Au-delà de la détection : pourquoi le web a besoin d'un standard pour signaler les contenus IA

Le 13 juillet 2026, un post Ask HN intitulé « Add flag for AI-generated articles » a atteint 1 092 votes et 456 commentaires, un engagement inhabituel pour une demande de fonctionnalité. L'auteur réclamait un indicateur simple et non punitif sur les publications générées principalement par des LLM, pour que les lecteurs puissent choisir de les ignorer.

Le fil a révélé un problème plus profond : en 2026, le texte généré par IA est partout, et aucun standard universel ne permet de le signaler. C2PA couvre l'image et la vidéo. SynthID-Text couvre les modèles Google. Le règlement européen sur l'IA exige un marquage lisible par machine dès août 2026.

Mais le web n'a aucun mécanisme convenu pour marquer le texte généré par IA. Cet article examine le paysage, la pression réglementaire et à quoi devrait ressembler un standard pratique.

Le problème : le texte IA est partout et invisible

Le volume de texte généré par IA publié en 2026 est vertigineux. Les fermes de contenu produisent des milliers d'articles SEO par jour. Le problème n'est pas que le texte IA existe : c'est que les lecteurs n'ont aucun moyen de savoir quand ils en lisent.

Les commentateurs ont souligné que les articles générés par IA se classent souvent bien dans les recherches, évinçant l'écriture humaine. D'autres ont noté que la documentation générée par IA peut contenir des inexactitudes subtiles (points d'API hallucinés, benchmarks inventés) qui semblent plausibles jusqu'à l'usage. La demande n'était pas d'interdire, mais de rendre l'origine visible.

C'est une question de confiance. Quand les lecteurs ne distinguent plus le contenu IA de l'écriture humaine, la crédibilité de tout le contenu en ligne se dégrade. La solution exige un standard technique, pas une course à la détection.

Pourquoi la détection échoue

L'approche courante est la détection a posteriori : passer le texte dans un classifieur qui prédit humain ou IA. Des outils comme GPTZero, Turnitin et Originality.ai dominent. Mais la détection a des limites qui la rendent inadaptée comme standard.

Précision et faux positifs

À mesure que les détecteurs progressent, les LLM sont affinés pour les contourner. La précision s'effondre sur le contenu édité ou paraphrasé : une légère révision humaine peut faire chuter le score de plus de 95 % à moins de 10 %. Pire, les faux positifs nuisent à de vraies personnes : un auteur humain accusé à tort subit un préjudice de réputation. On ne peut pas appliquer une politique sur un score de probabilité.

Suppression des métadonnées

Pour les médias, C2PA fournit la provenance, mais les plateformes sociales suppriment souvent les métadonnées à l'upload. Un standard qui dépend de la survie des métadonnées est fragile par nature. Conclusion : la détection est un signal, pas un standard. Le web a besoin d'une approche côté génération : marquer le contenu au moment de sa création.

C2PA : une provenance qui ne couvre pas le texte

La Coalition for Content Provenance and Authenticity (C2PA) est ce qui se rapproche le plus d'un standard de provenance, via des manifestes cryptographiques qui tracent l'origine et les modifications. Plus de 6 000 organisations l'ont rejointe, dont Google, Meta, OpenAI et Adobe.

L'adoption est réelle pour les médias :

• OpenAI ajoute des métadonnées C2PA aux images DALL-E et aux vidéos Sora
• Adobe intègre des identifiants C2PA à chaque sortie Firefly
• Meta affiche des libellés « AI Info » sur Facebook et Instagram
• Google a intégré la vérification SynthID à Gemini

Mais C2PA a été conçu pour les médias. Son format de manifeste suppose un contenu binaire. Les articles texte n'entrent pas dans ce modèle, et l'étendre au texte demanderait un effort de plusieurs années. Le constat est clair : C2PA résout la provenance des médias ; rien ne la résout pour le texte.

SynthID-Text : le filigrane à la génération

Le SynthID-Text de Google DeepMind est l'approche de filigrane de texte la plus mature. Il biaise subtilement la sélection des tokens pendant la génération afin qu'un détecteur puisse ensuite identifier le texte avec une confiance statistique, sans perte de qualité mesurable.

from transformers import AutoModelForCausalLM, AutoTokenizer
from synthid_text import SynthIDTextWatermarkingConfig, DEFAULT_WATERMARKING_CONFIG

model = AutoModelForCausalLM.from_pretrained("google/gemma-2-2b")
tokenizer = AutoTokenizer.from_pretrained("google/gemma-2-2b")

watermark_config = SynthIDTextWatermarkingConfig(**DEFAULT_WATERMARKING_CONFIG)
inputs = tokenizer("Explain quantum computing", return_tensors="pt")
outputs = model.generate(**inputs, watermarking_config=watermark_config, max_length=200)
watermarked_text = tokenizer.decode(outputs[0])

Mais SynthID-Text ne fonctionne qu'avec les modèles Google. Générez avec GPT-5.6, Claude Opus 5 ou tout autre LLM non-Google, et il n'y a aucun filigrane. Un standard qui ne couvre qu'un fournisseur est une fonctionnalité propriétaire, pas un standard.

Article 50 du règlement européen sur l'IA : l'échéance

Le 2 août 2026, l'article 50 du règlement européen sur l'IA devient applicable. Les contenus générés par IA doivent être marqués sous une forme lisible par machine, et les fournisseurs doivent permettre de les détecter par filigrane ou autre moyen technique. La règle vise toute entreprise dont le contenu IA atteint des utilisateurs de l'UE, presque tous les éditeurs en ligne. L'échéance est proche, et l'infrastructure de conformité n'existe pas à grande échelle.

À quoi devrait ressembler un standard

Un standard pratique devrait combiner trois couches.

Couche 1 : filigrane à la génération

Chaque fournisseur devrait filigraner sa sortie à la génération, façon SynthID. L'algorithme est open source et agnostique en principe ; le frein est l'adoption.

Couche 2 : métadonnées de réponse API

Les API de LLM devraient renvoyer la provenance dans une sortie structurée :

{
  "content": "Le texte généré...",
  "provenance": {
    "ai_generated": true,
    "model": "claude-opus-5",
    "provider": "anthropic"
  }
}

Couche 3 : libellés HTML côté éditeur

Les éditeurs devraient exposer des libellés IA dans les métadonnées HTML, comme les balises Open Graph :

<meta name="ai-generated" content="true">
<meta name="ai-model" content="claude-opus-5">
<meta name="ai-provider" content="anthropic">

Mise en œuvre avec une API multi-fournisseurs

Se conformer, c'est attacher des métadonnées de provenance à la sortie IA. Une API multi-fournisseurs uniformise cela entre les vendeurs :

from edenai import EdenAI
from datetime import datetime

client = EdenAI(api_key="votre_cle_api")

def generer_avec_provenance(prompt, model="anthropic/claude-opus-5"):
    response = client.chat.completions.create(model=model, messages=prompt)
    content = response.choices[0].message.content
    provenance = {
        "ai_generated": True,
        "model": model.split("/")[-1],
        "provider": model.split("/")[0],
        "generated_at": datetime.utcnow().isoformat() + "Z",
    }
    return {"content": content, "provenance": provenance}

Vous pouvez router vers des modèles à filigrane (Google/SynthID) quand la conformité l'exige, et vers d'autres fournisseurs pour le coût ou la qualité sinon ; la provenance suit le contenu quel que soit le vendeur.

Conclusion : à retenir

Le fil HN a touché un problème réel et urgent. Ce qui compte pour les développeurs et les éditeurs :

• La détection n'est pas un standard. Elle est probabiliste, contournable et sujette aux faux positifs.
• C2PA ne couvre pas le texte. Il fonctionne pour les médias ; l'étendre prendra des années.
• SynthID-Text est réservé à Google. Un filigrane mono-fournisseur n'est pas un standard web.
• L'article 50 est applicable le 2 août 2026. L'échéance est le déclencheur.
• Une approche à trois couches est la voie pratique, et une API multi-fournisseurs permet de se conformer sans se lier à un seul vendeur.

Essayez par vous-même : routez vos contenus via l'API unifiée de détection et de génération d'Eden AI et attachez dès aujourd'hui un indicateur de provenance standardisé.

FAQ