Détecteurs d’IA : faux positifs et accusations injustifiées

👁 120 lectures

Un mémoire signalé comme « rédigé par une IA », une copie soupçonnée de fraude, un auteur sommé de se justifier : un score peut déclencher une accusation avant même que le travail soit examiné. Pourtant, un détecteur ne suffit pas à établir l’origine d’un texte. Les exemples documentés montrent aussi pourquoi il faut distinguer une erreur du logiciel, une suspicion contestée et une procédure irrégulière.

Voici les affaires et décisions à connaître pour comprendre les faux positifs des détecteurs d’IA, avec un éclairage français et européen. Nous n’avons pas réalisé de test supplémentaire. Sources consultées le 14 octobre 2026, par la rédaction de promptif.fr.

Notre dossier sur la controverse autour de C’était ça ou mourir traite séparément de l’actualité littéraire.

Un faux positif n’est pas simplement un résultat contesté

Un faux positif désigne un texte humain classé à tort comme généré. Pour employer ce terme à propos d’une affaire, il faut donc connaître suffisamment son origine. Le désaccord d’un étudiant avec son enseignant mérite un examen, mais ne permet pas, à lui seul, de mesurer la fiabilité du logiciel.

Autre difficulté : une correction autorisée peut avoir modifié le texte. Il faut alors vérifier ce que l’outil a signalé et ce que le règlement permettait. Le résultat technique et la qualification de fraude sont deux questions distinctes. Notre article sur les détecteurs d’IA et les personnes qui écrivent dans une langue seconde approfondit cette différence.

Pour lire les cas qui suivent, gardez trois repères : le fait observé, la position des personnes concernées et la portée exacte de la décision. Une sanction annulée ne devient pas automatiquement la preuve scientifique d’un faux positif.

En France, un zéro contesté devant le Défenseur des droits

Dans son rappel à la loi du 1er juillet 2026, RAL-2026-041, le Défenseur des droits présente le cas d’une étudiante en licence LEA. Soupçonnée de fraude avec l’IA, elle contestait les faits et avait refusé de repasser l’épreuve. Un zéro lui avait été attribué.

L’université défendait une mesure alternative permettant un nouvel examen. Le Défenseur des droits a considéré qu’il s’agissait d’une sanction déguisée, prise sans les garanties de la procédure disciplinaire applicable. Le document ne démontre pas une erreur d’un détecteur identifié : il porte sur le traitement du soupçon et les droits de l’étudiante.

Cette affaire est utile précisément parce qu’elle ne se résume pas à un pourcentage. Elle rappelle qu’il faut demander comment la suspicion a été construite. S’agit-il d’un rapport logiciel, d’une comparaison de copies, d’un constat pendant l’épreuve ou d’une impression stylistique ? Ces éléments ne racontent pas la même chose.

Pour une personne confrontée à une situation comparable, le premier réflexe utile consiste à demander les motifs écrits et les règles applicables à son établissement. La démarche ne présume ni l’innocence technique du fichier ni la justesse de l’accusation. Elle permet de comprendre ce qu’il faut effectivement expliquer.

L’université de Lorraine : distinguer plagiat et détection d’IA

Sur sa page de service modifiée le 26 août 2025, l’université de Lorraine explique ne pas avoir retenu Magister+, la solution intégrant la détection d’IA. Elle invoque notamment les faux positifs et le manque d’explication associé aux scores. Elle continue de présenter Compilatio comme outil de recherche de similitudes.

Ce choix institutionnel ne prouve pas que chaque document signalé ailleurs est humain. Il montre qu’une université peut distinguer deux usages techniques au lieu de les placer sous la même étiquette « antiplagiat ».

Lorsqu’un rapport vous est opposé, demandez donc de quel indicateur il s’agit. Un passage associé à une source retrouvée et un passage classé comme ressemblant à une production automatique appellent des vérifications différentes. Dans le premier cas, il faut examiner la citation et son attribution. Dans le second, il faut enquêter sur la manière dont le texte a été produit.

Fribourg : une réserve européenne exprimée dès 2023

La direction informatique de l’université de Fribourg, en Suisse, annonçait dans un billet du 23 novembre 2023 qu’elle renonçait à activer le module de détection d’IA proposé avec son logiciel institutionnel. Elle soulignait le risque de faux positifs et leurs conséquences pour les étudiants.

Il s’agit d’une position publiée à cette date, pas d’un inventaire des outils utilisés aujourd’hui dans toutes les universités suisses. L’intérêt de l’exemple est ailleurs : les limites d’une méthode peuvent être discutées avant qu’un étudiant ait à subir une accusation.

Une équipe pédagogique pourrait appliquer cette logique en définissant d’abord sa procédure : qui consulte le rapport, comment les erreurs possibles sont-elles examinées et à quel moment l’étudiant répond-il ? Acheter un outil ne répond pas à ces questions. Son utilisation doit rester compréhensible pour les personnes évaluées.

La Constitution américaine : un exemple célèbre à bien dater

Ars Technica rapportait le 14 juillet 2023 que des extraits de la Constitution américaine étaient signalés par GPTZero et ZeroGPT comme générés par IA. Le média montrait aussi un résultat similaire sur un extrait biblique. Ce sont des observations historiques sur des versions précises des outils.

La leçon tient en une distinction : montrer qu’une erreur existe n’indique pas sa fréquence sur votre mémoire. Pour évaluer un service, il faudrait des textes comparables, une origine documentée et des conditions stables. Une capture virale ne remplace pas cette démarche.

Évitez également de promettre que le même extrait produira le même score aujourd’hui. Nous reprenons ici une démonstration publiée, sans la présenter comme notre propre expérience ni comme un classement des détecteurs actuels.

Pourquoi les exemples américains intéressent aussi les étudiants français

Vanderbilt annonçait le 16 août 2023 la désactivation du module de détection d’IA de Turnitin. L’université illustrait le risque en appliquant un taux annoncé de 1 % à environ 75 000 travaux : 750 signalements possibles. Ce calcul était hypothétique, pas le décompte d’accusations injustifiées constatées.

Ce point est essentiel lorsque des chiffres circulent. Le nombre de documents analysés, le nombre de signalements et le nombre de fraudes établies ne sont pas interchangeables. Une institution pourrait avoir beaucoup d’alertes sans pouvoir conclure à autant d’infractions.

Pour apprécier une affirmation de fiabilité, demandez ce qui a été compté. Le résultat concerne-t-il des documents entiers ou des passages ? Des textes français ou anglais ? Une version ancienne ou actuelle du programme ? Sans ces précisions, un taux impressionnant reste difficile à interpréter.

Que faire si votre texte est détecté comme IA à tort ?

Les étapes suivantes sont une proposition de préparation du dossier. Elles ne remplacent pas la procédure de votre établissement et ne garantissent pas l’issue d’un recours. Leur objectif est de rendre vos explications vérifiables.

• Conservez le fichier remis. Travaillez sur une copie si vous devez ensuite le modifier.
• Demandez le rapport complet. Identifiez le service, la date, le fichier analysé et les passages concernés.
• Rassemblez les éléments existants. Notes, plan, brouillons, références et commentaires de relecture peuvent expliquer la progression.
• Décrivez les aides reçues. Une consultation, une correction et une génération de texte doivent être distinguées.
• Répondez au grief précis. Expliquez les passages en cause plutôt que d’envoyer un dossier sans commentaire.
• Vérifiez les délais internes. Demandez comment présenter vos observations et contester la décision.

Si vous n’avez aucun historique de versions, indiquez-le clairement. Ne fabriquez pas de brouillons après coup. Vous pouvez tout de même présenter vos sources, expliquer une décision de structure et montrer ce que vous avez compris du sujet.

Un second détecteur peut afficher un autre score. Cela révèle une divergence, pas automatiquement lequel dit vrai. Évitez d’accumuler les analyses jusqu’à obtenir le résultat souhaité : votre dossier sera plus lisible si vous documentez le travail réel.

Ce qu’un enseignant ou un éditeur devrait vérifier

Nous recommandons de commencer par la règle applicable et de séparer les observations des interprétations. « Ce paragraphe a été signalé » décrit une observation. « L’auteur a triché » exige des éléments supplémentaires et une appréciation de ce qui était interdit.

Une discussion utile peut porter sur le choix d’un exemple, le lien entre deux sources ou une modification importante. Elle devrait permettre à l’auteur d’apporter des précisions. La difficulté à improviser à l’oral ne doit pas devenir un raccourci pour trancher l’origine d’un texte.

Dans l’édition, la même prudence suppose de consulter les conditions de soumission. Notre guide des règles sur l’IA dans les concours littéraires et les maisons d’édition montre pourquoi une aide autorisée dans un contexte peut être exclue dans un autre.

À lire aussi : mon test du roman d’Orélien dans trois détecteurs, que faire en cas de fausse accusation d’IA.

Questions fréquentes

Un score de 100 % prouve-t-il qu’un texte vient d’une IA ?

Non. Il faut comprendre l’indicateur et examiner les éléments disponibles sur la rédaction. Le pourcentage ne constitue pas à lui seul une preuve de fraude.

Compilatio et un détecteur d’IA font-ils le même contrôle ?

Il faut identifier le module utilisé. Recherche de similitudes et classification de passages comme potentiellement générés sont des opérations différentes. La page de Lorraine illustre cette distinction.

Le Défenseur des droits a-t-il prouvé une erreur de logiciel ?

Pas dans le document présenté ici. Son rappel à la loi concerne une sanction déguisée et les garanties procédurales, sans établir un faux positif d’un outil nommé.

Puis-je répondre uniquement avec un autre score ?

Vous pouvez signaler une divergence, mais ajoutez des éléments sur votre travail. Une comparaison de pourcentages ne reconstitue pas, à elle seule, le processus de rédaction.

Faut-il ajouter des fautes pour éviter les faux positifs ?

Ce n’est pas une bonne stratégie. Préservez la qualité du texte et les traces réelles de sa préparation. L’objectif est de pouvoir expliquer votre travail, pas de satisfaire un classement opaque.

// lire la suiteFausse accusation d’IA : que faire si un détecteur vous accuseGuidesDétecteurs d’IA et langue seconde : quels biais ?MagazineAffaire Thélyson Orélien : j’ai testé le roman avec trois détecteurs d’IA. Même paragraphe : 100 %, 85 % et 0 %Magazine