moyen eux aussi, surtout fatigués, prudents, ou quand ils travaillent dans une seconde langue.

Ajoutez à cela que presque personne ne publie la sortie brute du modèle : le texte est retravaillé, complété, mêlé au vôtre. Les cas purs « humain » et « IA » n'existent quasiment pas ; il y a un continuum. Le cours que nous disséquons plus bas est exactement cet hybride : le script a l'air écrit par une machine, mais les diapositives, c'est un humain qui les a montées, qui a posé sa voix et qui a vendu le tout. Ici, « est-ce qu'une IA a écrit ça ? » n'a même pas de réponse unique. Et c'est le cas normal, pas le cas exotique.

Nos données : 24 accusations d'écriture machine, zéro détecteur

Nous avons extrait les avis des plus gros cours sur ChatGPT et l'IA générative — notre propre étude de marché, relevé du 17.07.2026. Le sous-produit s'est révélé plus précieux que le résultat principal. Dans les avis négatifs revient une accusation récurrente : c'est une machine qui a fait ça. Et elle est portée par des gens qui ont payé le cours et l'ont suivi jusqu'au bout.

La version la plus directe vise Prompt Engineering with ChatGPT Masterclass de RPATech : 118 803 élèves, 57 836 avis, note de 4,48. Ce n'est pas un produit marginal, c'est l'un des plus gros cours de la niche :

"Written by AI, delivered by AI. The slides are way too crowded to be useful and it really doesn't help to have the bot read them out word-for-word"
— Bradley M., 16.04.2026, 1★

Et sur le même cours, un verdict qu'on ne peut guère faire plus bref :

"AI voice, not recommended. didn't learned anything"
— Ashvin D., 22.06.2026, 1★

Regardez ce qui manque dans ces avis. Aucun pourcentage. Aucune mention de GPTZero ni de ZeroGPT. Rien sur la perplexité, le rythme des phrases ou la tournure « non pas X, mais Y ». Personne n'a lancé de détecteur : deux choses ont suffi, la diapositive était surchargée et les mots prononcés correspondaient mot pour mot à l'écrit. Ce ne sont pas des indices de style. Ce sont des indices de procédé : voilà à quoi ressemble un texte que personne n'a réécrit pour l'oreille, parce qu'entre la génération et l'enregistrement il n'y avait personne.

Ce qui trahit vraiment une machine : non pas le style, mais le travail absent

Nous avons trié tous les avis négatifs par groupes, et un motif est ressorti. La plainte la plus fréquente à propos des cours vidéo ne parle pas d'IA du tout : elle parle de lecture de la diapositive.

"why read straight from the slide? I can do that. This was not a helpful course at all"
— Janie I., 02.07.2026, 1★ (cours de Justin Barnett)

"50% of this course is reading script like a robot from the slides. …they are just reading text from the slides which you can also you from any good website"
— Shashank T., 13.04.2026, 1★ (The Complete AI Guide)

"They are just reading the prompter sometimes without even knowing the point. Hating myself after purchasing it."
— Sachin S., 13.07.2026, 1★ (The Complete AI Guide)

Regardez la formule de Sachin : « sometimes without even knowing the point ». C'est la définition la plus juste du texte de machine que j'aie lue, et elle n'a rien à voir avec la statistique. Le caractère machinal, c'est quand personne qui comprenait le texte ne s'est tenu entre lui et le lecteur. Un modèle sait simuler la compréhension à l'intérieur de chaque phrase. Ce qu'il ne sait pas simuler, c'est la décision d'en jeter la moitié — parce que cette décision suppose de savoir pourquoi on écrit.

D'où le deuxième groupe : le remplissage et la répétition.

"I finished week 2. And all the lessons could be in 1 lesson. I jumped to week 3, 4, 5 and 6, and I see some concept reapeted. Very bad time spending for me."
— Shai Mizrachi, 22.07.2023, 1★ (Vanderbilt)

"The course is far too drawn out… padding the course with filler and making it longer than it needs to be."
— Victoria X., 13.02.2026, 2★ (The Complete AI Guide)

"The majority of the class he just rambles around unimportant subject… There's really no 'meat' in this course. A major waste of time and money!"
— Kevin K., 20.02.2026, 1★ (ChatGPT for Work)

Et le troisième : du vide vendu comme du contenu.

"The content of this course is incredibly simple to the point of uselessness, it is essentially stating that generative AI exists and listing a bunch of example models."
— Nicholas Munford, 1★ (Generative AI: Introduction and Applications)

"Didnt meet expectations, only theory is discussed which we already know."
— Aditya Nagavolu, 19.11.2023, 1★ (Generative AI for Everyone)

Faites la somme. Le lecteur rend le verdict « machine » non pas au rythme des phrases, mais sur trois choses : le texte n'a jamais été coupé, le texte ne tranche rien, l'auteur n'est pas là. Ces trois traits ne sont pas des propriétés d'un générateur, mais celles d'une relecture qui n'a pas eu lieu. Un humain sous délai et sans envie produit exactement le même objet. C'est précisément pour cela que l'accusation touche juste et rate sa cible en même temps.

Une réserve honnête contre nous-mêmes : ce n'est pas une expérience. Nous ignorons si un modèle a réellement écrit ce cours — RPATech ne s'est jamais exprimé, et l'avis de Bradley M. reste l'opinion d'un spectateur. Notre affirmation est plus modeste : nous savons sur quoi de vraies personnes qui paient fondent leur verdict. Ce sont des données sur le détecteur appelé « être humain », pas sur le fait de la génération.

Ce que l'on prend pour des traces d'IA — et pourquoi c'est une erreur

Regardez maintenant la liste canonique des « signes » et voyez comme elle échoue à décrire une machine. Voici ce qu'on présente d'ordinaire comme preuve :

• Une fluidité suspecte. Toutes les phrases à peu près de même longueur et de même complexité, le rythme ne bouge jamais.
• Tout par trois. Des listes de trois points exactement, des paragraphes symétriques, des sections de même taille.
• La tournure « non pas X, mais Y ». « Ce n'est pas seulement un outil, c'est une façon de penser » — cinq fois par page.
• Zéro concret. Pas de noms, pas de dates, pas de chiffres, pas de cas vécus. Vrai pour n'importe quoi et donc utile à rien.
• Le vocabulaire marqueur. « Paysage », « libérer le potentiel », « à l'ère du numérique », « il est important de noter ».

Aucun de ces points ne sépare la machine de l'humain. Tous séparent l'écriture formatée de l'écriture vivante — et les humains écrivent aussi au gabarit : fatigués, prudents, révisant sur un polycopié, ou travaillant dans une seconde langue. Avec cette liste, on « confond » sans peine quelqu'un de soigneux. Et inversement : la sortie d'un modèle bien sollicité n'en montre aucun. Demandez du concret, un exemple réel et une position, et le caractère machinal s'évapore (vous verrez comment dans la formule d'un prompt solide).

Vérifiez-le ici même. Le prompt ci-dessous fait écrire au modèle le même paragraphe deux fois — une version « à la machine », une version vivante — puis lui fait juger sa propre sortie. Les deux versions sortent de la machine : n'importe quel verdict de détecteur « c'est de l'IA / ce n'est pas de l'IA » sera donc faux une fois sur deux, par construction :

Écrivez deux fois le même paragraphe de 120 mots sur les raisons de l'échec de l'onboarding à distance des nouveaux arrivants.

Version A : à la manière d'une personne fatiguée qui cherche seulement à remplir la page — sans noms, sans chiffres, sans cas concrets, toutes les phrases à peu près de même longueur.

Version B : avec une entreprise inventée mais précise, un échec précis de la première semaine, un chiffre, et des phrases de longueurs très inégales.

Répondez ensuite en trois points : quelle version un détecteur d'IA fondé sur la perplexité signalerait comme écrite par une machine, pourquoi, et si ce verdict serait juste sachant que vous avez écrit les deux.

Comment fonctionne un détecteur — et pourquoi il ment

Un détecteur d'IA ne « reconnaît » pas un texte. Il mesure des propriétés statistiques : à quel point chaque mot suivant est prévisible (la perplexité) et à quel point la complexité des phrases est inégalement répartie (burstiness). La logique : un modèle choisit par construction la suite probable, donc son texte est en moyenne plus prévisible et plus régulier. La logique est juste. Le problème, c'est ce qu'on en déduit.

• Faux positifs sur des humains. Qui écrit simplement et de façon prévisible ressemble statistiquement à un modèle. Un vocabulaire plus étroit donne une perplexité basse — et un vocabulaire étroit, c'est celui d'un collégien, d'un juriste prudent et de quiconque écrit dans une langue apprise plutôt qu'absorbée.
• Faux négatifs. Demandez au modèle plus de variété, ou retouchez légèrement le texte à la main, et le détecteur se tait. Il attrape la prévisibilité, pas la provenance.
• Aucun étalonnage. Le pourcentage a l'air scientifique mais reste invérifiable : les détecteurs ne publient aucune méthode transparente, et la justesse chute sur des textes éloignés de leurs données d'entraînement. « Une probabilité de 87 % » et « notre appareil a sorti le nombre 87 » sont deux affirmations différentes : on vous vend la première et on vous livre la seconde.
• Sur les textes courts, c'est de la devinette. Un seul paragraphe ne porte pas assez de statistique.
• Une course perdue d'avance. Chaque amélioration d'un modèle rapproche sa sortie de l'écriture humaine moyenne. Le détecteur ne rattrape pas une cible : la cible s'éloigne.

La conclusion est brutale mais nécessaire : le pourcentage d'un détecteur ne peut pas servir de fondement à une accusation — ni à l'université, ni dans une rédaction, ni au recrutement. C'est un outil dont le taux d'erreur est inconnu, réparti inégalement, et qui frappe le plus fort ceux qui sont déjà en position de faiblesse.

Sur l'écriture en seconde langue : ce que nous pouvons prouver et ce que nous ne pouvons pas

L'idée que « les détecteurs pénalisent ceux qui écrivent dans une seconde langue » paraît juste, et le mécanisme de la perplexité la prédit directement. Mais nous n'avons aucune mesure des détecteurs eux-mêmes, et nous n'allons pas l'inventer.

Ce que nous avons, c'est un fait voisin et solide. Notre étude de marché s'appuie sur un essai contrôlé randomisé de Bälter, Kann, Mutimukwe et Malmström (Applied Linguistics Review 15(6) : 2373–2396, 2024), n = 2 263 étudiants suédois, un même cours de programmation en ligne dispensé en deux langues :

• Abandon en suédois : 57 %. En anglais : 71 % (φ = 0,2 ; p < 0,00001).
• Note moyenne de ceux qui sont restés : 16,9 contre 14,3 — un écart négligeable (δ = 0,085).

Lisez-le bien : l'anglais n'a pas abîmé la compréhension, il a fait partir les gens. Et, ce qui compte le plus ici, la maîtrise auto-évaluée ne protégeait pas : les étudiants qui jugeaient leur anglais bon abandonnaient tout autant.

Cela ne dit rien des détecteurs directement. Voici ce que cela dit : le coût du travail dans une langue qui n'est pas la vôtre est réel, mesurable et invisible pour celui qui le paie. Un détecteur qui pénalise une perplexité basse est une couche de plus du même impôt, prélevée sur ceux qui l'acquittent déjà. C'est un argument, pas une preuve, et je ne le fais pas passer pour la seconde.

L'indice qui fonctionne : vérifier les faits

Le plus solide que nous ayons trouvé, c'est un avis où quelqu'un n'a pas deviné : il a attrapé.

"Stable diffusion, Dalle and Midjourney are not GAN architecture powered. They're diffusion models."
— Jose C., 12.05.2026, 1★ (cours de Justin Barnett)

L'erreur ne se trouvait pas seulement dans le cours, mais aussi dans le quiz — la mauvaise réponse comptait donc comme la bonne. Voilà un indice. Non pas « 87 % de probabilité », mais une affirmation fausse et précise que vous pouvez poser sur la table, et que l'auteur ne sait pas expliquer parce qu'elle ne vient pas de lui.

Aucun détecteur n'aurait rien trouvé de tout cela : la prose du cours est irréprochable. C'est une personne qui connaissait le sujet qui l'a trouvée. La règle est simple : si un texte contient des faits, vérifiez les faits, pas le style. Un lien qui ne mène nulle part, une architecture confondue, un chiffre sans source : voilà des indices durs, et c'est aussi l'empreinte d'une hallucination de l'IA.

Le prompt de cette vérification se lance ici même :

Vérifiez ces quatre affirmations et marquez chacune VRAIE, FAUSSE ou INVÉRIFIABLE SANS SOURCES, avec une phrase de justification pour chacune :

1. Midjourney, DALL-E et Stable Diffusion reposent sur l'architecture GAN.
2. La perplexité, en modélisation du langage, mesure à quel point un texte est prévisible pour un modèle.
3. Un texte noté « 100 % IA » par un détecteur prouve que l'auteur a utilisé une IA.
4. Le filigrane permet de détecter la sortie de n'importe quel modèle.

Dites ensuite lesquelles de ces quatre erreurs vous vous attendriez à trouver dans un cours en ligne bâclé, et pourquoi celles-là précisément.

Et les filigranes ?

Il est techniquement possible d'incorporer à la génération une marque statistique imperceptible et de la vérifier ensuite : le modèle infléchit légèrement son choix de mots selon une règle secrète, et cette inflexion se reconnaît plus tard. Google DeepMind pousse une approche de ce type sous le nom SynthID. Les limites de la méthode sont structurelles, ce ne sont pas des détails d'implémentation :

• La marque n'existe que là où on l'a mise. Un modèle sans filigrane — y compris n'importe lequel exécuté en local — ne joue tout simplement pas.
• La marque ne survit pas à tout. La reformulation, un aller-retour de traduction ou une relecture manuelle serrée diluent l'inflexion statistique.
• Personne n'y est obligé. Il n'existe aucune norme sectorielle contraignante, et une norme volontaire identifie les honnêtes.
• L'absence de marque ne signifie rien. Même un filigrane parfait répond « oui, c'est notre modèle », jamais « non, c'est un humain ».

C'est une technologie utile pour les plateformes, pas un détecteur universel pour vous.

Que faire à la place d'un détecteur

Si vous enseignez, si vous êtes rédacteur en chef ou si vous dirigez une équipe, « est-ce qu'une IA a écrit ça ? » est presque toujours la mauvaise question. Les vraies sont : « l'auteur comprend-il ce qu'il a rendu ? » et « le texte fait-il son travail ? ». Les deux se vérifient.

• Une conversation. Deux questions de relance sur le fond répondent à tout ce qu'aucun détecteur ne répondra.
• Le procédé. Brouillons, historique des versions, rendus intermédiaires. On voit le chemin, pas seulement le résultat.
• Un exercice que l'IA ne boucle pas seule. Contexte local, expérience personnelle, données du cours, ancrage dans un cas précis.
• La vérification des faits. Voyez le cas de Jose C. plus haut : une affirmation vérifiable vaut mieux que dix points de pourcentage de confiance.
• Des règles annoncées. Dites à l'avance ce qui est permis : « l'IA est autorisée pour le brouillon et la vérification, interdite pour les conclusions finales ». Une règle transparente enlève la moitié du problème.

L'objection est évidente : une conversation ne passe pas à l'échelle, alors qu'un détecteur, c'est un clic. Objection légitime. Mais regardez ce qui arrive quand on bâtit tout le système autour de ce qui passe à l'échelle :

"you send your assignments and immediatly you got your results: 100% correct. I am still speechless. I put all that effort in and have no idea whether I my answer was correct or not."
— Shinysheep, 21.09.2023, 1★ (Prompt Engineering, Vanderbilt — 698 444 inscrits)

"quizzes give unhelpful feedback for incorrect answers and just say 'watch the video again'"
— Cory Covino, 04.05.2024, 2★ (IBM)

"Videos are too short and superficial so you end up memorizing sentence by sentence to pass quizzes. Not a learning experience."
— Laurie J Phillips, 12.04.2024, 3★ (IBM)

C'est la même maladie que le détecteur, vue de l'autre côté : une correction automatique qui mesure ce qu'il ne faut pas, parce que mesurer ce qu'il faut coûte cher. Le « 100 % correct » automatique et le « 87 % IA » sont cousins. Tous deux vous tendent un nombre à la place d'un jugement.

Et ce n'est pas de la paresse de plateforme, c'est une limite structurelle. Pour vérifier un prompt, il faut un modèle à l'intérieur de la leçon. Coursera n'en a pas : la Prompt Engineering Specialization de Vanderbilt exige que l'élève achète à part un abonnement payant à ChatGPT et fasse les exercices ailleurs. La plateforme ne peut physiquement pas voir ce qui en est sorti, alors elle appose un « validé » automatique. C'est exactement pour cela que, dans notre cours sur l'IA, le modèle vit à l'intérieur de la leçon — et pour la même raison, les blocs de prompts de cet article ont un bouton pour les lancer au lieu de vous demander de les recopier ailleurs.

Si c'est vous que l'on accuse

La situation est réelle et désagréable : le détecteur a sorti un pourcentage, et le texte est de vous. Ce qui aide :

• L'historique des versions. Google Docs, Word, n'importe quel éditeur avec sauvegarde automatique. C'est la meilleure preuve qui soit : le processus d'écriture est plus difficile à falsifier que le résultat. Activez la sauvegarde automatique avant d'en avoir besoin.
• Les brouillons et les notes. Les conserver est fastidieux ; ce sont pourtant eux qui vous sauvent.
• La disposition à expliquer. Si vous comprenez votre propre texte, une conversation clôt l'affaire en deux minutes.
• Le démontage tranquille de l'outil. Demandez qu'on vous montre non pas un pourcentage, mais le passage précis qui l'a déclenché et la méthode derrière le nombre. Un détecteur ne donne ni l'un ni l'autre — et cette absence est déjà une réponse.
• Le changement de question. « Interrogez-moi sur le fond » est la seule phrase qui fait passer la conversation de la devinette à la vérification. Il est gênant, pour qui accuse, de la refuser.

Le prompt qui vous prépare à cette conversation n'est pas « déjouez le détecteur », mais « vérifiez si vous tenez vraiment votre propre texte » :

Voici le paragraphe d'un étudiant :

« Les espaces verts urbains améliorent les indicateurs de santé mentale. Des études ont montré que l'accès aux parcs réduit le stress et améliore le bien-être général. À l'ère du numérique, il est important de noter que les urbanistes doivent considérer de façon holistique le paysage du développement urbain afin de libérer le potentiel des infrastructures vertes. »

Ne jugez pas si une IA l'a écrit. Rédigez plutôt cinq questions que je pourrais poser à l'auteur en deux minutes de conversation et qui révéleraient s'il comprend ce qu'il a rendu. Pour chaque question, indiquez ce que contiendrait la réponse de quelqu'un qui sait et à quoi ressemblerait la réponse de quelqu'un qui bluffe.

Écrire avec l'IA sans sonner comme une machine

Et la conclusion la plus pratique. Si vous utilisez l'IA honnêtement — comme un brouillon —, le caractère machinal ne s'enlève pas par une astuce, mais par la matière. Voici la citation à retenir si vous cherchez le truc magique :

"I've studied best practices to avoid it generating content that sounds like AI, but I'm not having any success. … It is reported as 100% written by AI according to zerogpt."
— forum d'OpenAI, fil « Prompt to insert content without sounding like AI »

"the email writing tools just seems to strip out my personal voice making me sound like I'm writing unsolicited marketing spam."
— commentaire sur Hacker News

Réserve : ce sont trois sources issues de forums peuplés d'utilisateurs avancés, pas d'un public de masse. L'échantillon est petit, et ce qui en sort est une hypothèse, pas une mesure. Mais l'hypothèse s'accorde avec le reste : la personne de la première citation a étudié toutes les « bonnes pratiques contre le style IA » et a échoué. Parce qu'elle combattait le style. Le style est le symptôme. La maladie, c'est le vide.

Voici un brouillon. Si vous avez le vôtre, mettez-le à la place.

« L'IA transforme la façon dont les équipes travaillent. Il est important de noter que les organisations doivent libérer le potentiel de ces outils. À l'ère du numérique, les entreprises qui ne s'adaptent pas risquent de se laisser distancer par leurs concurrents dans un paysage en perpétuelle évolution. »

Tâche : rendez le texte plus concret sans l'allonger.
Règles :
- supprimez toute phrase qui resterait vraie si l'on remplaçait « IA » par n'importe quelle autre technologie ;
- chaque affirmation survivante a besoin d'un exemple ou d'un chiffre, sinon elle saute ;
- alternez phrases longues et phrases courtes.
Terminez par une liste à part intitulée « Nécessite l'expérience de l'auteur » : les endroits que seul un humain peut remplir.

Cette dernière règle est la clé. Un texte cesse d'être machinal exactement quand il contient ce que le modèle n'a pas : votre cas précis, votre chiffre, votre position. C'est pour cela que cet article porte des noms, des dates et des étoiles — non pour faire sérieux, mais parce que cela ne se génère pas.

L'essentiel

Les détecteurs d'IA ne sont pas un capteur de vérité : c'est une conjecture probabiliste au taux d'erreur inconnu, qui frappe le plus fort ceux qui écrivent simplement et dans une seconde langue. Les « signes du style machine » séparent l'écriture formatée de l'écriture vivante, pas la machine de l'humain. Et ceux qui attrapent vraiment du texte de machine — Bradley M. et Jose C. dans nos données — ne l'attrapent pas au style : ils l'attrapent à un texte que personne n'a coupé, à une erreur factuelle, à l'absence d'auteur. C'est donc cela qu'il faut vérifier. Le seul moyen fiable de savoir si un humain se tient derrière un texte, c'est de lui parler du fond.

Pour aller plus loin : l'IA à l'école et la triche — ce qu'un enseignant peut faire concrètement ; les hallucinations de l'IA — d'où viennent les liens inexistants qui servent de véritable indice ; la formule d'un prompt solide — retirer le caractère machinal à l'entrée plutôt qu'à la sortie ; l'IA au travail — sur les brouillons et la relecture.