Un modèle de langage est entraîné à produire du texte qui ressemble à du texte humain. Les traces mesurables aujourd’hui — phrases de longueur régulière, transitions systématiques, ponctuation anglo-saxonne — sont aussi celles d’un rédacteur méthodique, d’un traducteur, d’un correcteur automatique ou d’un étudiant appliqué qui suit un plan.

Aucune caractéristique prise isolément ne conclut. Plusieurs caractéristiques allant dans le même sens justifient une question, jamais une accusation. Les éléments les plus solides restent extérieurs au texte : historique de version, brouillons, capacité de l’auteur à expliquer ses choix.

Fiable : le relevé des caractères invisibles et des choix typographiques. Ce sont des faits vérifiables, comptés caractère par caractère. Ils décrivent le fichier, pas son auteur : un caractère invisible vient le plus souvent d’un traitement de texte, d’une page web ou d’un PDF.

Indicatif : les mesures de régularité linguistique et stylistique. Ce sont des statistiques descriptives, sensibles au genre du texte — un mode d’emploi est régulier par nature — et à sa langue. Elles ne sont calculées qu’au-delà d’environ 150 mots, et gagnent nettement en pertinence au-delà de 300.

Hors de portée : lire le filigrane d’un modèle, savoir qui a écrit le texte, distinguer une aide ponctuelle d’une génération complète, ou reconnaître un modèle particulier. L’outil est conçu pour le français ; sur un texte multilingue, seules les analyses de caractères restent pertinentes.

Les outils qui annoncent un pourcentage mesurent en réalité une distance à une moyenne statistique. Deux erreurs en découlent : un texte humain très structuré est signalé à tort, et un texte généré puis reformulé passe inaperçu. Les personnes non natives, les rédacteurs techniques et les auteurs formés à un plan strict sont les plus souvent mis en cause à tort.

Trois situations illustrent le problème :

Information générale, pas conseil juridique. Ce résumé décrit le cadre tel qu’il est publié par la Commission européenne. Votre situation particulière peut appeler une autre lecture.

On lit souvent que « tout le monde doit déclarer son usage de l’IA ». C’est inexact, et la nuance compte. L’article 50 du règlement européen distingue deux rôles.

Le fournisseur du modèle — Anthropic, OpenAI, Google, Mistral — doit marquer ses sorties dans un format lisible par machine. C’est son obligation, pas la vôtre.

Le déployeur — l’organisation qui publie — doit signaler qu’un texte a été généré ou manipulé par une IA, mais, selon la lecture de la Commission, seulement lorsque trois conditions sont réunies en même temps : le texte est publié, il vise à informer le public, et il porte sur une question d’intérêt public. La Commission en donne une liste : politique et processus démocratiques, administration et services publics, justice, droits fondamentaux, sécurité publique, santé publique, environnement, sécurité des consommateurs. Une fiche produit, un texte de fiction ou une note interne n’entrent pas dans ce champ.

Une exemption est prévue : si le contenu a fait l’objet d’un examen humain réel — la vérification des faits est le minimum, une relecture orthographique ne suffit pas — et si une personne identifiable assume la responsabilité éditoriale, la mention n’est pas obligatoire. L’obligation pèse sur l’organisation, pas sur le rédacteur qui agit pour son compte.

Hors de ce champ légal, déclarer reste souvent le bon réflexe : un employeur, une école, une revue ou un client peuvent l’exiger par contrat ou par règlement.

Ces obligations de transparence s’appliquent depuis le 2 août 2026. Le texte de référence est le règlement (UE) 2024/1689 ; en cas de doute sur votre cas, référez-vous au texte et, si l’enjeu le justifie, à un juriste.

Caractère invisible ≠ filigrane

C’est la confusion la plus fréquente, et elle change tout. Un caractère invisible est un signe réellement présent dans le fichier : espace insécable, caractère de largeur nulle, marque de mise en forme. Il se compte, se cherche et s’enlève. Un filigrane (watermark) n’ajoute aucun caractère : il vit dans le choix des mots eux-mêmes. Les caractères invisibles relevés par cette page ne sont donc jamais le filigrane d’un modèle.

Comment fonctionne un filigrane de texte

Selon la documentation publiée par les fournisseurs, le principe est le suivant : quand un modèle écrit, il choisit chaque mot parmi plusieurs possibilités équivalentes, à partir d’une source de hasard. Le filigrane remplace ce hasard par une séquence dérivée d’une clé. Anthropic emploie l’image d’une partie de Monopoly où les dés seraient remplacés par les décimales de Pi : pour les joueurs rien ne change, mais celui qui connaît la séquence peut vérifier après coup que la partie l’a suivie. La signature est donc tissée dans le choix des mots, ce qui la rend invisible à la lecture et résistante au copier-coller.

Anthropic a annoncé en août 2026 l’ajout d’un filigrane statistique aux textes de Claude, décrit comme une version de l’approche SynthID-Text publiée par Google DeepMind en 2024. Google applique un mécanisme comparable à Gemini.

Est-ce déjà en place ?

Oui, mais pas partout. D’après la documentation du fournisseur, les modèles Claude lancés à partir du 2 août 2026 prennent en charge le marquage dès leur lancement. Pour les modèles antérieurs, une période de transition est prévue et le déploiement est décrit comme en cours. Autrement dit, un texte produit par Claude n’est pas nécessairement marqué : cela dépend du modèle exact qui a répondu.

Le marquage est appliqué mondialement, et non aux seuls utilisateurs européens : le fournisseur indique ne pas disposer aujourd’hui d’un moyen durable de le restreindre par région. La démarche répond à l’article 50 de l’AI Act et au code de bonnes pratiques européen sur la transparence des contenus générés, signé en juillet 2026 par Anthropic et environ 190 autres signataires.

Quand la marque est-elle absente ?

Le filigrane vit dans le choix des mots. Il suppose donc que le modèle ait eu des choix à faire. D’après la documentation disponible, il est peu fiable ou absent dans plusieurs cas :

• Textes courts — trop peu de mots pour porter un signal exploitable.
• Passages très factuels — quand une seule formulation convient, il n’y a pas de choix à infléchir. Le code est dans ce cas.
• Corrections pures — si un humain a choisi chaque mot et que le modèle n’a fait que corriger, le texte ne porte pas de marque.
• Réécriture, paraphrase ou mélange avec d’autres sources — le signal se dilue.

À l’inverse, une traduction produite par Claude est marquée : dans ce cas, tous les mots sont choisis par le modèle.

Ce que cette page ne peut pas faire

Cette page ne lit aucun filigrane, et aucune page web publique ne le peut. La vérification suppose la clé du fournisseur.

Une API de détection existe, en accès anticipé privé. D’après la documentation du fournisseur, elle est réservée aux organisations éligibles au titre du droit européen — régulateurs, forces de l’ordre, médias, vérificateurs de faits, chercheurs indépendants, établissements d’enseignement, société civile de l’UE — ainsi qu’aux entreprises soumises aux mêmes obligations de vérification. Une demande d’accès est possible auprès du fournisseur, et un élargissement est annoncé sans calendrier public. Cela ne change rien pour cette page : sans la clé, elle ne peut rien vérifier.

Le cas des métadonnées C2PA

Le standard C2PA signe des fichiers — images, notamment .png, .jpg et .svg — au moyen d’un manifeste attaché au fichier. Un texte brut n’a pas de conteneur où loger une telle signature : C2PA ne s’applique donc pas au texte collé dans cette page. Ces métadonnées sont par ailleurs facilement supprimées par une simple conversion ou une capture d’écran.

Ce que cette page peut vérifier sur votre texte

Le réflexe de camoufler vient d’une croyance : que l’usage de l’IA dévaloriserait le travail. Dans les faits, ce qui dévalorise un texte, c’est qu’il n’apporte rien. Un texte générique reste générique qu’on l’ait écrit à la main ou non.

Quelques habitudes qui changent le résultat :

• Apportez la matière que le modèle n’a pas : vos chiffres, vos cas, vos entretiens, votre terrain.
• Faites porter l’IA sur les tâches ingrates — plan, reformulation, traduction, relecture — et gardez la thèse et les exemples.
• Vérifiez chaque fait vérifiable. Les modèles produisent des affirmations plausibles et fausses avec le même aplomb.
• Réécrivez les passages qui sonnent lisse. S’ils vous ennuient, ils ennuieront votre lecteur.
• Gardez une trace de votre méthode : consignes utilisées, versions successives, sources. C’est ce qui vous protège en cas de doute, bien plus qu’un texte « indétectable ».
• Déclarez. Une ligne en fin d’article suffit et coupe court à la suspicion.

Pourquoi cet outil ne propose pas d’effacer les traces

Une première version de cette page comportait une fonction de nettoyage des caractères invisibles. Elle a été retirée. Le cadre a changé : depuis le 2 août 2026, l’Europe demande que les contenus générés soient identifiables. Outiller l’effacement reviendrait à outiller le contournement d’une règle de transparence.

C’est aussi une impasse pratique. Les caractères invisibles ne sont pas le filigrane : les supprimer ne retire rien à une signature statistique, qui vit dans le choix des mots.

Il reste une raison légitime de nettoyer un texte : l’hygiène de fichier, quand un copier-coller depuis un traitement de texte ou un PDF a laissé des espaces insécables mal placées ou des césures fantômes. La fonction « Rechercher et remplacer » de votre traitement de texte suffit, et les relevés de caractères ci-dessus vous disent précisément quoi chercher.

Beaucoup de gens arrivent sur ce type d’outil avec une question de contrôle : comment savoir si cette personne a utilisé une IA ? Les six points précédents expliquent pourquoi la réponse technique est décevante. Celui-ci porte sur la suite : que faire lorsqu’on ne peut pas surveiller.

Pourquoi la surveillance échoue

Une politique fondée sur la détection hérite de tous les défauts de la détection. Elle se trompe de cible : les personnes signalées à tort sont d’abord celles qui écrivent de façon très structurée, celles qui rédigent dans une langue qui n’est pas la leur, celles qui ont appris à suivre un plan strict. Pendant ce temps, un texte généré puis réécrit passe sans encombre. Le dispositif sanctionne l’application et laisse filer la dissimulation : exactement l’inverse de son intention.

Une interdiction pure a un second effet, plus insidieux. Elle ne supprime pas l’usage, elle le rend invisible. La personne qui utilise un modèle ne peut plus en parler, donc ne peut plus être aidée à le faire correctement. On perd la seule chose qui avait de la valeur : la conversation sur la méthode.

Déplacer la question

L’arrivée des modèles de langage a dévalué un exercice précis : produire seul, hors contexte, un texte correct sur un sujet général. Cet exercice était un indicateur de compétence, pas la compétence elle-même. Il a cessé d’être un bon indicateur. C’est l’évaluation qu’il faut revoir, pas seulement l’outil qu’il faut encadrer.

Quelques déplacements concrets, dans l’enseignement comme en entreprise :

• Évaluer le processus autant que le rendu. Brouillons, versions successives, notes de lecture, pistes écartées. Un historique de travail est plus informatif — et bien plus difficile à simuler — qu’un texte final.
• Ajouter un moment oral ou en direct. Une soutenance courte, une question sur un choix précis, la reprise d’un passage. Qui a compris son texte le défend.
• Concevoir des sujets qu’un modèle ne peut pas traiter seul. Données recueillies par la personne, terrain local, entretien mené, cas interne à l’organisation. L’IA reste utilisable, mais elle ne suffit plus.
• Autoriser explicitement, et demander une déclaration. Une consigne claire — ce qui est permis, ce qui ne l’est pas, ce qui doit être signalé — obtient plus de transparence qu’une interdiction générale.
• Faire de l’usage lui-même un objet d’apprentissage. Comparer une sortie brute et une version retravaillée, repérer une affirmation fausse produite avec aplomb, mesurer ce que le modèle appauvrit. C’est une compétence, et elle s’évalue.

Ce que cela change pour l’usage de cette page

Si vous encadrez le travail d’autres personnes, cette analyse peut ouvrir une conversation. Elle ne peut pas la conclure. « J’ai relevé telles caractéristiques, peux-tu m’expliquer ta méthode ? » est une question légitime. « L’outil dit que tu as utilisé une IA » est une affirmation que rien ici ne soutient — et qui vous expose autant qu’elle expose la personne en face.