La perplexité : à quel point chaque mot surprend
La perplexité mesure la capacité d'un modèle de langage à prédire le mot suivant. Un texte généré par IA a souvent une perplexité faible, parce que le modèle qui l'a écrit a choisi des mots probables. Un texte humain a généralement une perplexité plus élevée : des choix de mots inattendus, des expressions idiomatiques, une blague, une faute de frappe.
C'est aussi sa principale faiblesse. Un texte humain simple, formel ou scolaire peut avoir lui aussi une perplexité faible, et il est signalé pour la même raison.
La burstiness : à quel point le rythme varie
La burstiness mesure la variation au sein d'un document. Les humains écrivent une longue phrase, puis une courte. Ils font suivre un paragraphe dense d'un paragraphe plus léger. Les modèles ont tendance à garder un rythme régulier.
Les détecteurs combinent les deux mesures. Un texte à faible perplexité et à faible burstiness est celui qui ressemble le plus à un texte de machine.
Essaie avec ton propre texte
Colle un paragraphe et compare ton score IA avant et après.
Vérifie n'importe quel paragraphe en un geste. Les captures montrent l'interface en anglais.
Télécharger sur l'App StoreDes classifieurs entraînés sur des exemples
La plupart des détecteurs commerciaux, dont Turnitin, GPTZero et Copyleaks, vont plus loin et entraînent un classifieur sur de grands ensembles de textes humains et IA étiquetés. Le classifieur apprend des schémas qui dépassent la perplexité, comme les expressions fétiches et la structure des paragraphes.
Ils sont donc meilleurs sur les types de textes qu'ils connaissent et moins bons sur tout le reste : nouveaux modèles, autres langues, textes techniques ou textes de personnes qui écrivent dans une langue étrangère.
Pourquoi les détecteurs IA ne sont pas fiables
La détection est une cible mouvante. Chaque nouveau modèle écrit différemment, et les détecteurs doivent rattraper leur retard. La réécriture brouille aussi le signal : dès qu'une personne réécrit une partie d'un brouillon IA, le texte devient réellement mixte.
Les faux positifs sont le problème le plus sérieux. Une étude de Stanford de 2023 a montré que sept détecteurs classaient à tort comme écrits par IA plus de la moitié d'un ensemble de dissertations TOEFL rédigées par des personnes non anglophones. Une prépublication de 2026 portant sur plus de 135 000 paires de documents a relevé des taux de faux positifs allant de 0 % à 100 % selon les 13 détecteurs testés.
Utiliser un détecteur IA avec bon sens
Un score de détecteur est surtout utile comme indicateur : il te montre quels passages paraissent prévisibles. Le bouton « Check for AI » de TextHumanizer te donne ce score pour n'importe quel paragraphe, et « Humanize Text » réécrit les passages plats pour que tu puisses comparer avant et après.
Questions
Les détecteurs IA repèrent-ils tous les modèles d'IA ?
Non. Ils sont entraînés sur les textes de modèles précis et ont toujours un temps de retard sur les nouvelles versions. Leur précision baisse aussi pour les langues et les styles rares dans leurs données d'entraînement.
Les détecteurs IA conservent-ils mon texte ?
Ça dépend de l'outil. Certains gardent les textes soumis pour améliorer leurs modèles, alors lis la politique de confidentialité d'un détecteur avant d'y coller un travail sensible.