Détecteurs d’IA : faux positifs et limites des preuves

Un détecteur estime si les motifs d’un texte ressemblent à ses exemples de rédaction automatique. Il ne voit ni l’auteur, ni le modèle, ni la quantité de révision humaine. Un faux positif peut accuser un humain, un faux négatif laisser passer un texte généré et un humanizer modifier la surface sans améliorer la vérité ou l’originalité. Le score constitue donc un signal de tri, pas une preuve.

Ce que les sources permettent de conclure

Turnitin précise que son score ne doit pas servir seul à une décision défavorable. Sa documentation consultée le 29 septembre 2026 énumère l’anglais, l’espagnol, le japonais et l’arabe comme langues prises en charge, sans citer le français. Elle exige au moins 300 mots de prose.

L’étude de Liang et ses coauteurs porte sur des textes anglais et des détecteurs évalués en 2023. L’étude de Tufts et ses coauteurs, révisée en février 2025, examine plusieurs détecteurs face à de nouveaux domaines, modèles et reformulations. Ces résultats ne constituent pas un test des produits actuels par TechniaHQ.

Protocole proposé, sans résultats de test

1. Créez un jeu équilibré avec textes humains connus, sorties brutes et sorties IA révisées sur les mêmes sujets et longueurs.
2. Testez chaque texte sans changer le format et conservez score, étiquette, date et version du produit.
3. Calculez séparément faux positifs et faux négatifs ; une précision globale masque des erreurs graves.
4. Avant une décision importante, examinez historique, sources, notes, versions et explication orale.