Notre approche des règles de provenance des textes de l’UE est simple : les étiquettes de provenance indiquent d’où vient le texte, pas qui l’a écrit, et elles ne changent pas votre façon de rédiger. Si vous publiez dans l’UE, consultez la source primaire sur openai.com/index/eu-text-provenance, conservez vos brouillons et corrigez ce que vous pouvez réellement contrôler dans votre écriture. L’étiquette est une métadonnée. Votre manuscrit reste le vôtre.
Qu’est-ce qui a réellement changé cette semaine ?
Une couche de provenance s’attache désormais aux textes produits par certains systèmes d’IA, et les premiers concernés sont ceux qui diffusent du contenu sur les marchés de l’UE : équipes marketing, agences avec des clients européens, chercheurs soumettant à des revues hébergées dans l’UE, et toute personne dont le CMS passe par une API de modèle. Le changement porte sur la traçabilité de l’origine, pas sur l’évaluation de votre prose. Rien là-dedans ne mesure si un paragraphe semble généré par une machine.
Cette distinction est importante, car la plupart des fils d’e-mails paniqués que j’ai vus confondent deux choses différentes :
| Signal | Ce qu’il indique | Ce qu’il ne prouve pas |
|---|---|---|
| Métadonnées de provenance | Quel système a généré ou traité un passage | Qui a écrit les idées, ou si un humain l’a édité |
| Score de détecteur d’IA | Signal statistique dans la formulation | La paternité, l’intention ou une faute |
| Pourcentage de similarité | Chevauchement avec un corpus de référence | Si le chevauchement est cité, référencé ou accidentel |
Un score de modèle, une part de prose éligible et un pourcentage de similarité ne sont pas interchangeables. Aucun des trois n’est un verdict sur la paternité. Si un client, un éditeur ou un comité traite l’un d’eux comme une preuve, c’est un problème de processus, pas un problème d’écriture.
Qui est touché en premier, et qui ne l’est pas ?
L’exposition pratique est plus étroite que ne le suggèrent les gros titres. Vous êtes concerné si votre texte passe par un système qui enregistre la provenance et que vous publiez dans l’UE. Vous êtes largement épargné si vous écrivez dans un éditeur de texte brut, collez dans un CMS qui n’appelle pas de modèle, ou publiez hors du périmètre de l’UE.
Les personnes prises entre les deux sont celles qui ont utilisé l’IA comme aide à la rédaction, puis ont lourdement édité à la main. Leur texte final peut porter une trace de provenance de l’étape de rédaction tout en ne ressemblant en rien à la sortie du modèle. C’est le cas embarrassant, et il vaut la peine de le nommer honnêtement : une étiquette de provenance peut être techniquement exacte sur l’outil et totalement muette sur l’écriture.
Voici la séquence qui vous évite les ennuis :
- Exportez la page de la source primaire en PDF avec la date visible.
- Vérifiez si votre chaîne de publication envoie du texte via une API de modèle. Demandez au responsable de votre plateforme, ne devinez pas.
- Conservez votre propre historique de versions : premier brouillon, brouillon assisté par modèle, édition finale.
- Notez dans votre journal éditorial quelles sections ont été assistées par modèle et lesquelles ne l’ont pas été.
- Si vous devez divulguer, divulguez l’outil et l’étape, pas un aveu sur la paternité.
Si l’étiquette sur votre texte vous inquiète plus que l’écriture elle-même, passez d’abord le brouillon dans le détecteur d’IA. Les scores au niveau des phrases montrent quelles lignes portent le signal, ce qui vous permet de modifier les lignes concernées au lieu de réécrire tout un document à l’aveugle.
Une étiquette de provenance signifie-t-elle qu’un détecteur va me signaler ?
Non, et c’est l’objection que j’entends le plus souvent : « si l’étiquette est là, le détecteur la reconnaîtra. » La provenance et la détection reposent sur des mécanismes différents. La provenance est un enregistrement attaché à un événement de génération. La détection est une lecture statistique de la formulation qui lui est soumise.
Nous l’avons testé sur notre propre matériel. Le 2026-09-28, nous avons évalué deux corpus avec le détecteur DeAIze (ensemble local, niveau lite) à un seuil de signalement de 30 %. Un échantillon de référence de 709 passages issus de guides DeAIze non marqués comme générés a donné un score IA moyen de 26 %, une médiane de 25 %, une plage de 0-69 %, avec 239 passages sur 709 au niveau du seuil ou au-dessus. Ce sont des décomptes de passages, non des décomptes de documents indépendants, et l’auteur humain n’a pas été vérifié de manière indépendante. La sortie de modèle non éditée, 12 passages issus de prompts fixes, a donné une moyenne de 33 %, une médiane de 34 %, une plage de 4-46 %.
Lisez ces deux plages l’une à côté de l’autre. Elles se chevauchent. Un passage situé au bas de la plage de sortie de modèle se situe en dessous d’un passage situé au haut de la plage de référence. C’est toute l’histoire de pourquoi un seul chiffre ne peut pas trancher une question d’auteur, et pourquoi une étiquette de provenance plus un score de détecteur ne constituent toujours pas une preuve.
La solution durable : modifier les phrases qui portent le signal
Quoi que dise l’étiquette, le travail d’édition est le même, et c’est le travail décrit dans notre guide phare sur humaniser un texte IA. Vous n’essayez pas de battre un outil. Vous essayez de faire en sorte que le texte sonne comme une personne ayant quelque chose de précis à dire.
Commencez par les passages qu’un détecteur au niveau de la phrase met en évidence. Dans notre propre échantillon, la fréquence d’indices d’IA était de 1 pour 100 mots dans le corpus de référence et de 1 pour 100 mots dans la sortie du modèle non éditée, donc la fréquence seule ne permettra pas de distinguer une bonne prose d’une prose générée. Ce qui les distingue, c’est le placement : le texte généré a tendance à répartir uniformément les mêmes habitudes, tandis que les brouillons humains regroupent leurs particularités.
Une illustration concrète, pas un vrai document client :
- Avant : « Il est important de considérer la nature multiforme des exigences de provenance afin d’assurer une conformité complète auprès de toutes les parties prenantes concernées. »
- Après : « Les règles de provenance s’appliquent à trois groupes : les éditeurs, les plateformes et quiconque fait transiter du texte par une API de modèle. Vérifiez auquel vous appartenez. »
La deuxième version nomme un nombre, nomme les groupes et supprime le remplissage. Elle modifie aussi l’affirmation, ce qui est la partie que les gens sautent. Toute réécriture qui altère une quantité, une citation, une négation ou un qualificatif a endommagé le document, même si le score baisse. Comparez chaque phrase révisée à l’original et vérifiez les faits vous-même. La similarité sémantique est une aide à la révision, pas une preuve que le sens a survécu.
Quand c’est le mauvais choix
N’achetez rien pour cela si vous êtes dans l’une de ces situations.
- Vous êtes dans un litige de paternité. Un outil de réécriture ne constitue pas une preuve, et modifier le texte contesté peut détruire le dossier dont vous avez besoin. Préservez l’original, conservez les horodatages et suivez la procédure de votre institution.
- Votre politique interdit catégoriquement toute assistance par IA. Dans ce cas, la solution n’est pas une réécriture ; c’est une conversation avec votre supérieur sur ce que vous avez réellement fait.
- Vous n’avez jamais utilisé de modèle et votre texte est propre. Les règles de provenance ne sont pas une raison pour faire passer votre travail par un paraphraseur.
- Vous avez besoin d’un numéro Turnitin. Personne ne peut vous en promettre un. DeAIze ne fournit pas de relevé officiel Turnitin ni d’estimateur de score Turnitin, et tout outil qui prétend le contraire vous vend une supposition.
Si votre situation implique un comité ou un client qui pose des questions difficiles, la lecture utile est notre guide sur ce que signifie réellement un score élevé, qui explique comment répondre lorsque le chiffre est contesté plutôt que comment le dissimuler.
Que faire aujourd’hui, dans l’ordre
Dix minutes d’administratif valent mieux qu’une semaine d’anxiété.
- Lisez la source primaire et notez la date à laquelle vous l’avez lue.
- Demandez à votre plateforme si le texte quitte votre CMS pour une API de modèle.
- Archivez votre historique de versions quelque part que vous contrôlez.
- Passez le brouillon dans un détecteur au niveau des phrases et surlignez uniquement les lignes signalées.
- Modifiez ces lignes pour plus de précision, vérifiez chaque chiffre et chaque citation par rapport à l’original, et conservez les deux versions.
- Si une divulgation est requise, indiquez clairement l’outil et l’étape concernée.
Voilà toute l’approche : sachez ce que le label enregistre, sachez ce qu’il n’enregistre pas, et consacrez vos efforts aux phrases sur lesquelles un lecteur vous jugera réellement. Les idées, les données et les conclusions doivent être les vôtres. Aucun label ne change cela, et aucun détecteur ne peut le mesurer.
Si vous voulez voir quelles phrases portent le signal avant de commencer à éditer, l’essai de réécriture vous donne 200 mots après confirmation par e-mail sans carte de crédit, et les limites de détection sont indiquées dans l’interface actuelle.
Note de mesure : les chiffres de cet article proviennent de notre propre détecteur exécuté le 2026-09-28 — n = 709 passages de référence issus de guides non marqués comme générés contre n = 12 passages de modèle non édités, score IA médian de 25 % et 34 % respectivement. La paternité des références n’a pas été vérifiée de manière indépendante ; les passages ne sont pas des documents indépendants. Méthode : /methodology/.