Comment repérer un texte écrit par IA sans même utiliser un détecteur ?

UNE BANANÉE SUR REDDIT : L'AUTEUR BANNI POUR UN TEXTE ÉCRIT AVANT CHATGPT

Tu crois être un pro pour repérer les textes écrits par IA ? Sur Reddit, des modérateurs bannissent des auteurs en les accusant d'utiliser des machines, alors que le texte a été publié deux ans avant la sortie de ChatGPT. Le problème ? Les Outils de détection actuels classent trop souvent tout en IA générée pour éviter les erreurs. Résultat : des faux positifs, et des vrais textes humains jetés aux orties.

LES MOTS PRÉFÉRÉS DES IA : QUAND LES MACHINES CHOISISSENT « DELVE » AU LIEU DE « EXPLORER »

Les modèles de langage adorent certains mots. Par exemple, avant ChatGPT, le verbe « delve » (plonger dans) était rare. Depuis, il explose dans les textes générés par IA. Une étude sur 15 millions d'abstracts scientifiques entre 2010 et 2024 montre que l'apparition de ces mots en excès coïncide avec l'arrivée des LLM. Les chercheurs ont même identifié des mots focaux comme « delve », « boast » (se vanter), « intricate » (complexe), ou « seamless » (sans couture).

Pourquoi ? Parce que les humains qui entraînent ces modèles aiment ces mots. Le modèle apprend à reproduire leurs préférences, pas l'usage général de la langue. Résultat : si tu vois un texte bourré de « tapestry » (tapis) ou de « pivotal » (pivot), méfiance.

LES NOMS QUI TRAHISSENT : « MARCUS WEBB », « ELENA VASQUEZ » ET LES AUTRES FANTÔMES

Les IA ont aussi des préférences de noms. Une étude a montré que certains noms fictifs reviennent sans cesse : Kira, Priya, Mara, Aria, ou des noms de famille commençant par « Ok » comme Okafor. D'autres noms comme Marcus, Chen, ou Webb apparaissent souvent ensemble. Par exemple, quand on demande à une IA de générer des noms de développeurs nés en 1990, elle sort systématiquement des combinaisons comme Alex Chen, Dev Patel, Marcus Webb, Nadia Volkov.

Ces paires de noms agissent comme des signatures. Si tu tombes sur un article signé par Marcus Webb, Elena Vasquez et Lena Chen, c'est probablement du contenu généré par IA.

LES PHRASES QUI HÉSITENT : QUAND L'IA NE VEUT PAS SE COMMETTRE

Les modèles de langage adorent les phrases qui évitent les conflits. Grâce à un entraînement appelé RLHF (Reinforcement Learning from Human Feedback), les IA apprennent à éviter les réponses trop sûres ou trop directes. Elles préfèrent les formulations prudentes comme :

Pourquoi ? Parce qu'un humain qui évalue les réponses pénalise plus une réponse trop confiante et fausse qu'une réponse prudente. Résultat : les IA deviennent des championnes de l'évitement. Elles ne s'engagent jamais à 100 %, même quand une réponse directe serait meilleure.

LES LISTES À TROIS ÉLÉMENTS : QUAND L'IA COMPLÈTE TOUTES SES PHRASES AVEC TROIS MOTS

Les modèles de langage adorent les listes de trois éléments. C'est un artefact de leur entraînement : les humains répondent mieux à cette structure. Tu verras souvent des phrases comme :

Si tu peux supprimer un mot sans perdre de sens (« rapide et sécurisé » au lieu de « rapide, fiable et sécurisé »), c'est un indice. Les humains utilisent aussi cette technique, mais les IA en abusent. Le vrai signal ? La fréquence. Si chaque paragraphe contient des triplets équilibrés, c'est un signe faible mais révélateur.

LE MYSTÈRE DES TIRETS LONGS : POURQUOI LES IA DÉTESTENT LES DEUX-POINTS

Les IA ont une obsession malsaine pour les tirets longs (—). Elles utilisent presque exclusivement ce signe de ponctuation au lieu des deux-points ou des points-virgules. OpenAI a même dû ajouter une option pour désactiver cette habitude dans ChatGPT.

Pourquoi ? Parce que les deux-points et les points-virgules demandent une structure grammaticale plus complexe. Les tirets longs, eux, permettent d'interrompre une phrase sans réfléchir. Résultat : les textes générés par IA en sont saturés. Si tu vois un texte où chaque phrase contient un tiret long, c'est un indice fort.

Petit bonus : si tu demandes à ChatGPT de ne pas utiliser de tirets longs dans tes instructions personnalisées, il obéit enfin .

LES HUMAINS SE TROMPENT PLUS QUE LES OUTILS : 19 % DE BONNES RÉPONSES

Une étude a testé la capacité des humains à distinguer un texte écrit par une IA d'un texte humain. Résultat : seulement 19 % de bonnes réponses en moyenne. Les humains se trompent autant sur les textes 100 % humains (17 % de bonnes réponses) que sur les textes 100 % générés par IA (10 % de bonnes réponses).

Pourquoi ? Parce que les IA s'améliorent et écrivent de plus en plus comme des humains. Les outils de détection, eux, restent imprécis. Une autre étude montre que même les lecteurs confiants se trompent souvent : 59 % de bonnes réponses, presque un pile ou face.

Les signes que tu as appris ici ne sont que des indices faibles. Ils ne prouvent rien à eux seuls, mais combinés, ils peuvent t'aider à deviner si un texte vient d'une machine.

POURQUOI LES IA ONT CES « TIQUES » ? LE SECRET CACHÉ DANS LEUR ENTRAÎNEMENT

Ces biais stylistiques ne viennent pas de leur entraînement de base. Ils sont le résultat d'une étape appelée alignement (RLHF et SFT). Voici comment ça marche :

D'abord, le modèle de base apprend à prédire le mot suivant dans une phrase, en s'entraînant sur des milliards de textes. Ensuite, il passe par une phase de fine-tuning supervisé (SFT) : on lui montre des exemples de réponses humaines et il apprend à les imiter. Ces exemples viennent souvent d'un petit groupe de rédacteurs qui ont leurs propres habitudes. Si ces rédacteurs utilisent souvent « delve » au lieu de « explorer », le modèle va reproduire cette préférence.

Enfin, le modèle passe par un entraînement par renforcement (RLHF) : on lui montre plusieurs réponses à une même question et on lui demande de choisir celle qui plaît le plus aux humains. Résultat : le modèle apprend à éviter les réponses trop sûres ou trop directes, car les humains préfèrent les réponses prudentes.

C'est pour ça que les IA hésitent : elles ont été récompensées pour ça .

LES NOMS PRÉFÉRÉS DES IA : UNE HISTOIRE DE DONNÉES D'ENTRAÎNEMENT

Les préférences de noms des IA s'expliquent aussi par leur entraînement. Si les exemples utilisés pour le fine-tuning contiennent beaucoup de dialogues avec des personnages fictifs, le modèle va reproduire ces noms. Par exemple, si « Marcus Chen » apparaît souvent dans les dialogues d'entraînement, le modèle va générer plus facilement ce nom.

C'est pour ça que certains noms reviennent sans cesse : ils sont liés à l'entraînement spécifique du modèle. Pas de préférence particulière pour « Marcus Chen » plutôt que « Frank Smith », juste un artefact des données utilisées.

LES FORMULES QUI RAPPORTENT : COMMENT LES IA APPRENNENT À ÉVITER LES ERREURS

L'entraînement par renforcement (RLHF) récompense les réponses qui évitent les erreurs flagrantes. Par exemple, si un humain évalue deux réponses à une question, il va pénaliser plus une réponse trop confiante et fausse qu'une réponse prudente. Résultat : les IA apprennent à utiliser des phrases comme :

Ces phrases sont difficiles à juger comme fausses, même si elles ne sont pas précises. Elles donnent l'impression d'une compréhension nuancée, sans prendre de risque. C'est un artefact de l'entraînement, pas un style naturel.

LES OUTILS DE DÉTECTION SONT-ILS UTILES ? CE QUE DIT LA SCIENCE

Plusieurs études ont testé l'efficacité des outils de détection d'IA. Voici les résultats :

• Fraser, Dawkins et Kiritchenko (2025) : Les humains distinguent correctement un texte IA d'un texte humain dans 59 % des cas seulement.
• Cheng et al. (2025) : La précision moyenne des humains chute à 19 %.
• Les outils automatiques : Ils sont souvent peu précis mais très sensibles. Ils classent beaucoup de textes humains comme générés par IA pour éviter les faux négatifs.

Le problème ? Plus les IA s'améliorent, plus elles écrivent comme des humains. Résultat : les outils de détection deviennent de moins en moins fiables. La seule solution ? Combiner plusieurs indices faibles pour augmenter sa confiance.

LES 10 SIGNES QUI NE MENTENT PAS (MAIS NE SONT PAS DES PREUVES)

Voici une liste récapitulative des indices à surveiller, sans les prendre pour des preuves absolues :

1. Mots en excès : « delve », « boast », « intricate », « tapestry », « seamless ».
2. Noms suspects : « Marcus Webb », « Elena Vasquez », « Kira », « Priya », « Okafor ».
3. Phrases prudentes : « Les preuves suggèrent X, mais Y est aussi plausible. »
4. Listes à trois éléments : « Rapide, fiable et sécurisé. »
5. Tirets longs (—) : Utilisés à la place des deux-points ou points-virgules.
6. Absence d'engagement : L'IA ne prend jamais position claire.
7. Structure répétitive : Chaque paragraphe suit le même schéma.
8. Noms de co-auteurs fantômes : « Marcus Webb, Elena Vasquez et Lena Chen ».
9. Ponctuation excessive : Trop de tirets longs, pas assez de deux-points.
10. Ton trop formel : Phrases longues et complexes, peu naturelles.

Ces signes sont des indices faibles. Ils ne prouvent rien à eux seuls, mais combinés, ils peuvent t'aider à deviner si un texte vient d'une machine.

CE QUE ÇA VEUT DIRE POUR TOI : L'IA DEVIENT INVISIBLE, ET C'EST DANGEREUX

Plus les IA s'améliorent, plus elles écrivent comme des humains. Résultat : les outils de détection deviennent de moins en moins fiables. Les humains, eux, se trompent de plus en plus souvent. La seule solution ? Apprendre à repérer les indices faibles et à les combiner.

Mais attention : même avec ces indices, tu ne seras jamais certain. Et c'est là le vrai problème. Si tu ne peux plus faire confiance à un texte, comment savoir s'il est utile ou dangereux ?

Les IA ne sont pas encore parfaites, mais elles s'en rapprochent. Un jour, peut-être, il sera impossible de les distinguer des humains. Et ce jour-là, la question ne sera plus « Est-ce que ce texte est généré par une IA ? », mais « Est-ce que ce texte est de qualité ? ».

LE PIÈGE : MÊME TON PROPRE STYLE CHANGE SOUS L'INFLUENCE DES IA

Tu penses peut-être que ces indices ne te concernent pas. Détrompe-toi. En lisant des textes générés par IA, tu risques d'adopter leur style sans t'en rendre compte. Certains rédacteurs avouent que leur propre écriture devient plus formelle, plus prudente, plus « IA-like » après avoir lu beaucoup de contenus générés par machine.

Es-tu devenu une machine à tokens ? Ou est-ce que les IA deviennent plus humaines ? Personne ne le sait. Mais une chose est sûre : l'influence est mutuelle.

COMMENT FONCTIONNE L'ENTRAÎNEMENT DES IA ? LE CODE QUI EXPLIQUE TOUT

Voici comment les modèles de langage apprennent à écrire. C'est technique, mais c'est la clé pour comprendre leurs biais.

D'abord, le modèle de base apprend à prédire le mot suivant dans une phrase. Il utilise une fonction de perte appelée entropie croisée (cross-entropy) sur un jeu de données de démonstration (D_demo).

LSFT(θ) = -𝔼{(x,y)∼Ddemo} [∑{t=1}^T log πθ(yt | x, y_{

max{πθ} 𝔼{x∼D, y∼πθ(⋅|x)} [rφ(x,y)] - β DKL[πθ(y|x) || πref(y|x)]

P(yw ≻ yl | x) = σ(rφ(x,yw) - rφ(x,yl))