Est-ce que DeAIze fonctionne ? Pour la tâche qu’il revendique — vous montrer quelles phrases portent un signal généré par machine — oui, avec des limites que nous pouvons mesurer. Le 2026-10-04, nous avons évalué 1 504 passages issus de nos propres guides et 12 sorties de modèles non éditées. L’échantillon de référence affichait une moyenne de 27 % ; les sorties non éditées affichaient une moyenne de 52 %. Aucun de ces chiffres ne prouve la paternité, et nous signalons aussi beaucoup de prose humaine.
Points clés à retenir
- DeAIze rapporte un score de document et une probabilité d’IA par phrase, ce qui vous permet de voir quelles lignes portent le signal.
- Dans notre propre exécution du 2026-10-04, 487 des 1 504 passages de référence se situaient au niveau ou au-dessus du seuil de signalement de 30 %. Il s’agit d’un nombre de passages, pas d’un taux de faux positifs.
- Les sorties de modèles non éditées affichaient une moyenne de 52 % contre 27 % pour l’échantillon de référence — un écart, pas un verdict.
- La détection est un instrument. Turnitin, GPTZero, Copyleaks et Sapling définissent chacun leur score différemment, et aucun d’eux ne prouve qui a écrit un texte.
- Le test honnête, c’est votre propre brouillon : collez-le, lisez les phrases signalées, décidez ligne par ligne si la formulation est la vôtre.
Pourquoi DeAIze signale-t-il un texte qu’une personne a clairement écrit ?
Parce que la détection est de la reconnaissance de motifs, pas de la médecine légale de la paternité. Notre détecteur est un ensemble qui évalue la prose selon les habitudes statistiques que les textes générés par machine ont tendance à partager : longueur de phrase uniforme, faible variabilité, choix de mots prévisibles, peu de noms concrets. Un texte humain produit sous pression peut sembler identique. Un résumé de subvention rédigé à partir d’un modèle, une note juridique suivant le style de la maison, une section de méthodes qui doit être impersonnelle — tout cela se lit de façon plate, et c’est le plat que le modèle recherche.
Notre propre mesure rend cela visible. Nous avons pris 1 504 passages issus des guides de DeAIze qui n’étaient pas marqués comme générés — sélection par métadonnées uniquement, et nous n’avons pas vérifié indépendamment la paternité de chaque passage. Leurs scores d’IA allaient de 1 % à 100 %, avec une moyenne de 27 % et une médiane de 20 %. À un seuil de signalement de 30 %, 487 de ces 1 504 passages auraient été signalés. Ce sont des passages, pas des documents indépendants, et ce n’est pas un taux de faux positifs. Mais la direction est claire : une part significative de la prose humaine ordinaire tombe dans la bande de signalement.
Si cela décrit votre situation, l’étape suivante utile n’est pas de contester le score. C’est de lire les phrases. Notre guide sur les faux positifs de détection d’IA détaille exactement le triage que nous recommandons.
Que renvoie réellement le détecteur DeAIze ?
Deux choses, à des résolutions différentes.
| Sortie | Ce qu’elle montre | Ce qu’elle ne montre pas |
|---|---|---|
| Score du document | Un chiffre de probabilité d’IA pour l’ensemble du texte | Si une phrase spécifique a été générée |
| Mise en surbrillance des phrases | Chaque phrase classée par probabilité d’IA | La paternité, l’intention, ou si l’IA a été utilisée |
| Suggestions d’humanisation | Formulation révisée pour les lignes que vous choisissez | La preuve que chaque sens a survécu à la réécriture |
La vue par phrase est l’élément qui compte pour l’édition. Un score de document, quelle que soit sa valeur, est un résumé ; il réduit un long texte à un seul chiffre et masque le fait que la plupart des documents sont mixtes. Dans notre échantillon de référence, les scores couvraient toute la plage de 1 à 100 % — le même corpus qui affichait une moyenne de 27 % contenait des passages aux deux extrêmes. Un seul chiffre ne peut pas vous dire quelles lignes corriger. La mise en surbrillance, si.
C’est aussi pourquoi nous ne publions pas de pourcentage de précision en une. Il n’existe pas de chiffre unique qui résiste au contact de différents types de textes, langues et longueurs. Ce que nous pouvons publier, c’est la distribution, la définition de l’échantillon et les limites, ce que fait la section ci-dessus.
Si vous voulez voir la vue au niveau des phrases sur votre propre brouillon plutôt que d’en lire à ce sujet, le détecteur d’IA s’exécute en premier et vous montre les lignes signalées avant que vous ne changiez un mot.
Quelle est l’ampleur de l’écart entre le texte humain et le texte machine dans nos propres données ?
Lors de la même exécution du 2026-10-04, nous avons généré 12 passages à partir d’invites fixes et ne les avons pas modifiés. Leurs scores d’IA allaient de 11 % à 91 %, avec une moyenne de 52 % et une médiane de 49 %. Comparez cela avec l’échantillon de référence : moyenne 27 %, médiane 20 %.
L’écart est réel, et il est plus petit que ce que la plupart des gens attendent. Remarquez le chevauchement. Certaines sorties de modèle non modifiées ont obtenu un score aussi bas que 11 %. Certains passages de référence ont obtenu un score au sommet de l’échelle. Un seuil placé n’importe où dans ce chevauchement classera mal le texte des deux côtés. Douze passages constituent également un petit échantillon — suffisant pour montrer une direction, pas assez pour caractériser chaque modèle ou style d’invite.
Un autre chiffre de la même exécution : nous avons compté la fréquence des indices d’IA à 1 pour 100 mots dans l’échantillon de référence et à 1 pour 100 mots dans la sortie de modèle non modifiée. Les indices de surface dont les gens parlent — tirets cadratins, transitions toutes faites, « de plus » — n’ont pas du tout séparé les deux corpus dans nos données. Si vous avez supprimé des tirets cadratins en espérant changer un score, ce résultat mérite réflexion. Le signal réside dans le rythme et la spécificité, pas dans la ponctuation.
L’humaniseur DeAIze fonctionne-t-il, et que signifie « fonctionner » ici ?
L’humaniseur propose une formulation révisée pour les phrases que vous sélectionnez. Il ne réécrit pas votre argumentation et ne certifie pas le résultat. Considérez chaque suggestion comme une proposition de modification : lisez-la en regard de votre original et vérifiez que les affirmations, les quantités, les citations, les négations et les nuances disent toujours ce que vous vouliez dire. Le score de similarité sémantique est une aide à la relecture, pas une preuve que le sens a été préservé.
Un exemple concret, rédigé pour cet article et qui n’est manifestement pas une mesure :
- Avant : « La mise en œuvre de la nouvelle politique a entraîné une amélioration significative de l’efficacité opérationnelle globale dans plusieurs services. »
- Après : « La politique a réduit notre délai d’approbation de plusieurs jours à quelques heures dans trois services. C’est aux Finances que le changement a été le plus marqué. »
La deuxième version n’est pas meilleure parce qu’un détecteur l’apprécie. Elle est meilleure parce qu’elle nomme un service, un avant et un après, et une conséquence précise. C’est le test à appliquer à chaque suggestion proposée par l’humaniseur : la révision dit-elle quelque chose de plus concret que l’original, ou ne fait-elle que remanier la même abstraction ?
Si la réponse est « remanier », rejetez-la. Vous pouvez essayer le flux de réécriture sur l’éditeur de brouillon avec 200 mots après confirmation par e-mail, sans carte bancaire — de quoi voir si les suggestions conviennent à votre écriture avant de vous engager.
Pourquoi différents détecteurs ne sont-ils pas d’accord sur un même texte ?
Parce qu’il s’agit d’instruments différents avec des définitions différentes. Un score de modèle n’est pas une part de prose qualifiante, et un pourcentage de similarité non plus. Lorsqu’un rapport Turnitin, une lecture GPTZero et un chiffre Copyleaks pointent dans trois directions, ce n’est pas la preuve que l’un d’eux ment. Cela signifie qu’ils ont mesuré des choses différentes sur des échelles différentes.
| Style d’instrument | Forme de sortie typique | Mauvaise interprétation courante |
|---|---|---|
| Score de modèle au niveau du document | Un chiffre de type probabiliste | Traité comme une probabilité que l’IA l’ait écrit |
| Sortie basée sur des segments ou une part | Pourcentage de texte répondant à un critère | Traité comme une probabilité |
| Score de similarité ou de correspondance | Chevauchement avec un corpus de référence | Confondu entièrement avec la détection d’IA |
Aucune de ces sorties ne prouve la paternité. Ce n’est pas une limitation de DeAIze ; c’est une propriété de toute la catégorie. Nous ne fournissons pas de relevé officiel Turnitin ni d’estimateur de score Turnitin, et nous ne garantissons aucun résultat particulier sur l’outil d’un autre fournisseur. Si vous essayez de concilier deux rapports contradictoires, AI Detector Accuracy explique pourquoi ils divergent et ce qu’il faut documenter.
Quand DeAIze n’est pas l’outil adapté à la tâche
Trois cas où vous ne devriez pas vous tourner vers lui en premier.
- Un litige de paternité que vous devez gagner. La sortie de détection est un signal, pas une preuve. Si vous faites face à un comité, un éditeur ou un client, le matériel utile est constitué de vos brouillons, de votre historique de versions, de vos notes et de vos sources. Commencez par Academic Integrity Hearing AI plutôt qu’une capture d’écran de score.
- Texte très court. Une légende, un objet de message, une réponse de deux phrases. Il n’y a pas assez de signal dans une poignée de phrases pour qu’un détecteur dise quoi que ce soit de stable, et DeAIze ne fait pas exception.
- Texte que vous n’avez pas écrit. Réécrire le travail de quelqu’un d’autre pour réduire un signalement n’est pas de l’édition, et ce n’est pas à cela que sert le humaniseur. L’outil suppose que les idées, les données et les conclusions sont les vôtres.
Il existe aussi une limite que nous ne pouvons pas éliminer par l’ingénierie : l’échantillon de référence de notre propre mesure a été tiré de nos propres guides. Ce n’est pas un échantillon aléatoire du web anglophone, et nos passages ne sont pas indépendants les uns des autres. Lisez les chiffres comme une description du comportement de notre instrument sur un corpus connu, et non comme une affirmation générale sur toute écriture partout.
Une vérification de cinq minutes que vous pouvez faire sur votre propre brouillon
- Collez le texte et lisez le score du document une fois. Notez-le, puis ignorez-le.
- Triez les phrases surlignées par probabilité d’IA et lisez à voix haute la tranche supérieure.
- Pour chaque phrase signalée, demandez-vous : nomme-t-elle une personne, un nombre, un lieu ou une décision ? Si non, c’est probablement de l’abstraction, pas de la paternité.
- Réécrivez uniquement les phrases où la réponse est non, avec vos propres mots et vos propres spécificités.
- Relancez la détection pour voir ce qui a bougé. Ne courez pas après le score ; courez après les phrases qui ont cessé de vous ressembler.
Cette boucle est ce pour quoi l’outil est conçu. C’est aussi pourquoi nous publions nos propres chiffres faibles plutôt qu’un chiffre marketing — un détecteur que vous ne pouvez pas auditer est un détecteur que vous ne pouvez pas bien utiliser.
Prêt à voir quelles phrases semblent écrites par une machine ?
Lire sur la mesure ne vous mène que jusqu’à un certain point. Le moyen le plus rapide de comprendre ce que fait DeAIze est de faire passer votre propre brouillon et de regarder le surlignage des phrases. Commencez par le détecteur d’IA, puis modifiez dans l’éditeur de brouillon si les lignes signalées ont besoin d’être reformulées. L’essai de réécriture couvre 200 mots après confirmation par e-mail sans carte de crédit, et les limites de détection sont indiquées dans l’interface actuelle. Si vous voulez savoir ce que vous obtenez avant de dépenser quoi que ce soit, tarifs liste chaque forfait et inscription prend une minute. Gardez l’original. Comparez chaque suggestion. Les idées doivent rester les vôtres.