Textes humains ou générés par IA : ce que les études permettent vraiment de distinguer

Un texte fluide, bien structuré et sans faute apparente a longtemps été spontanément associé à un auteur humain. Depuis la diffusion des assistants conversationnels, ce réflexe ne suffit plus. En quelques secondes, un modèle de langage peut rédiger une synthèse, reformuler un passage, imiter le ton d’un courrier professionnel ou proposer un avis de restaurant crédible. Cette aisance nourrit une question aussi simple en apparence que difficile à résoudre : peut-on vraiment savoir qui, d’un humain ou d’une IA, a écrit un texte ?

L’article d’archive publié le 3 mars 2025 évoque des recherches attribuées notamment aux universités Carnegie Mellon, Boston et Stanford. Elles alimentent un constat important : l’écriture ne se réduit ni à la correction grammaticale ni à une liste de mots caractéristiques. Mais les éléments disponibles ne détaillent ni le protocole, ni les corpus, ni les modèles testés, ni les critères de mesure des travaux mentionnés. Il serait donc imprudent d’en tirer une règle générale selon laquelle un texte humain serait toujours plus profond, ou qu’un texte généré par IA serait automatiquement reconnaissable.

Une opposition trop simple entre l’humain et la machine

Parler de textes humains et de textes générés par IA comme de deux catégories parfaitement étanches est pratique, mais réducteur. Dans la réalité, beaucoup de contenus sont désormais hybrides. Une personne peut demander un plan à un assistant, reprendre certaines formulations, vérifier les faits, réécrire l’introduction et signer le résultat final. À l’inverse, une IA peut être invitée à reproduire une voix très personnelle à partir d’instructions détaillées ou d’exemples fournis par son utilisateur.

L’écriture humaine puise dans une situation concrète : un souvenir, une expertise professionnelle, une intention, une relation avec le destinataire ou une connaissance partagée du contexte. Elle peut contenir des hésitations, des choix de rythme, une référence implicite que seuls certains lecteurs comprendront. Ces éléments peuvent créer une impression d’authenticité, mais ils ne sont pas présents dans tous les textes humains. Un compte rendu administratif, une fiche technique ou une brève factuelle suivent souvent des conventions très régulières.

De son côté, une IA générative peut produire une prose variée et adaptée à de nombreux genres. Elle ne possède pas de biographie, de souvenir personnel ni d’intention propre. Pourtant, elle est capable de simuler les formes linguistiques associées à l’émotion, au recul critique ou à l’expérience. Le lecteur évalue alors un résultat textuel, non l’expérience réelle qui aurait précédé sa rédaction.

Comment un modèle de langage écrit-il ?

Les modèles de langage avancés, dont ChatGPT est l’exemple le plus connu, sont entraînés à traiter d’immenses quantités de textes. Leur fonctionnement de base consiste à estimer quel fragment de texte, appelé token, a le plus de chances de venir après les fragments précédents. Ils ne composent donc pas une réponse en consultant une réserve fixe de phrases prêtes à l’emploi. Ils construisent une suite de mots en fonction de régularités apprises et des consignes reçues.

Cette méthode explique leur force : ils maîtrisent efficacement les structures de phrases, les enchaînements argumentatifs usuels et les registres de langue. À la demande, ils peuvent passer d’un résumé scolaire à un courriel diplomatique, puis à une liste d’idées. Elle explique aussi certaines limites. Un modèle peut formuler une phrase très convaincante sans que son contenu soit exact, manquer une information implicite importante ou adopter un ton trop lisse lorsque la consigne reste vague.

L’humain n’écrit pas non plus de manière totalement imprévisible. Il emploie des formules, reproduit des tournures acquises à l’école, suit les codes de son métier et s’appuie sur des textes lus auparavant. C’est précisément pourquoi une frontière fondée sur le seul style est fragile. Une lettre de motivation très normée peut paraître algorithmique. Un texte obtenu avec une IA, puis soigneusement révisé par un auteur, peut au contraire acquérir des caractéristiques difficilement attribuables à l’un ou à l’autre.

Quels indices peuvent alerter, sans jamais prouver une origine ?

Des analyses linguistiques peuvent relever certaines régularités : répétitions, structures de paragraphes semblables, vocabulaire très générique, transitions systématiques ou prudence excessive dans les formulations. Ces observations sont parfois utiles à un enseignant, à un éditeur ou à un lecteur attentif. Elles ne valent toutefois pas preuve d’une génération automatisée.

La raison est simple : chaque indice possède des explications alternatives. Une personne peut écrire de façon très standardisée parce qu’elle apprend une langue, respecte une consigne stricte ou maîtrise encore mal le sujet. Une IA peut produire davantage de variété si l’utilisateur lui demande de modifier son rythme, son niveau de précision ou sa structure. La longueur du texte, le domaine traité et le nombre de révisions effectuées changent aussi fortement le résultat.

La qualité essentielle d’une analyse n’est donc pas de chercher une empreinte magique de l’IA. Elle consiste à replacer le texte dans son environnement : qui l’a produit, pour quel usage, avec quelles consignes, à partir de quelles informations et après quelles corrections ? Dans une évaluation scolaire ou une publication scientifique, l’historique de rédaction, les brouillons, les références et la capacité de l’auteur à expliquer son raisonnement apportent souvent bien plus qu’un score logiciel.

Pourquoi les détecteurs de textes IA restent-ils incertains ?

Les outils de détection tentent généralement de mesurer la prévisibilité statistique d’un texte et certaines caractéristiques de sa formulation. Leur résultat est une probabilité ou un signal, pas une expertise certaine sur l’identité de l’auteur. Cette distinction est décisive lorsqu’une décision peut avoir des conséquences concrètes, par exemple une sanction universitaire, le refus d’un article ou une accusation de fraude.

L’histoire récente du secteur illustre cette prudence. En juillet 2023, OpenAI a retiré le classifieur de textes qu’il avait mis à disposition quelques mois plus tôt, en raison de son faible niveau de fiabilité. L’entreprise indiquait notamment que son outil identifiait correctement comme probablement générés par IA seulement 26 % des textes produits par une IA dans son évaluation, tout en pouvant classer à tort des textes humains.

Des travaux universitaires ont également attiré l’attention sur le risque de faux positifs. Une étude associée à Stanford a montré que des détecteurs pouvaient désavantager des personnes dont l’anglais n’est pas la langue maternelle. Leur écriture, parfois plus directe et plus régulière, peut être interprétée à tort comme un signe de génération automatique. Le problème dépasse la technique : un outil imparfait peut reproduire ou accentuer des inégalités linguistiques.

La réécriture rend en outre tout verdict encore plus fragile. Modifier quelques phrases, traduire un texte, raccourcir un paragraphe ou corriger le style change les propriétés mesurées par le détecteur. À l’inverse, un humain peut adopter sans le vouloir les tournures attendues par un logiciel. Un score élevé doit donc déclencher une vérification humaine et contradictoire, non tenir lieu de jugement final.

L’enjeu n’est pas seulement technique, mais éthique

La multiplication des contenus générés ou assistés par IA pose d’abord une question de transparence. Dans certains usages quotidiens, comme préparer un brouillon de courriel, demander une reformulation ou trouver des idées, signaler l’assistance peut ne pas être nécessaire. Le niveau d’exigence change lorsque le texte engage une responsabilité : devoir noté, expertise, information journalistique, article scientifique, avis médical ou communication institutionnelle.

Dans l’enseignement, interdire ou autoriser l’IA sans préciser les règles conduit souvent à des malentendus. Une politique claire peut différencier l’aide à la compréhension, la correction de forme, la traduction, la génération d’un plan et la remise d’un texte que l’élève n’est pas capable d’expliquer. Le but n’est pas uniquement de prévenir la triche. Il est aussi de préserver l’apprentissage de la recherche, de l’argumentation et de la vérification.

La recherche scientifique est confrontée à une exigence comparable. Un texte bien écrit ne garantit ni la qualité d’une méthode ni la solidité de données. Les auteurs doivent pouvoir assumer les analyses, les résultats et les références présentés sous leur nom. Une IA peut accélérer certaines tâches éditoriales, mais elle ne peut pas porter la responsabilité intellectuelle et scientifique d’une publication.

Création, médias et avis en ligne : une confiance à reconstruire

Les effets de l’IA générative ne se limitent pas aux salles de classe. Dans les médias, l’enjeu est de conserver une information vérifiée, contextualisée et identifiable. Dans la culture, écrivains, artistes et photographes explorent déjà des formes de collaboration avec des outils génératifs. Les initiatives artistiques présentées à Bruxelles, évoquées dans l’article d’archive, participent à cette réflexion sur les transformations culturelles en cours.

La question est aussi très concrète pour les plateformes d’avis. Un commentaire enthousiaste sur un restaurant, un hôtel ou un produit peut être rédigé rapidement par une IA et sembler naturel. Mais un avis humain bref, peu élaboré ou écrit dans une langue imparfaitement maîtrisée peut lui aussi ressembler à ce que certains détecteurs considèrent comme suspect. Pour établir la confiance, les plateformes ont intérêt à examiner les comportements de publication, la cohérence des comptes et les preuves d’expérience réelle, plutôt que le seul style des phrases.

L’efficacité d’une IA ne doit pas être confondue avec la valeur d’une parole située. Un témoignage tire souvent son intérêt de détails vérifiables, d’un point de vue assumé et de la relation entre celui qui écrit et ce qu’il raconte. Ces qualités peuvent être encouragées par des pratiques éditoriales rigoureuses, même lorsque des outils d’assistance sont utilisés.

Ce qu’il faut surveiller à mesure que les modèles progressent

À mesure que les modèles deviennent plus performants, la détection purement stylistique risque de perdre en pertinence. La question centrale se déplace : il ne s’agit plus seulement de savoir si une phrase a été produite par une machine, mais de connaître le degré d’intervention humaine, la nature de l’assistance et la responsabilité assumée sur le contenu final.

Les institutions, entreprises et plateformes devront définir des règles adaptées à chaque contexte. Une rédaction peut exiger une vérification humaine de chaque information. Une université peut demander aux étudiants de déclarer certains usages. Un éditeur scientifique peut préciser ce qui relève de l’aide linguistique et ce qui doit rester le fait des auteurs. Ces règles ont plus de valeur lorsqu’elles sont compréhensibles, proportionnées et appliquées sans présumer de la culpabilité d’un rédacteur.

Le débat sur l’avenir de l’écriture ne se résume donc pas à une compétition entre une créativité humaine supposée pure et une efficacité algorithmique. L’enjeu est de conserver ce qui donne du sens à un texte : la fiabilité de ses informations, la clarté de son intention, la possibilité d’en répondre et la confiance entre celui qui écrit et celui qui lit.