Liketropy, le détecteur d’IA qui veut limiter les fausses accusations

Quand un texte paraît trop fluide, trop structuré ou, au contraire, étonnamment neutre, peut-on en déduire qu’il a été écrit par une intelligence artificielle ? La question est devenue centrale avec la diffusion des assistants génératifs. Mais elle comporte un piège majeur : accuser à tort une personne d’avoir utilisé une machine peut avoir des conséquences concrètes, particulièrement dans un devoir universitaire, un concours ou une candidature.

C’est précisément ce problème que cherche à traiter Liketropy, un outil mis au point par une équipe de chercheurs de l’Université du Michigan. Présenté en juillet 2025 dans une prépublication scientifique, le système ne prétend pas lire les intentions de l’auteur. Il examine plutôt des propriétés statistiques du texte afin d’évaluer s’il ressemble davantage à une production humaine ou à celle d’un grand modèle de langage, aussi appelé LLM.

Son originalité tient à une approche dite zéro-shot : au lieu d’entraîner un classifieur avec de vastes collections de textes humains et artificiels propres à chaque cas, Liketropy mobilise des tests statistiques. Les résultats annoncés sont encourageants, mais ils doivent être compris pour ce qu’ils sont : des performances mesurées dans des protocoles expérimentaux précis, et non une preuve irréfutable applicable à n’importe quel texte.

Pourquoi détecter les textes générés par IA est si délicat

La demande est simple en apparence : décider si un texte a été produit par un humain ou par une IA. En pratique, la frontière est devenue beaucoup moins nette. Une personne peut utiliser un assistant pour trouver un plan, reformuler une phrase ou corriger une langue étrangère, puis réécrire entièrement le résultat. À l’inverse, un auteur humain peut adopter un style très normé, concis et prévisible, qui ressemble aux régularités observées dans des textes générés.

Les outils de détection ont donc deux erreurs possibles :

• le faux négatif, lorsqu’un texte généré par IA n’est pas repéré ;
• le faux positif, lorsqu’un texte humain est présenté à tort comme artificiel.

Dans l’éducation, le second cas est particulièrement sensible. Les étudiants qui écrivent dans une langue qui n’est pas leur langue maternelle peuvent recourir à des tournures simples, répétitives ou très scolaires. Or ce sont parfois des caractéristiques que certains détecteurs interprètent à tort comme des signaux de génération automatisée. Les chercheurs à l’origine de Liketropy soulignent ce risque d’injustice, notamment pour les étudiants internationaux et les personnes non anglophones de naissance.

Liketropy combine vraisemblance et entropie

Le nom Liketropy renvoie aux deux concepts au cœur de l’outil : la vraisemblance, appelée likelihood en anglais, et l’entropie. Ces notions permettent d’étudier la manière dont les mots et les phrases s’enchaînent dans un document.

La vraisemblance sert à évaluer à quel point une suite de mots paraît probable selon un modèle statistique. Prenons une phrase très attendue : le mot qui suit peut être facile à anticiper à partir du contexte. À l’inverse, une formulation originale ou inattendue modifie cette évaluation. Les modèles de langage produisent justement du texte en estimant, mot après mot ou fragment après fragment, quelles suites sont les plus plausibles.

L’entropie est une façon de quantifier l’incertitude ou la diversité de ces possibilités. Sans entrer dans les équations, elle aide à décrire si le texte suit des motifs très prévisibles ou s’il présente davantage de variations. Liketropy combine ces informations pour chercher des signatures statistiques compatibles avec une génération par LLM.

Cette approche ne revient pas à dire qu’un texte prévisible est forcément écrit par une IA, ni qu’un texte surprenant est forcément humain. L’enjeu est d’examiner un ensemble de signaux à l’échelle d’un document et de produire une estimation. C’est une distinction importante : l’outil analyse une distribution de caractéristiques textuelles, pas une marque invisible apposée sur le contenu.

Que signifie une détection zéro-shot ?

Dans de nombreux systèmes de classification, il faut d’abord constituer un jeu de données : des milliers de textes étiquetés « humain » ou « IA », parfois générés par des modèles particuliers. Le programme apprend alors à reconnaître les différences observées entre ces exemples. Cette stratégie peut donner de bons résultats sur des textes proches de ceux utilisés durant l’entraînement, mais elle risque de moins bien fonctionner dès que le modèle génératif, le domaine ou le style change.

Liketropy adopte une autre logique. Ses tests statistiques zéro-shot sont conçus pour évaluer l’origine possible d’un texte sans demander de phase d’apprentissage préalable sur des exemples spécifiques à chaque auteur ou à chaque modèle. L’objectif est de mieux s’adapter aux modèles auxquels les chercheurs n’ont pas directement accès, ainsi qu’à l’évolution rapide des outils génératifs.

Le principe et ses conséquences peuvent être résumés ainsi :

Cette indépendance à l’égard d’un jeu d’entraînement spécifique est l’un des intérêts majeurs de la méthode. Elle ne supprime toutefois pas la nécessité de vérifier les résultats dans des contextes variés : textes courts ou longs, écriture académique, messages sur les réseaux sociaux, documents juridiques, textes révisés par un humain ou produits avec l’aide partielle d’une IA.

Plus de 96 % de précision dans certains tests, un résultat à interpréter

Selon les travaux présentés par l’équipe, Liketropy a été évalué sur des ensembles de données à grande échelle, y compris dans des cas où les modèles considérés n’étaient pas accessibles au public. Dans des tests conçus pour quelques LLM, l’outil a atteint une précision moyenne supérieure à 96 % et un taux de fausses accusations de 1 %.

Ces chiffres sont importants, car les faux positifs constituent le point faible le plus préoccupant des détecteurs utilisés dans les établissements scolaires ou les entreprises. Un système qui repère beaucoup de textes artificiels mais classe régulièrement des écrits humains parmi eux est difficilement acceptable dans une situation où une décision affecte une personne.

Pour autant, un pourcentage de précision ne doit jamais être détaché de ses conditions de mesure. Il dépend notamment de la nature des textes inclus dans les tests, des modèles ciblés, de leur longueur et du seuil statistique retenu pour conclure. Une performance supérieure à 96 % dans un protocole donné ne signifie pas que chaque texte, dans toutes les langues et tous les contextes, pourra être identifié avec cette même exactitude.

Un usage envisagé pour l’université, sans pénaliser les étudiants

L’université est l’un des terrains les plus exposés aux débats sur les textes générés par IA. Les enseignants cherchent à préserver la valeur des évaluations, tandis que les étudiants doivent savoir clairement ce qui est autorisé : correction linguistique, aide à la structuration, recherche d’idées, rédaction complète ou partielle. Ces règles ne sont pas toujours identiques selon les cours, les disciplines et les établissements.

Les concepteurs de Liketropy mettent l’accent sur l’équité. Leur outil pourrait être utilisé comme un moyen d’auto-évaluation, notamment par les étudiants qui craignent que leur style ne soit injustement assimilé à celui d’une IA. Cette possibilité ne résout pas à elle seule les problèmes de biais, mais elle déplace en partie l’usage du détecteur : de l’outil de surveillance vers un instrument de vérification avant la remise d’un travail.

La recherche a déjà suscité l’intérêt de responsables universitaires et du secteur des affaires à l’Université du Michigan. Ils envisagent une intégration avec des systèmes existants, dont U-M GPT et l’assistant AI Maizey. Une telle intégration pourrait notamment aider à déterminer si un texte provient de ces plateformes internes ou d’un outil externe tel que ChatGPT.

Pour que cet usage soit responsable, plusieurs garde-fous paraissent essentiels : une information claire des utilisateurs, des règles explicites sur les usages autorisés, la possibilité de contester un résultat, et l’interdiction de fonder une sanction uniquement sur un score de détection.

Droit, science et désinformation : des extensions possibles

Tara Radvand, co-auteure de l’étude, évoque l’ambition de faire évoluer Liketropy vers une solution adaptable à différents secteurs. Le droit et la science figurent parmi les domaines envisagés, de même que les procédures d’admission universitaire. L’intérêt d’une adaptation par domaine est évident : un article scientifique, un mémoire de droit et une lettre de motivation obéissent à des codes d’écriture très différents.

Dans le cas des admissions, une approche plus fine pourrait tenir compte des particularités attendues dans un dossier. Cela éviterait, en théorie, d’évaluer avec le même étalon une rédaction académique très codifiée et un texte personnel. Mais cela poserait aussi une question de gouvernance : qui définit le niveau d’assistance acceptable, quels critères sont communiqués aux candidats, et comment corriger les erreurs éventuelles du système ?

Les chercheurs citent également la lutte contre la désinformation sur les réseaux sociaux. Certains modèles peuvent être incités à produire des contenus extrêmes ou trompeurs, susceptibles d’amplifier des récits faux. Un détecteur fiable peut contribuer à signaler des contenus potentiellement automatisés. Il ne peut cependant pas établir à lui seul qu’une information est fausse : l’origine d’un texte et sa véracité sont deux questions distinctes. La vérification des faits reste indispensable.

Ce qu’il faut surveiller avant un déploiement plus large

Liketropy a reçu le Best Presentation Award au Michigan Student Symposium for Interdisciplinary Statistical Sciences, un rendez-vous annuel consacré aux étudiants diplômés. Le projet a aussi été mis en avant par Paris Women in Machine Learning and Data Science. Ses résultats ont été déposés sur le serveur de prépublications arXiv, ce qui permet à la communauté scientifique de les examiner avant une éventuelle publication dans une revue avec évaluation par les pairs.

La prochaine étape sera donc moins de proclamer qu’un détecteur a trouvé la solution définitive que de tester ses limites. Plusieurs questions devront être suivies : la stabilité des résultats face à l’apparition de nouveaux LLM, le comportement de l’outil sur des textes fortement révisés, ses performances dans d’autres langues que l’anglais, et son équité entre différents profils d’auteurs.

La qualité technique ne suffira pas non plus. Les institutions qui adopteront ce type de système devront expliquer son fonctionnement, encadrer les décisions prises à partir de ses résultats et reconnaître explicitement sa marge d’erreur. C’est à cette condition que des outils comme Liketropy pourront aider à comprendre l’origine probable d’un texte, sans faire de la détection automatisée une nouvelle source d’injustice.