Quelqu’un partage une image et demande : « Est-ce de l’IA ? » On cherche instinctivement les indices classiques, comme des doigts en trop, du texte déformé ou une peau cireuse, ou bien on soumet l’image à l’un des nombreux « détecteurs d’IA ». Ces deux réflexes sont compréhensibles. Pourtant, tous deux peuvent nous induire en erreur : les signes visibles se raréfient à chaque nouvelle génération de modèles, et les problèmes de fiabilité des détecteurs ne disparaissent pas simplement parce que leur interface affiche un résultat avec assurance.
Cet article présente ce que nous savons réellement : les défauts précis qui subsistent dans les outils d’imagerie par IA et les raisons pour lesquelles aucun détecteur, humain ou automatisé, ne peut garantir l’origine d’une image donnée.
Les défauts qui restent observables
Les catégories suivantes sont des indices, pas des garanties mesurées. Elles peuvent justifier de vérifier la source plus attentivement, mais les capacités des outils évoluent et l’absence de l’un de ces signes ne permet aucune conclusion certaine sur l’origine de l’image :
Les mains et les détails anatomiques. Les positions complexes des mains, les doigts qui se chevauchent et les anatomies inhabituelles produisent encore des erreurs visibles plus souvent que les visages ou les poses simples, même si les outils les plus avancés ont beaucoup progressé sur ce point.
Le texte intégré à l’image. Les panneaux, les étiquettes et les inscriptions produisent des résultats inégaux selon les outils et les versions. Certaines images paraissent impeccables ; d’autres contiennent encore des mots presque corrects, des lettres incohérentes ou un texte net à un endroit et flou à un autre. Dans un sens comme dans l’autre, la lisibilité constitue un indice peu probant.
Le dénombrement précis et la répétition exacte. Lorsqu’on demande à un modèle de représenter un nombre déterminé d’objets identiques, le compte est souvent faux. Ce problème concerne aussi bien la génération d’une image que la description de cette image par le modèle lui-même.
La cohérence entre plusieurs images ou plusieurs plans. Une image générée isolément peut sembler parfaite. En revanche, de petites différences souvent perceptibles apparaissent lorsque le même personnage ou le même objet est généré deux fois, ou d’une image à l’autre dans une vidéo.
Les reflets, les ombres et la cohérence physique de l’éclairage. Les générateurs produisent plus souvent une lumière et des ombres plausibles que physiquement exactes.
Aucun de ces indices ne suffit à établir un verdict. Une image générée avec soin ou avec un peu de chance peut tous les éviter, tandis qu’une photo authentique peut montrer une ombre étrange ou une main dans une position inhabituelle. Ils méritent un second examen, mais ne constituent pas des preuves. Ils vieillissent aussi rapidement : vérifiez les capacités des outils actuels au lieu de considérer cette liste comme définitive.
Pourquoi les « détecteurs d’IA » ne peuvent pas vous apporter de certitude
Le rapport du NIST sur la transparence des contenus synthétiques étudie la détection, le filigranage, la provenance et l’étiquetage comme des approches distinctes, chacune avec des lacunes dans la recherche et des limites de mise en œuvre. Le programme d’évaluation GenAI du NIST et son défi consacré aux images évaluent les générateurs et les systèmes de discrimination dans des conditions de test définies. C’est ainsi qu’il faut interpréter le résultat d’un détecteur : il décrit les performances d’un système, sur un jeu de données, après une transformation et à une date donnés. Il ne certifie pas toutes les images produites par tous les générateurs.
N’utilisez pas le score d’un détecteur comme critère décisif lorsque les conséquences sont importantes, par exemple dans un conflit professionnel ou personnel, ou pour lancer une accusation publique. Un faux positif peut faire passer à tort une photo authentique pour un faux ; un faux négatif peut laisser passer une fabrication convaincante. Si vous consultez un détecteur, ne traitez son résultat que comme un indice faible parmi tous ceux présentés dans cet article, jamais comme un verdict.
Ce qui aide réellement, par ordre d’utilité
Les informations de provenance, lorsqu’elles existent. Un Content Credential conforme à la norme C2PA peut indiquer qui a signé un fichier et quel historique de création ou de modification cette personne ou organisation a déclaré. C’est une preuve réellement plus solide que l’estimation d’un détecteur, même si elle suppose que l’outil et la plateforme prennent cette fonction en charge et que les informations survivent jusqu’à vous. Consultez les principes de base des Content Credentials et des filigranes pour savoir ce que ce badge permet ou non d’établir.
La recherche de la source d’origine. Pour de nombreuses images, retrouver où, par qui et à quelle date le fichier a d’abord été publié est plus utile que d’inspecter uniquement ses pixels. Une recherche inversée d’image ou une recherche directe sur l’événement allégué peut faire apparaître le contexte d’origine. L’absence de résultat ne prouve toutefois pas que l’image a été fabriquée.
La cohérence avec les autres éléments connus. L’événement supposé est-il mentionné ailleurs par une source indépendante ? Le lieu, les vêtements ou la date correspondent-ils aux autres informations vérifiables ? Cette démarche est plus lente que de cliquer sur un détecteur, mais elle est bien plus fiable.
Les défauts décrits plus haut, uniquement comme indices complémentaires. Ils méritent votre attention, mais ne justifient jamais à eux seuls une conclusion.
Au-delà d’une seule photo suspecte
C’est pour cette même raison que l’article sur la provenance et le consentement des médias synthétiques présente les Content Credentials comme utiles, mais insuffisants. C’est aussi la réponse directe à une question fréquente dans le plan de première intervention face au deepfake d’un adulte : ne retardez pas un signalement pour tenter d’abord de « prouver » que le contenu est synthétique. Si vous générez vous-même des images et cherchez un guide pratique sur les points forts et les limites quotidiennes des outils actuels, la génération d’images par l’IA 101 aborde le choix de l’outil et la formulation des prompts sous l’angle des mêmes limites.
Pièges courants
- Prendre l’absence d’indice visible pour une preuve d’authenticité. Si aucune des erreurs classiques ci-dessus n’apparaît, cela signifie seulement qu’un modèle a pu les éviter, pas que l’image est authentique.
- Prendre le pourcentage d’un détecteur pour un fait établi sur l’image. Ce chiffre indique seulement comment ce détecteur a évalué cette image au regard de son propre entraînement, à cette date.
- Chercher à « prouver » l’origine synthétique avant d’agir dans une situation urgente. Si vous devez agir immédiatement, par exemple pour signaler un contenu préjudiciable, ne laissez pas la recherche d’un verdict retarder l’action. Pourquoi l’IA donne parfois des réponses erronées avec assurance décrit le même problème d’excès de confiance dans un autre contexte ; la leçon vaut aussi ici.
- Supposer que les futurs outils rendront cette méthode inutile. La génération et la détection évoluent toutes deux. Consultez les données actuelles issues d’évaluations indépendantes au lieu de conserver une liste immuable d’indices visuels.
À essayer cette semaine
La prochaine fois qu’une image vous paraît suspecte, résistez à l’envie de la confier à un détecteur et de croire son chiffre. Commencez par rechercher la source d’origine, examinez ensuite les défauts précis décrits plus haut comme indices secondaires, puis cherchez un Content Credential si la plateforme les prend en charge. Utilisez la liste de contrôle sur les limites de l’imagerie par IA pour prendre l’habitude de vérifier les bons éléments dans le bon ordre.
