Si vous voulez savoir comment vérifier si un texte est écrit par une IA, commencez par la vérification la moins accusatoire possible. Un score de détecteur est un élément parmi d’autres, pas un verdict. Lancez-le, notez quelles phrases portent le signal, puis interrogez l’auteur sur ses sources et sa méthode avant même de mentionner l’IA. Ce n’est que si les réponses et les métadonnées convergent pour mettre en cause la soumission que vous passez à l’étape suivante.
Que mesure réellement un score de détecteur ?
Les détecteurs ne reconnaissent pas la paternité d’un texte. Ils mesurent à quel point un texte est prévisible. Les modèles de langage produisent des séquences de mots qui se situent près du milieu statistique de leur distribution d’entraînement, c’est pourquoi les outils qui modélisent la probabilité des tokens ont tendance à attribuer un score de type machine à ce genre de texte. L’écriture humaine vagabonde : elle répète une expression favorite, laisse tomber un fragment, surexplique une digression, utilise une virgule là où un tiret serait approprié.
C’est pourquoi le résultat est un pourcentage assorti d’un seuil, et non un oui ou un non. C’est aussi pourquoi deux outils sont régulièrement en désaccord sur le même essai : ils pondèrent différemment les signaux et choisissent des seuils différents. Si vous voulez les détails techniques, notre analyse de comment fonctionne la détection d’IA couvre les signaux sans le battage marketing.
La conséquence pratique pour vous : un score élevé signifie « ce texte se lit comme statistiquement typique ». Cela ne signifie pas « cette personne a triché ». De nombreux écrits authentiques obtiennent un score élevé, et nos propres mesures montrent pourquoi vous ne devez pas traiter un signalement comme une conclusion.
Le 19/09/2026, nous avons évalué deux corpus avec le détecteur DeAIze (ensemble local, niveau lite) à un seuil de signalement de 30 %. Un échantillon de 46 guides DeAIze rédigés à la main présentait un score IA moyen de 27 % et une médiane de 25 %, avec une plage de 0 à 55 %. 17 de ces 46 documents rédigés par des humains ont été signalés. Il s’agit de notre propre instrument appliqué à nos propres écrits, et non d’un verdict tiers — mais cela suffit à montrer qu’un signalement à un seuil bas est un point de départ, pas une conclusion.
La même exécution a évalué 12 passages de modèle non modifiés, générés à partir d’invites fixes et non retouchés par la suite, à une moyenne de 35 % et une médiane de 34 %, avec une plage de 25 à 49 %. Notez ce que cela signifie. La sortie machine non modifiée ne se situait pas à 100 %. Même un texte de modèle propre n’est pas automatiquement condamné par un score seul. Si le plafond pour le texte brut d’IA se situe dans les quarante, alors une soumission obtenant un score dans les cinquante ne vous dit presque rien en soi.
Pourquoi un score élevé ne prouve rien
Trois choses font monter un score sans aucune implication de l’IA.
Écriture formulaïque. Les rapports de laboratoire, les revues de littérature, les réponses d’examen et les lettres de motivation suivent tous des structures enseignées. Une structure prévisible ressemble à un langage prévisible.
Anglais non natif. Les rédacteurs travaillant dans une seconde langue choisissent souvent la formulation la plus sûre et la plus standard disponible, car l’alternative idiomatique semble risquée. Cet aplatissement se lit comme machine-like. Nous avons écrit tout un article sur pourquoi les détecteurs d’IA signalent les rédacteurs non natifs en anglais, et c’est le modèle de faux positif le plus courant que les enseignants nous apportent.
Édition lourde. Passez un brouillon dans un outil de grammaire, un outil de paraphrase ou un résumeur et vous effacez exactement les irrégularités que les détecteurs utilisent comme preuve d’une personne. Ironiquement, un étudiant qui a utilisé un assistant de rédaction pour nettoyer son propre travail peut finir par paraître plus fabriqué par une machine qu’un étudiant qui ne l’a pas fait.
Rien de tout cela ne rend le score inutile. Cela en fait un signal parmi d’autres. L’erreur est de traiter un pourcentage comme une conclusion avant d’avoir fait tout le reste du travail.
Si vous êtes la personne qui est vérifiée plutôt que celle qui vérifie, faites d’abord passer votre propre brouillon dans le détecteur d’IA et voyez quelles phrases portent le signal — puis corrigez ces lignes avant de soumettre, et conservez l’avant et l’après pour pouvoir montrer votre travail. Les analyses gratuites acceptent jusqu’à 800 mots, sous réserve de limites de débit/capacité. Les analyses plus longues nécessitent un compte et des crédits, avec un maximum de 3 000 mots par vérification. Le niveau gratuit vous donne également une allocation unique de réécriture de 200 mots après confirmation par e-mail, sans carte de crédit.
La question sur la source à poser avant de mentionner l’IA
C’est l’étape que la plupart des gens sautent, et c’est celle qui résout la majorité des cas.
Demandez à l’auteur de vous présenter son matériel. Pas « avez-vous utilisé l’IA » — cette question invite à une réponse défensive et n’apprend rien. Demandez plutôt :
- D’où vient cet argument ? Quelle lecture vous y a poussé ?
- Quelle partie a été la plus difficile à écrire, et pourquoi ?
- Pouvez-vous me montrer un brouillon antérieur ?
- Que changeriez-vous si vous aviez une semaine de plus ?
- Quelle source supprimeriez-vous si vous deviez en retirer une, et que perdriez-vous ?
Un rédacteur qui a fait le travail peut répondre maladroitement à ces questions et y répondre quand même. Il se souviendra de l’impasse, du paragraphe qu’il a réécrit quatre fois, de la source qu’il a failli citer puis ne l’a pas fait. Un rédacteur qui a externalisé la réflexion produira des réponses lisses et générales qui pourraient s’appliquer à n’importe quel essai sur le sujet.
Enregistrez ce qu’ils disent. Si vous devez plus tard justifier une décision auprès d’un département ou d’une procédure d’appel étudiant, la transcription de cette conversation vaut plus que n’importe quelle capture d’écran de détecteur. Vous pouvez également les orienter vers notre guide sur l’écriture assistée par IA pour les étudiants afin qu’ils comprennent où se situe la limite dans votre établissement.
Vérifications des métadonnées et de l’historique des versions qui laissent une trace
Les documents portent des preuves que la prose ne porte pas. Aucune n’est concluante non plus, mais elles sont vérifiables et ne dépendent pas de l’opinion d’un modèle.
| Vérification | Ce qu’elle peut montrer | Ce qu’elle ne peut pas montrer |
|---|---|---|
| Propriétés du fichier (auteur, création, modification) | Si l’auteur déclaré correspond au compte qui a produit le fichier, et si la date de création est plausible | Qui a tapé les mots — les fichiers sont copiés entre machines |
| Historique des versions dans Google Docs ou Word | Si le document s’est développé selon un schéma de rédaction normal ou est apparu presque complet | Si un brouillon a été collé depuis ailleurs |
| Événements de collage et ruptures de formatage | Un bloc de texte avec des métriques de police ou un espacement différents du reste | Si ce bloc a été généré par IA ou copié depuis une source |
| Chronologie des modifications | Si l’ensemble du texte a été produit en une seule séance sans révision | Si le rédacteur tape simplement vite |
| Hygiène des citations | Des références qui existent, correspondent aux affirmations et apparaissent dans le texte | Si le rédacteur les a lues |
Deux schémas méritent l’attention. Premièrement, un document créé quelques minutes avant la date limite, sans historique de révision ni brouillons intermédiaires. Deuxièmement, une prose qui change de registre au milieu d’un paragraphe — une section dans la voix habituelle du rédacteur, une autre dans des phrases plates et régulières sans faute de frappe. Ni l’un ni l’autre ne prouve quoi que ce soit. Les deux méritent une question.
Soyez prudent avec les métadonnées comme accusation. Les ordinateurs partagés, les comptes scolaires, les PDF exportés, les transferts téléphone-ordinateur portable et les modèles de groupe brouillent tous le tableau. Utilisez les métadonnées pour décider s’il faut poser une question, pas pour décider ce que vous pensez.
Comment combiner les signaux pour prendre une décision de triage
Cessez d’essayer de rendre un verdict. Classez la soumission dans l’un des trois cas de figure et agissez en conséquence.
Premier cas : aucune action. Le score est faible, l’auteur explique son processus de manière convaincante, les métadonnées sont banales. Vous pouvez toujours ne pas aimer le texte. C’est une note de révision, pas un problème d’intégrité.
Deuxième cas : poser une question. Un signal est présent — une section signalée, une lacune suspecte dans l’historique des versions, des réponses qui restent vagues. Ici, vous posez des questions sur le processus et les sources sans mentionner la détection. De nombreux cas se terminent ici, avec un meilleur brouillon et sans accusation.
Troisième cas : conversation formelle. Deux signaux indépendants ou plus concordent : les phrases signalées se regroupent dans les mêmes passages, l’auteur ne peut pas expliquer son propre argument, et les métadonnées ne montrent aucune rédaction. Même à ce stade, vous ne prouvez pas l’utilisation de l’IA. Vous ouvrez un processus pour lequel votre institution ou publication a déjà des règles.
L’ordre importe. Le score d’abord, car il est peu coûteux et vous indique où chercher. Les questions sur les sources ensuite, car elles sont les plus informatives et les moins dommageables. Les métadonnées en troisième, car elles sont les plus faciles à mal interpréter et les plus difficiles à expliquer à un étudiant.
Que faire lorsque les signaux sont contradictoires
Ils le seront. Un score élevé avec un rédacteur convaincant. Un score propre avec un historique de versions qui n’a aucun sens. Un document à la lecture plate mais qui contient un argument véritablement original que personne d’autre dans la classe n’a avancé.
Lorsqu’ils sont contradictoires, pondérez les signaux selon leur difficulté à être falsifiés. Un score de détecteur est facile à influencer — une passe de reformulation le modifie. Une explication de votre propre raisonnement est difficile à falsifier, car elle exige de connaître la matière. Un historique de versions est difficile à falsifier mais facile à perdre légitimement.
Ainsi, le départage se fait toujours par la conversation. Demandez au rédacteur de défendre une affirmation précise dans ses propres mots, puis demandez-lui d’où elle vient. S’il peut situer l’idée dans une source qu’il a lue et expliquer pourquoi il l’a trouvée convaincante, vous avez votre réponse, peu importe ce que l’outil a dit. S’il ne le peut pas, ce n’est plus le score qui fait le travail — c’est son incapacité à expliquer son propre texte.
Une vérification supplémentaire qui ne coûte rien : comparez la soumission aux travaux antérieurs de ce rédacteur. Un étudiant qui a écrit d’une seule voix tout le semestre et soumet soudain quelque chose dans une autre vous montre une discontinuité. C’est une preuve concernant le brouillon, pas la personne, et il est juste de la soulever comme telle.
Que faire après la conversation
Notez votre décision et le raisonnement qui la sous-tend, en deux ou trois phrases, tant que c’est frais. Notez le score que vous avez vu, les phrases qui l’ont porté, ce que l’auteur a dit de ses sources et ce que les métadonnées ont montré. Au minimum, cela vous protège en cas d’appel — et cela vous force à remarquer quand vous agissez sur une impression plutôt que sur un signal.
Décidez ensuite de ce dont l’auteur a besoin. Trois issues sont courantes. Ils l’ont écrit eux-mêmes et l’outil s’est trompé : dites-le-leur et indiquez-leur ce qu’il faut garder. Ils ont utilisé l’IA comme outil sans réaliser que c’était hors de vos règles : orientez-les vers la politique et vers notre analyse de ce qu’une politique d’intégrité académique autorise réellement. Ils ont soumis un travail qui n’était pas le leur : suivez la procédure de votre établissement et conservez vos notes.
Si la soumission était votre propre brouillon et que le signalement porte sur votre écriture, la solution est différente. Lisez les phrases signalées et demandez-vous si chacune dit quelque chose que vous seul pouviez dire. Si ce n’est pas le cas, réécrivez-la avec un détail précis, un chiffre réel tiré de votre propre travail ou un exemple dont vous avez réellement été témoin. Ce n’est pas tromper un détecteur. C’est la modification dont la phrase avait besoin de toute façon, et notre guide pour nettoyer les schémas générés par machine le détaille ligne par ligne.
Les limites que vous devez énoncer à voix haute
Dites ces choses aux étudiants, aux contributeurs et à vous-même avant d’agir sur un quelconque score.
Le résultat de la détection est une estimation de probabilité. Ce n’est pas une preuve de paternité, et aucun outil que nous connaissons ne publie un chiffre qui vous permettrait de le traiter comme tel. DeAIze ne garantit aucun résultat particulier sur un détecteur tiers, et personne d’autre non plus.
Les métadonnées sont des indices indirects. Elles décrivent des fichiers, pas des personnes.
Les questions sur les sources sont le signal le plus fort dont vous disposez, et elles dépendent entièrement de votre jugement. C’est inconfortable, mais c’est plus honnête que de déléguer la décision à un pourcentage.
Et ce que personne ne dit dans les documents de politique : le coût d’une fausse accusation est bien plus élevé que celui d’une soumission non détectée. Un étudiant faussement accusé de tricherie s’en souvient pendant des années. Un essai faible qui passe inaperçu est un problème de notation que vous pouvez corriger le trimestre suivant. Lorsque vos signaux entrent réellement en conflit et que vous ne pouvez pas les résoudre, laissez le texte tel quel et notez-le sur ses mérites.
Prêt à voir quelles phrases semblent générées par une machine ?
Si vous êtes la personne examinée — un contributeur dont le brouillon a été signalé, ou un rédacteur qui a utilisé un modèle pour démarrer — ne discutez pas avec un score global du document. Obtenez plutôt la vue au niveau des phrases.
Collez votre texte dans le détecteur d’IA et regardez quelles lignes portent le signal. La détection y fonctionne au niveau de la phrase : vous obtenez un score de document et une analyse phrase par phrase, ce qui vous permet de voir si le signal se situe sur trois phrases ou sur l’ensemble du texte. Ensuite, ouvrez l’éditeur de brouillon et corrigez uniquement les lignes qui en ont besoin, en conservant votre propre voix dans le reste.
Si vous souhaitez que la réécriture soit prise en charge pour vous, l’humaniseur exécute une boucle fermée : évaluer le texte, réécrire les phrases signalées, ne conserver une réécriture que lorsque la similarité sémantique confirme que le sens a été préservé, puis réévaluer et rapporter avant et après. Le site rapporte une réduction moyenne du score d’IA de 60 % ou plus après humanisation, avec un meilleur cas de 71 %, sur la base des scores prédits par le produit lui-même — et non d’un verdict officiel d’un détecteur tiers. Sur le paragraphe d’exemple utilisé sur le site, un score d’IA de 92 % devient 4 % d’IA.
Les analyses de détection gratuites acceptent jusqu’à 800 mots, sous réserve de limites de fréquence des requêtes et de capacité. Les analyses plus longues nécessitent un compte et des crédits, avec un maximum de 3 000 mots par vérification. L’offre gratuite donne droit à un quota de réécriture distinct de 200 mots, accordé une seule fois après confirmation de l’adresse e-mail, sans carte de crédit. Si vous avez besoin de plus, la tarification est à l’usage, les crédits n’expirent jamais et il n’y a pas d’abonnement. Les téléchargements acceptent les formats .txt, .docx et .pdf, et la réécriture d’un document Word préserve les polices, les styles et les tableaux.
Quelle que soit la voie que vous choisissez, la règle énoncée au début de cet article s’applique toujours. Les idées, les données et les conclusions doivent être les vôtres. Les outils peuvent vous aider à les exprimer avec votre propre voix — ils ne peuvent pas fournir la réflexion.