Détecteur d'IA gratuit : ce qu'il mesure vraiment, et pourquoi il se trompe

Tu cherches un détecteur d'IA gratuit parce que tu dois rendre un devoir, corriger une copie, ou vérifier un texte avant de le publier. Tu vas trouver une dizaine d'outils qui promettent tous « 99 % de précision ». Cet article ne va pas en ajouter un onzième au classement : il va t'expliquer ce que ces outils mesurent réellement, ce que les chiffres publiés disent de leur fiabilité, et pourquoi un score de 87 % ne veut pas dire ce que tu crois.

Le sujet mérite mieux qu'un « Top 8 ». Depuis trois ans, des étudiants sont accusés à tort, des rédacteurs perdent des contrats, et des enseignants prennent des décisions lourdes sur la base d'un pourcentage renvoyé par un outil qui n'a jamais été conçu pour ça. Ce qui suit s'appuie uniquement sur des sources vérifiables : publications de recherche, documentation des éditeurs, et texte réglementaire européen. Chaque chiffre cité est sourcé et daté.

Pourquoi cet article n'est pas un classement

Autant être direct sur la méthode : j'avais prévu de tester huit détecteurs gratuits sur les mêmes textes français et de publier les scores. Le protocole était prêt — un texte entièrement généré par IA, un texte humain vérifiable antérieur à 2022, et un texte hybride construit en alternant les deux. Le test n'a pas abouti, et je préfère l'écrire plutôt que de publier des chiffres que je n'ai pas obtenus.

Voici ce que j'ai rencontré, outil par outil, lors du relevé du 7 août 2026.

Cinq outils parmi les mieux positionnés sur Google, zéro score obtenu. Je ne prétends pas que ces outils sont inutilisables pour tout le monde : mon environnement de test n'est pas un navigateur ordinaire, et une partie des blocages vient probablement de là. Mais un constat tient quand même, et il est utile : la promesse « gratuit, sans inscription, en un clic » décrit mal l'expérience réelle. Entre les murs de consentement, les outils encapsulés dans des cadres tiers et les limites de caractères, le chemin entre la page d'accueil et un score exploitable est nettement plus long qu'annoncé.

Ce qu'un détecteur d'IA mesure réellement

C'est le point que presque aucune page d'outil n'explique, et c'est pourtant celui qui rend tout le reste compréhensible. Un détecteur d'IA ne reconnaît pas une machine. Il n'a aucun accès à l'origine du texte, aucune signature cachée à lire, aucun registre à consulter. Il fait une seule chose : il estime à quel point ton texte est prévisible.

Perplexité : la prévisibilité mot à mot

Le détecteur fait tourner ton texte dans un modèle de langage et lui pose, mot après mot, la même question : « connaissant tout ce qui précède, quelle était la probabilité de ce mot-là ? » Si le modèle avait presque toujours deviné juste, le texte est dit à faible perplexité. Si le modèle est souvent surpris, la perplexité est élevée.

Le raisonnement du détecteur est ensuite simple, et c'est là que tout se joue : un modèle de langage génère par construction le mot le plus probable. Donc un texte très prévisible ressemble à une production de modèle. Pour comprendre d'où vient cette mécanique de prédiction, notre article sur ce qu'est réellement un modèle de langage détaille le fonctionnement sous-jacent.

Burstiness : la régularité du rythme

Le second signal porte sur la variation. Un humain écrit de façon irrégulière : une phrase de trente mots, puis une de cinq. Une tournure familière au milieu d'un paragraphe formel. Une digression. Les modèles, eux, produisent un rythme plus homogène. Les détecteurs mesurent cette irrégularité — souvent appelée burstiness — et considèrent qu'un texte trop régulier penche du côté machine.

Pourquoi ces deux signaux se trompent

Formulé ainsi, le problème saute aux yeux. « Prévisible » et « régulier » ne sont pas des propriétés des machines : ce sont des propriétés de certaines écritures humaines. Celles d'une personne qui écrit dans une langue qu'elle maîtrise mal. Celles d'un élève qui a appris une structure et l'applique. Celles d'un rédacteur technique dont le métier est justement d'être clair et constant. Celles, aussi, d'une note administrative ou d'un compte rendu.

Un détecteur ne répond donc pas à la question « est-ce écrit par une IA ? ». Il répond à « ce texte est-il statistiquement banal ? ». Les deux questions se recoupent souvent, mais pas toujours — et c'est précisément dans l'écart que se logent les accusations injustes.

Les détecteurs d'IA sont-ils fiables ? Les chiffres publiés

C'est la requête que tout le monde tape après avoir vu un score qui l'inquiète. Voici les chiffres qui existent réellement, avec leur origine — parce que la source change complètement leur valeur.

OpenAI a retiré son propre détecteur

C'est le fait le plus parlant du dossier, et le moins repris par les pages d'outils. En janvier 2023, OpenAI — l'entreprise qui fabrique les modèles qu'on cherche à détecter — a publié son propre classificateur de texte IA. Le 20 juillet 2023, elle l'a retiré, en invoquant son faible taux de précision.

Les chiffres qu'OpenAI publiait elle-même expliquent la décision : l'outil identifiait correctement 26 % des textes générés par IA, et étiquetait à tort comme « IA » 9 % des textes écrits par des humains. Autrement dit : il ratait trois textes IA sur quatre, tout en accusant à tort près d'un texte humain sur onze.

Si l'acteur le mieux placé au monde pour détecter ses propres modèles a préféré retirer son outil plutôt que de le laisser en ligne, il faut au minimum s'interroger devant un site qui annonce 99 % sans publier son protocole.

Ce que Turnitin publie, et pourquoi c'est différent

Turnitin, l'outil utilisé par de nombreux établissements, adopte une approche plus transparente. L'éditeur documente un taux de faux positifs inférieur à 1 % au niveau du document, validé sur un corpus de 800 000 documents antérieurs à ChatGPT, mais aussi un taux d'environ 4 % au niveau de la phrase. Ce second chiffre est le plus important en pratique : c'est celui qui décide quelles phrases sont surlignées en rouge sous les yeux d'un correcteur.

Turnitin indique par ailleurs ne plus attribuer de score entre 1 et 19 %, précisément pour éviter les faux positifs dans la zone la plus incertaine, et avoir constaté davantage d'erreurs sur les premières et dernières phrases d'un document — introductions et conclusions étant souvent rédigées de façon générique. Cette granularité est ce qui distingue une documentation technique d'un argument marketing.

Ce que les éditeurs annoncent, et ce que ça vaut

Les taux de 99 % affichés en page d'accueil ne sont pas nécessairement mensongers, mais ils sont incomplets. Un détecteur atteint facilement 99 % de justesse sur un corpus composé de textes franchement générés et de textes franchement littéraires. Le même outil s'effondre sur les cas réels : textes hybrides, écriture scolaire, langue non maternelle, traductions. La performance annoncée dépend entièrement du corpus de test — et ce corpus n'est presque jamais publié.

À noter, et c'est tout à son honneur : Compilatio, éditeur français, accompagne ses chiffres d'une mise en garde explicite. L'entreprise écrit que le pourcentage de contenus IA « doit toujours être interprété avec prudence et complété par une analyse humaine ». Quand le fournisseur lui-même te dit de ne pas te fier au seul score, c'est un signal qu'il faut entendre.

Les faux positifs, et qui ils frappent

Un faux positif, c'est un texte humain déclaré « généré par IA ». C'est le risque asymétrique de toute cette affaire : rater un texte IA ne coûte rien à personne, accuser à tort un étudiant peut coûter une année.

L'étude qui a changé le débat

En 2023, une équipe de l'université Stanford a publié dans la revue Patterns une évaluation devenue la référence du domaine. Les chercheurs ont soumis à sept détecteurs des essais TOEFL rédigés par des étudiants non anglophones, en conditions d'examen surveillé — donc humains, sans ambiguïté possible.

Résultat : plus de 61 % de ces essais ont été classés comme générés par IA, alors que les essais d'auteurs anglophones natifs étaient identifiés avec une précision quasi parfaite. Le biais n'est donc pas un bruit aléatoire : il vise un groupe précis.

Les auteurs ont ensuite fait la démonstration qui clôt le débat sur le mécanisme. En enrichissant le vocabulaire de ces mêmes essais pour les rapprocher d'une écriture native, sans en changer l'auteur, le taux de faux positifs est tombé de 61,22 % à 11,77 %. Ce n'est donc pas l'origine du texte que les détecteurs repèrent : c'est la richesse lexicale.

Le cas particulier du français

Presque toute la recherche publiée porte sur l'anglais. Les modèles de détection sont entraînés, calibrés et évalués sur des corpus anglophones, où les données sont les plus abondantes. Le français dispose de moins de données et, surtout, d'aucune évaluation indépendante publiée qui permettrait de connaître le taux de faux positifs réel sur des textes français.

Concrètement : quand un outil t'annonce « 82 % de probabilité IA » sur un texte français, tu n'as aucun moyen de savoir à quoi correspond ce 82 %, parce que le seuil n'a pas été calibré sur ta langue. Aucun éditeur ne publie de taux de faux positifs spécifique au français. C'est une lacune, et elle devrait suffire à faire baisser d'un cran la confiance accordée au chiffre.

Ce qu'un score de 80 % veut réellement dire

Presque jamais ce que tu crois. Selon les outils, un « 80 % » peut désigner la probabilité que le texte entier soit généré, la proportion de phrases signalées, ou un indice de confiance interne sans unité. Trois grandeurs différentes, un même affichage.

La lecture prudente est la suivante : un score élevé signale un texte statistiquement banal. C'est une invitation à regarder de plus près, jamais une conclusion. Et un score bas ne prouve rien non plus : un texte généré puis retravaillé passe sous les radars sans difficulté.

Quoi faire selon ton profil

Étudiant : vérifier avant de rendre

Passer ton propre devoir dans un détecteur avant de le rendre est légitime, mais garde en tête ce que tu mesures : pas « est-ce que j'ai triché », mais « est-ce que mon écriture est banale ». Si le score est élevé alors que tu as tout rédigé toi-même, ne réécris pas ton texte pour tromper l'outil — c'est un jeu perdu d'avance et qui dégrade le devoir.

Fais plutôt ceci : conserve tes traces. Historique de versions du document, brouillons, notes manuscrites photographiées, historique de navigation sur tes sources. Un historique de rédaction est infiniment plus convaincant devant une commission qu'un contre-score obtenu sur un autre outil. Attention aussi à ce que tu colles dans ces services : tu envoies ton travail à un tiers, et nos règles pour utiliser l'IA sans se mettre en danger s'appliquent pleinement ici.

Enseignant : le piège du verdict binaire

Le risque professionnel, ici, est de traiter un pourcentage comme un résultat d'analyse. Les chiffres ci-dessus imposent trois précautions minimales : ne jamais ouvrir de procédure sur le seul score, croiser avec ce que tu connais du travail de l'élève, et donner un droit de réponse réel avant toute qualification.

Un point mérite d'être connu : plus le devoir est court, moins le score est fiable. Les détecteurs ont besoin de matière statistique. Sur un paragraphe de 150 mots, la marge d'erreur est telle que le résultat n'a pratiquement aucune valeur — ce qui inclut la plupart des questions ouvertes d'un contrôle ordinaire.

Rédacteur web : se prémunir d'un faux positif

Le cas de figure est devenu banal : un client passe ta livraison dans un détecteur, obtient 70 %, et conteste la facture. Le score ne prouve rien, mais la conversation est déjà mal engagée.

Le meilleur remède est contractuel, pas technique. Précise en amont que les scores de détection ne constituent pas un critère de réception, pour la raison documentée que leurs taux de faux positifs sont élevés et non calibrés sur le français. Travaille dans un outil qui conserve l'historique de rédaction, et livre-le au besoin. Et si tu utilises réellement l'IA dans ta production — ce qui est parfaitement légitime — dis-le : les textes produits avec ChatGPT et les autres assistants se déclarent mieux qu'ils ne se cachent, d'autant que le cadre européen l'impose désormais dans certains cas.

Détecter l'IA dans un PDF ou un devoir rendu

C'est une demande fréquente, et elle mérite une réponse précise, parce que le format change le résultat.

Ce qui change quand le texte passe par un PDF

Aucun détecteur grand public n'analyse un PDF. Ils en extraient le texte, puis analysent ce texte. Cette extraction n'est pas neutre : les césures de fin de ligne, les notes de bas de page, les en-têtes répétés et les légendes viennent souvent s'insérer au milieu des phrases. Le texte réellement soumis au modèle n'est donc pas celui que tu lis à l'écran, et les artefacts d'extraction dégradent mécaniquement la mesure.

Si le PDF est un document scanné ou une photo, il n'y a aucun texte à extraire. L'outil échouera, ou travaillera sur une reconnaissance de caractères approximative, ce qui revient à analyser un texte truffé de fautes que personne n'a écrites.

La pratique la plus fiable

Copie-colle le texte toi-même dans le champ d'analyse, section par section, plutôt que d'importer le fichier. Tu contrôles ce qui est soumis, tu élimines les en-têtes et les notes, et tu peux comparer les résultats entre les parties du document. Si tu dois extraire proprement le contenu d'un PDF avant analyse, notre guide sur l'extraction de données depuis un PDF détaille une méthode gratuite.

Ce que dit le cadre légal depuis le 2 août 2026

Le contexte a changé il y a cinq jours, et peu de pages sur le sujet l'ont intégré.

L'article 50 de l'AI Act est applicable

Depuis le 2 août 2026, l'article 50 du règlement européen sur l'intelligence artificielle est applicable. Il impose aux fournisseurs de systèmes générant du texte, de l'image, de l'audio ou de la vidéo de synthèse de veiller à ce que les sorties soient « marquées dans un format lisible par machine et détectables comme générées ou manipulées artificiellement ».

C'est un renversement d'approche qu'il faut bien saisir : le règlement ne mise pas sur la détection a posteriori, celle que font les outils de cet article. Il mise sur le marquage à la source. Le législateur européen a implicitement acté ce que la recherche montre — deviner l'origine d'un texte après coup ne fonctionne pas de façon fiable — et déplacé l'obligation vers celui qui produit le contenu.

Une période de transition existe : les systèmes mis sur le marché avant le 2 août 2026 ne doivent se conformer à l'obligation de marquage qu'à partir du 2 décembre 2026, et les contenus générés avant cette date n'ont pas à être marqués rétroactivement. Pour le détail des obligations qui pèsent sur une entreprise, notre guide sur ce que l'AI Act impose concrètement depuis le 2 août 2026 traite le sujet en profondeur.

Un score de détection peut-il fonder une sanction ?

Rien dans le règlement ne confère à un score de détection la valeur d'une preuve. L'AI Act crée une obligation de transparence pour ceux qui produisent et publient du contenu généré ; il ne crée aucun droit de sanctionner sur la base d'un pourcentage.

Dans le cadre scolaire ou universitaire, la question relève du droit disciplinaire et du contradictoire : la personne mise en cause doit pouvoir consulter et discuter les éléments retenus contre elle. Un pourcentage produit par un outil dont l'éditeur reconnaît lui-même un taux de faux positifs non nul, et dont le fonctionnement n'est pas public, est un élément fragile. Il peut motiver un entretien. Il ne devrait jamais, seul, motiver une sanction.

FAQ - Questions fréquentes

Les questions les plus posées sur les détecteurs d'IA gratuits, avec des réponses courtes et sourcées.

Ce qu'il faut retenir

Un détecteur d'IA gratuit est un instrument de mesure de la banalité statistique d'un texte. C'est utile, à condition de savoir que c'est ça, et pas autre chose. Le score qu'il affiche n'est pas une probabilité de tricherie, et son taux d'erreur sur le français n'est publié par personne.

Trois repères suffisent à s'en servir sans faire de dégâts. Un score élevé ouvre une question, il ne la referme pas. Les publics les plus exposés aux faux positifs sont ceux qui écrivent dans une langue seconde ou avec un vocabulaire simple, c'est-à-dire les moins bien placés pour se défendre. Et depuis le 2 août 2026, le droit européen a tranché en faveur du marquage à la source plutôt que de la détection après coup — ce qui en dit long sur le crédit qu'accordent les législateurs à ces outils.

Si tu dois retenir une seule phrase : ne laisse jamais un pourcentage décider à ta place.

Tu veux suivre ce dossier ? Abonne-toi à la newsletter EverydayAITech : je republierai un comparatif chiffré le jour où un test propre sera possible.

---

À propos de l'auteur : Flavien Hue teste et analyse les outils d'intelligence artificielle depuis 2023. Sa mission : démocratiser l'IA en proposant des guides pratiques et honnêtes, sans jargon technique inutile.