Un détecteur signale votre traduction et la qualifie de générée par IA. Dans la plupart des cas, l’outil réagit à des artefacts de traduction automatique, et non à un modèle écrivant à partir de zéro. DeepL, Google Translate et les modes de traduction LLM laissent tous les mêmes empreintes : longueur de phrase uniforme, idiomes littéraux, registre plat, connecteurs répétés. Ces schémas semblent statistiques. Ce ne sont pas des signaux de paternité, mais les détecteurs ne peuvent pas toujours faire la différence. Ce guide vous montre comment fonctionne réellement la détection de texte IA pour un texte traduit, ce que la traduction automatique laisse derrière elle, et quelles modifications réduisent les faux positifs sans toucher au sens.
Points clés à retenir
- Les artefacts de traduction automatique (syntaxe uniforme, idiomes littéraux, registre plat) chevauchent les signaux de génération par IA, c’est pourquoi des plateformes comme Turnitin, GPTZero et Copyleaks signalent des traductions légitimes.
- Dans notre propre mesure du 2026-09-19, nous avons évalué 46 guides DeAIze rédigés à la main avec notre détecteur à un seuil de signalement de 30 % : score IA moyen 27 %, médiane 25 %, plage 0-55 %, avec 17 sur 46 signalés.
- La même exécution a évalué 12 passages de modèle non modifiés : moyenne 35 %, médiane 34 %, plage 25-49 %. La traduction se situe quelque part entre ces deux distributions.
- Corriger une traduction nécessite une passe d’édition spécifique : briser l’uniformité de la longueur des phrases, remplacer les idiomes calqués, restaurer la variation de registre et revérifier avec un détecteur au niveau de la phrase.
- Si une institution vous accuse, la sortie de détection est une estimation de probabilité, pas une preuve de paternité. Vous pouvez la contester avec des brouillons, des glossaires et votre mémoire de traduction.
Pourquoi un texte traduit est-il signalé comme IA ?
Les détecteurs ne lisent pas le sens. Ils mesurent la texture statistique : à quel point chaque token est prévisible compte tenu des précédents (perplexité) et à quel point la longueur et la structure des phrases varient (burstiness). La traduction automatique optimise la fluidité et la cohérence, ce qui aplatit ces deux mesures. Un paragraphe traduit a souvent des transitions plus fluides qu’un premier brouillon humain, moins de choix de mots idiosyncratiques et presque aucune variation de registre. Pour un détecteur, cela se lit comme une probabilité de machine. Pour un lecteur humain, cela se lit comme une traduction compétente.
La confusion est structurelle, pas malveillante. Turnitin, GPTZero, Copyleaks, Originality.ai et Sapling publient tous des directives indiquant que leurs scores sont des estimations. Aucun d’entre eux ne publie de calibration spécifique à la traduction. Lorsqu’un rédacteur bilingue soumet un résumé traduit ou une page marketing traduite, l’outil compare ce texte à des corpus qui contiennent principalement des écrits humains natifs en anglais et des sorties de modèle. La traduction est une troisième catégorie que le modèle n’a pas été entraîné à isoler.
Il existe une seconde raison. La traduction vers l’anglais produit souvent des constructions grammaticalement correctes mais statistiquement inhabituelles, et les détecteurs ont appris que les formulations inhabituelles mais fluides sont corrélées avec la sortie d’un modèle. Une phrase comme « the committee proceeded to the evaluation of the proposal » n’est pas incorrecte. Elle est simplement rare dans l’édition en anglais natif, et c’est cette rareté que le détecteur interprète comme machine.
Que laisse la traduction automatique dans la langue cible ?
La traduction automatique laisse quatre artefacts récurrents. Ils apparaissent dans DeepL, Google Translate et les modes de traduction par LLM, et ils sont la raison pour laquelle une traduction propre peut obtenir un score élevé sur n’importe quel détecteur.
| Artefact | À quoi cela ressemble en anglais | Pourquoi les détecteurs réagissent |
|---|---|---|
| Syntaxe uniforme | Chaque phrase de 18 à 25 mots, même structure sujet-verbe-objet | Une faible variabilité est perçue comme machine |
| Idiomes littéraux | « Take the decision », « make a photo », « in the last years » | Calques prévisibles, faible perplexité |
| Registre plat | Les passages formels et informels sonnent identiques | Variation de registre humaine absente |
| Connecteurs trop cohésifs | « Moreover », « Furthermore », « In addition » ouvrant la plupart des paragraphes | Transitions prévisibles répétées |
| Paragraphes symétriques | Chaque paragraphe de 3 à 4 phrases, même longueur | Régularité structurelle que les détecteurs remarquent |
Le problème du registre est celui que les traducteurs sous-estiment. Dans la langue source, l’auteur peut alterner entre un argument formel et une remarque décontractée. La traduction automatique tend à uniformiser cela en un seul ton constant. La constance est bonne pour les guides de style et mauvaise pour les détecteurs, car l’écriture humaine est rarement aussi constante sur l’ensemble d’un document.
Les calques sont la deuxième catégorie sous-estimée. « Make a decision » convient. « Take a decision » est de l’anglais britannique et aussi une traduction littérale de plusieurs langues romanes et germaniques. Un traducteur humain le repérerait ; la TA le reproduit ; un détecteur voit un bigramme à faible probabilité et ajoute une petite quantité de probabilité machine à cette phrase.
En quoi les artefacts de traduction diffèrent-ils des signaux de génération par IA ?
Les artefacts de traduction et les signaux de génération par IA se recoupent, mais ce ne sont pas la même chose. Connaître la différence vous indique ce qu’il faut modifier.
Les artefacts de traduction proviennent du texte source. Ils préservent la logique, la terminologie, l’ordre des arguments et les particularités de la source. Un paragraphe traduit a généralement une raison défendable pour chaque phrase : la source l’a dit, dans cet ordre, avec ces termes. L’étrangeté réside dans la forme de surface, pas dans le contenu.
Les signaux de génération par IA proviennent de l’échantillonnage du modèle. Ils incluent des précautions sans source (« il est important de considérer »), des exemples génériques, des spécificités inventées et une tendance à résumer le paragraphe précédent avant de commencer le suivant. L’étrangeté réside dans le contenu et le raisonnement, pas seulement dans la surface.
Un test pratique : lisez la phrase signalée et demandez-vous si vous pourriez pointer vers la phrase source qui l’a produite. Si oui, il s’agit probablement d’un artefact de traduction. Si non, et que la phrase effectue un travail rhétorique que la source n’a jamais demandé, il peut s’agir d’un signal de génération. Cette distinction compte parce que la correction est différente. Les artefacts de traduction nécessitent une modification de surface. Les signaux de génération nécessitent une modification ou une suppression du contenu.
Si vous voulez voir quelles phrases spécifiques portent le signal machine dans votre brouillon traduit, passez-le d’abord par le DeAIze détecteur d’IA. La mise en évidence au niveau des phrases vous montre les lignes à modifier, afin que vous ne réécriviez pas un paragraphe qui n’a jamais été le problème.
Pourquoi le texte traduit déclenche-t-il les détecteurs même lorsqu’un humain a fait le travail ?
La réponse inconfortable est que les détecteurs n’ont pas été conçus pour la traduction. Ils ont été conçus pour distinguer l’anglais rédigé par un humain de l’anglais rédigé par un modèle. La traduction est un troisième mode, et elle emprunte des caractéristiques aux deux côtés.
Notre propre mesure du 2026-09-19 illustre à quel point la bande humaine est déjà large. Nous avons évalué 46 guides DeAIze écrits à la main avec notre détecteur à un seuil de signalement de 30 %. Le score IA moyen était de 27 %, la médiane de 25 %, l’intervalle de 0-55 %, et 17 des 46 ont été signalés. Ces guides sont écrits, édités et publiés par des humains. Un détecteur en a quand même signalé plus d’un tiers à ce seuil. À titre de comparaison, 12 passages de modèle non édités ont obtenu un score moyen de 35 %, une médiane de 34 %, un intervalle de 25-49 %. Les deux distributions se chevauchent fortement. Un document traduit peut se situer n’importe où dans ce chevauchement sans qu’aucun modèle ne l’ait écrit.
Ce chevauchement est la limite honnête de la détection. C’est aussi pourquoi vous ne devriez jamais traiter un score unique comme un verdict. Si vous travaillez avec un client, un éditeur ou une institution, la conversation utile porte sur les phrases qui ont déclenché le signalement, ce que disait la source et ce que montre votre mémoire de traduction. Le guide des faux positifs déroule cette conversation étape par étape.
Comment puis-je modifier un texte traduit pour la détection sans en changer le sens ?
Il s’agit d’une passe d’édition spécifique à la traduction. Faites-la après votre QA normale, pas à la place de celle-ci.
- Ne lisez que les phrases signalées. Ne réécrivez pas le texte non signalé. Un détecteur au niveau de la phrase vous donne une courte liste ; travaillez cette liste.
- Brisez l’uniformité de la longueur des phrases. Si trois phrases signalées font toutes 20-25 mots, coupez-en une et fusionnez-en une autre. La variabilité est le signal le moins coûteux à rétablir.
- Remplacez les calques par des équivalents idiomatiques. « Take a decision » devient « decide ». « In the last years » devient « in recent years ». Tenez un glossaire pour que la terminologie reste cohérente dans tout le document.
- Rétablissez la variation de registre. Si la source comporte une remarque désinvolte, laissez la traduction désinvolte à cet endroit. Ne poncez pas chaque paragraphe jusqu’au même niveau de formalité.
- Variez vos connecteurs. Si « Moreover » ouvre trois paragraphes, changez-en deux. Utilisez un deux-points, un tiret, ou aucun connecteur du tout.
- Lisez le résultat à voix haute. Tout ce que vous ne diriez pas à un collègue mérite une nouvelle passe.
- Re-évaluez. Confirmez que les phrases signalées ont disparu sans que le sens dérive. Si une réécriture modifie un terme technique, rétablissez-le et réessayez.
Voici une illustration concrète. Elle est inventée pour cet article, pas tirée d’un travail client.
Avant (sortie de TA typique) :
De plus, la mise en œuvre du nouveau cadre nécessite la prise en compte de plusieurs facteurs. En outre, l’évaluation de ces facteurs doit être menée de manière systématique. Par ailleurs, les résultats de cette évaluation devraient être documentés dans un rapport complet.
Après (édité pour les artefacts de traduction) :
Le nouveau cadre a besoin de plusieurs choses pour fonctionner. Vous devez les évaluer systématiquement. Documentez ce que vous trouvez.
Le sens est identique. Les motifs signalés ont disparu : plus de « De plus/En outre/Par ailleurs » répété, pas de longueur de phrase uniforme, pas de nominalisations empilées sur des nominalisations.
Si vous modifiez un document plus long, la liste de contrôle des artefacts de traduction couvre le volet non anglophone du même problème, y compris pourquoi les signalements se comportent différemment lorsque la source n’est pas en anglais.
Quand dois-je contester un résultat de détection sur un texte traduit ?
Contestez-le lorsque vous pouvez démontrer le travail. Cela implique trois choses.
Premièrement, le texte source. Si vous avez traduit à partir d’un original en français, en allemand, en espagnol ou en japonais, le document source est votre preuve la plus solide. Un détecteur ne peut pas le voir ; un réviseur humain, si.
Deuxièmement, votre mémoire de traduction ou votre glossaire. Les enregistrements au niveau des segments montrent qu’un humain a fait chaque choix, et ils montrent que les choix étaient cohérents. C’est le document qui transforme « le détecteur l’a dit » en une conversation sur la méthode.
Troisièmement, la sortie propre du détecteur. Si une plateforme rapporte un score au niveau du document sans détail au niveau des phrases, vous ne pouvez pas y répondre avec précision. Demandez la ventilation phrase par phrase. Si elle n’existe pas, dites-le. L’article sur la détection comme preuve dans le cadre du respect de la procédure explique ce qu’une institution peut et ne peut pas raisonnablement conclure d’une estimation de probabilité.
Ce que vous ne devez pas faire, c’est soumettre un texte traduit à un humaniseur et considérer que c’est terminé. Les humaniseurs modifient les motifs de surface ; ils ne créent pas de traçabilité de la source. Si votre traduction est véritablement la vôtre, la passe de révision ci-dessus plus votre TM constituent une position plus solide qu’un fichier réécrit sans provenance.
Une routine courte pour les documents traduits
Si vous traduisez régulièrement et que les détecteurs continuent de signaler votre production, intégrez ceci à votre liste de vérification avant livraison.
- Faites passer le texte cible dans un détecteur au niveau des phrases avant la livraison.
- Ne modifiez que les phrases signalées, en utilisant la passe en sept étapes ci-dessus.
- Recalculez le score et comparez avant/après. Conservez le rapport avant/après avec la livraison.
- Enregistrez la source, le glossaire et les identifiants de segments de la TM à côté du fichier.
- Dites au client ce que vous avez fait. Le présenter comme un contrôle qualité contre les faux positifs est honnête et cela prévient la conversation gênante.
Ce dernier point compte plus que la révision. La traduction est déjà accusée d’être mécanique. Un traducteur qui peut montrer la source, les choix terminologiques et le journal des modifications fait exactement ce qu’un professionnel devrait faire. Le détecteur n’est pas le juge ; votre processus est la preuve.
Prêt à voir quelles phrases semblent générées par une machine ?
Collez un paragraphe traduit dans le DeAIze détecteur d’IA et vous obtenez un score de document ainsi qu’une probabilité d’IA par phrase, ce qui vous permet de voir si le signal se situe sur une phrase calquée ou sur l’ensemble du document. Si les signalements sont concentrés sur une poignée de lignes, l’éditeur de brouillon vous permet de les réécrire sur place, et l’humaniseur fonctionne en boucle fermée : évaluer, réécrire uniquement les phrases signalées, ne conserver une réécriture que lorsque la similarité sémantique indique que le sens a été préservé, puis réévaluer et rapporter avant et après. Sur le paragraphe d’exemple utilisé sur le site, un score d’IA de 92 % devient 4 % d’IA. L’offre gratuite vous donne 200 mots à l’inscription, sans carte de crédit, ce qui suffit pour tester un paragraphe traduit avant de vous engager. Les crédits payants sont à la consommation et n’expirent jamais ; consultez tarifs pour les forfaits de mots. Des vérifications croisées confrontent le résultat à de véritables API de détecteurs tierces là où elles sont configurées, notamment GPTZero, Turnitin, Copyleaks, Originality.ai et Sapling, au lieu de se fier à une estimation interne. Les scores des détecteurs sont des estimations de probabilité, pas une preuve de paternité, et aucun outil ne peut garantir un score particulier sur une plateforme donnée. Les idées et la traduction doivent toujours être les vôtres.