Filigrane dans un texte IA : que prouve réellement sa détection ?

Un fournisseur d’IA annonce qu’il va ajouter un filigrane à ses textes. Le titre est simple. La conclusion que l’on risque d’en tirer l’est beaucoup moins : si le filigrane est détecté, alors l’IA a écrit le texte.

Chez IZZY, nous examinons cette actualité pour clarifier une distinction plus utile. Un contenu peut avoir été traité avec l’IA sans avoir été créé de manière autonome par l’IA. Confondre ces deux situations transforme un signal technique limité en récit trompeur sur la contribution de chacun.

Imaginez qu’une collaboratrice rédige un communiqué. Elle demande ensuite à un assistant IA de réorganiser deux paragraphes, de traduire un passage et de corriger la ponctuation. Plus tard, un détecteur signale un filigrane.

L’IA a-t-elle écrit le communiqué ?

Cette question exige du filigrane une réponse qu’il ne peut pas donner. Un marquage statistique peut soutenir une conclusion plus étroite : un modèle compatible est probablement intervenu dans la génération d’une quantité suffisante de mots pour que son motif reste détectable. Il ne mesure pas la répartition entre contribution humaine et contribution de l’IA.

La nuance compte parce que l’IA peut intervenir à de nombreux endroits dans un processus éditorial. « Nous avons utilisé l’IA » peut vouloir dire : produire un premier jet, réécrire un brouillon humain, traduire, modifier cinq phrases ou corriger trois virgules. Ces contributions ne sont pas équivalentes, même si une interface leur attribue ensuite la même étiquette binaire.

Cet article explique ce qu’est un filigrane statistique dans un texte, ce qu’un résultat positif ou négatif permet d’établir, et quelles preuves une équipe éditoriale doit conserver en plus.

La réponse en 60 secondes

Un filigrane dans un texte IA n’est généralement ni un tampon visible ni un caractère invisible. Dans les mécanismes statistiques étudiés ici, le modèle introduit un motif pendant qu’il choisit les unités de texte, appelées tokens, de sa réponse. Un détecteur disposant de la méthode ou de la clé adaptée vérifie ensuite si la suite de mots contient suffisamment d’indices de ce motif. (Anthropic, Dathathri et al., Nature)

La détection peut indiquer que le modèle associé au filigrane a probablement contribué à produire ou à transformer le texte testé. Elle ne dit pas :

• qui a formulé les idées ou fourni le brouillon initial ;
• quel pourcentage du document serait « humain » ou « IA » ;
• si le modèle a rédigé le texte ou l’a fortement remanié ;
• si les affirmations sont exactes, sourcées, originales ou juridiquement utilisables ;
• qui détient les droits ou assume la publication.

L’inverse est tout aussi important : l’absence de filigrane détecté ne prouve pas une rédaction humaine. Le passage peut être trop court ou trop factuel, n’avoir reçu qu’une correction légère, provenir d’un modèle non marqué ou plus ancien, avoir été largement réécrit, ou avoir été testé avec un détecteur incompatible.

Anthropic expose directement ce problème de contribution mixte. Pour le filigrane annoncé pour Claude, l’entreprise indique pouvoir évaluer une participation probable, mais pas distinguer « Claude a écrit ce texte » de « Claude a fortement révisé ce texte ». Une simple correction de grammaire et de ponctuation peut modifier trop peu de mots pour laisser un signal détectable. À l’inverse, une traduction produite par Claude peut être marquée, puisque le modèle choisit les mots dans la langue cible. (Anthropic)

Considérez donc le filigrane comme un indice de provenance parmi d’autres. L’historique des versions, la tâche confiée au modèle, les validations humaines et la décision de publication répondent à des questions différentes.

Dans cet article

1. Ce que peut désigner un « filigrane IA »
2. Comment fonctionne un filigrane statistique dans un texte
3. Comment IZZY distingue création autonome et assistance par l’IA
4. Ce qu’un résultat positif ou négatif permet d’établir
5. Ce que change le règlement européen sur l’IA
6. Comment le processus IZZY documente la contribution de l’IA
7. Que faire lorsqu’un détecteur signale un document
8. Conclusion
9. Questions fréquentes
10. Sources

1. Ce que peut désigner un « filigrane IA »

Le mot filigrane recouvre plusieurs mécanismes. Ils ne doivent pas être confondus.

L’annonce d’Anthropic illustre deux de ces mécanismes. L’entreprise décrit un filigrane statistique pour les textes générés par Claude, mais des Content Credentials C2PA pour les formats d’image et de fichier compatibles. Le premier motif est introduit pendant la génération du texte ; le second prend la forme de métadonnées de provenance signées. (Anthropic, spécifications C2PA)

C2PA précise lui-même cette limite : la spécification permet d’associer à un fichier des déclarations de provenance vérifiables par cryptographie. Elle ne transforme pas ces informations en jugement sur la qualité, l’exactitude ou la valeur du contenu.

Avant toute décision, la bonne question n’est donc pas seulement « un filigrane a-t-il été trouvé ? », mais : quel mécanisme, associé à quel fournisseur ou standard, testé par quel outil ?

2. Comment fonctionne un filigrane statistique dans un texte

Un grand modèle de langage autorégressif produit sa réponse un token après l’autre. À chaque étape, il estime une distribution de probabilités sur les suites possibles, puis choisit parmi les options disponibles.

Certaines réponses sont très contraintes. Dans « 2 + 2 = », remplacer « 4 » par un autre nombre change le résultat. D’autres passages offrent davantage de liberté : selon la phrase, « gris », « couvert » ou « nuageux » peuvent exprimer une idée proche.

Un filigrane ajouté pendant la génération exploite ces choix souples pour introduire un motif statistique lié à une clé. Le détecteur analyse ensuite la relation entre les tokens observés et le motif attendu. Le résultat exprime un niveau d’indices statistiques évalué par rapport à un seuil. Il ne cache pas dans le texte une phrase qui dirait « ce document a été rédigé par une IA ».

Le principe est documenté dans la recherche évaluée par les pairs. Un article présenté à l’ICML en 2023 décrit un mécanisme qui favorise un ensemble aléatoire de tokens candidats, puis détecte le motif par un test statistique. L’article SynthID-Text publié dans Nature en 2024 décrit une autre méthode d’échantillonnage, un score lié à une clé et un déploiement à grande échelle. Anthropic indique que son dispositif pour Claude reprend une version de SynthID-Text. (Kirchenbauer et al., ICML, Dathathri et al., Nature, Anthropic)

Trois limites pratiques découlent directement de ce fonctionnement.

La longueur du passage compte

Un texte long offre généralement davantage de choix de tokens et donc davantage d’indices. Un extrait court peut laisser le détecteur dans l’incertitude. Les sources vérifiées ne fournissent aucun seuil minimal universel valable pour tous les fournisseurs, modèles, langues, prompts et niveaux de détection.

La nature du texte compte

Une formulation créative ou variée offre plus d’alternatives qu’une citation exacte, du code, un fait fixe ou une réponse très contrainte. Google DeepMind indique que son filigrane texte fonctionne mieux sur des réponses longues et diversifiées, et moins bien lorsqu’il existe peu de variations possibles. Anthropic formule une limite comparable pour les passages factuels, la correction légère et une grande partie du code. (Google DeepMind, Anthropic)

Les modifications ultérieures comptent

Une retouche limitée peut préserver assez du motif pour qu’il reste détectable. Une réécriture importante, une paraphrase ou une nouvelle traduction peuvent l’affaiblir. L’étude SynthID-Text identifie l’édition, l’usurpation du signal et son effacement comme des limites persistantes ; Anthropic indique qu’une réécriture complète peut supprimer son filigrane. (Dathathri et al., Nature, Anthropic)

Ces constats portent sur les mécanismes étudiés. Ils ne créent pas une règle numérique applicable à un document précis. Tant qu’un fournisseur n’a pas publié son détecteur, ses paramètres d’exploitation et ses résultats de validation, « résiste probablement à des modifications légères » ne doit pas devenir « reste détectable après 20 % d’édition ».

3. Comment IZZY distingue création autonome et assistance par l’IA

La distinction suivante est une définition éditoriale IZZY. Ce n’est ni un test juridique, ni une norme sectorielle, ni la promesse que toute attribution peut se résoudre par une règle unique.

Création autonome par l’IA : le modèle reçoit le sujet et produit le contenu

Dans le cas le plus clair de création autonome, une personne donne un sujet ou une consigne courte. Le modèle produit ensuite le contenu sans cadre de recherche conçu par un humain, sans processus de sélection des sources, sans architecture de décision et sans direction éditoriale spécialisée.

La personne peut encore choisir d’utiliser ou non le résultat. Mais la substance du premier jet et sa formulation proviennent du modèle à partir d’un brief minimal.

Assistance par l’IA : les personnes conçoivent et assument le système éditorial

Dans un processus assisté par l’IA, la contribution humaine ne consiste pas seulement à corriger une réponse terminée. Des personnes définissent le problème, construisent la recherche et le processus éditorial, fixent les limites des affirmations, dirigent la tâche confiée au modèle, contrôlent le résultat et assument la publication.

Le modèle propose du contenu à l’intérieur de ce système. Un spécialiste le vérifie, le transforme, l’accepte ou le refuse.

« L’IA a été utilisée » et « l’IA est l’auteur » ne sont donc pas deux formulations équivalentes.

Une version publique du processus éditorial IZZY

Voici la version simplifiée du processus appliqué à un article fondé sur des preuves :

1. Sélectionner le signal et la décision du lecteur. Définir pourquoi le sujet compte maintenant, qui a besoin de la réponse et quelle décision l’article doit permettre.
2. Vérifier la couverture existante. Examiner les articles IZZY et le contexte de service en ligne afin de donner un rôle distinct au nouveau contenu.
3. Étudier les questions actuelles. Observer les discussions récentes, leur vocabulaire, leurs confusions et leurs objections, sans présenter des échanges communautaires partiels comme une étude représentative.
4. Construire le dossier de preuves. Ouvrir les sources primaires, officielles, évaluées par les pairs et pertinentes ; séparer faits vérifiés, observations et déductions.
5. Définir les limites de chaque affirmation. Noter ce que chaque source soutient, ce qu’elle ne soutient pas et quels faits volatils devront être revérifiés.
6. Fixer la position éditoriale. Choisir l’angle, la structure, les exclusions, l’apport IZZY de première partie et le résultat pratique pour le lecteur.
7. Utiliser l’IA pour la synthèse et la structure. Fournir au modèle la recherche et les limites des affirmations pour organiser, comparer et éprouver le raisonnement, et non pour lui demander d’inventer un article à partir d’une seule phrase.
8. Appliquer une édition spécialisée. Contrôler le raisonnement, les faits, les sources, les nuances techniques ou réglementaires, la voix IZZY et l’utilité réelle du cadre proposé.
9. Exécuter la QA de publication. Revérifier les liens, les métadonnées, les affirmations non étayées, les limites, le chemin de conversion et le besoin d’une revue juridique ou métier.
10. Conserver la responsabilité humaine. Une personne nommée approuve, révise, retarde ou refuse la publication. Le modèle ne prend pas cette décision.

Cette description est volontairement publique et simplifiée. Elle rend visibles les points de contrôle sans exposer les prompts internes, la logique de qualification, les opérations de recherche ou les autres méthodes propriétaires d’IZZY.

Cet article est parti d’un signal d’actualité sélectionné par la fondatrice. Les affirmations techniques et réglementaires ont été contrôlées dans des sources primaires et évaluées par les pairs. La distinction entre création autonome et assistance a ensuite été revue avec la fondatrice. Le texte reste soumis à une revue éditoriale humaine et à une vérification qualifiée des passages juridiques. Il ne constitue ni un cas client ni un article présenté comme entièrement autonome.

Ce qui change entre rédaction, réécriture, traduction et correction

L’idée à l’origine de cet article était qu’une simple correction de fautes pouvait marquer un texte humain. Les preuves imposent une réponse plus précise : une correction légère peut modifier trop peu de mots pour créer un signal détectable. La possibilité de détection augmente à mesure que le modèle prend davantage de décisions de formulation.

Ce tableau montre pourquoi un pourcentage d’auteur est une mauvaise lecture. Le détecteur analyse la séquence finale de tokens. Il ne rejoue pas l’historique du brouillon, ne compare pas toutes les versions, n’attribue pas la contribution intellectuelle et ne décide pas si la bonne qualification est « auteur », « éditeur », « traducteur » ou « correcteur ».

Deux documents peuvent ainsi obtenir des résultats similaires alors que leur histoire diffère :

• le premier était un brouillon humain largement réécrit par un modèle ;
• le second a été généré par un modèle, puis soigneusement vérifié et édité par une personne.

Le filigrane seul ne peut pas reconstruire le chemin suivi.

4. Ce qu’un résultat positif ou négatif permet d’établir

Employez un langage proportionné aux preuves. L’interprétation dépend de l’authenticité du détecteur, de sa compatibilité avec le mécanisme et de la quantité de texte non altéré disponible.

Pour IZZY, le risque immédiat ne vient pas seulement de l’existence du filigrane, mais de son interprétation. Un résultat binaire peut créer une fausse précision sur la contribution du modèle, puis servir de base à une accusation contre un salarié, un rédacteur, un prestataire ou un étudiant. Le détecteur ne possède pas l’historique du travail. L’organisation ne doit pas lui attribuer cette connaissance.

Si un filigrane compatible est détecté

Vous pouvez éventuellement écrire :

« Ce test a trouvé des indices statistiques cohérents avec l’intervention du modèle ou du mécanisme de marquage indiqué dans la génération ou la transformation d’au moins une partie de ce texte. »

Vous ne devez pas transformer cette phrase en :

• « L’IA a écrit 100 % de ce document. »
• « La personne nommée ne l’a pas écrit. »
• « Le texte n’a fait l’objet d’aucune revue humaine. »
• « Le contenu est faux, plagié ou de mauvaise qualité. »
• « La publication respecte les obligations de transparence sur l’IA. »
• « Le fournisseur détient les droits sur le résultat. »

Anthropic précise que son filigrane ne dit rien sur les droits ou l’auteur et ne permet pas d’identifier une personne, une organisation ou une conversation. Son rôle est d’évaluer une implication probable de Claude. Ce sont des affirmations très différentes. (Anthropic)

Si aucun filigrane n’est détecté

Vous pouvez éventuellement écrire :

« Ce détecteur n’a pas trouvé suffisamment d’indices de ce filigrane précis dans l’échantillon testé. »

Vous ne devez pas remplacer cette conclusion par « le texte a été rédigé par une personne ». Plusieurs explications restent possibles :

• le fournisseur ou le modèle n’appliquait pas ce filigrane ;
• le texte est antérieur à la prise en charge du marquage ;
• le détecteur ou la clé ne correspond pas au mécanisme ;
• le passage est trop court, trop exact ou trop factuel ;
• le modèle n’a effectué que quelques corrections ;
• une édition ultérieure a affaibli le motif ;
• un autre modèle, associé à un autre dispositif, a généré le texte.

Un résultat négatif possède donc un périmètre technique limité. Il ne certifie pas une rédaction humaine.

Un score de détection n’est pas un score d’auteur

La performance d’un détecteur s’évalue avec des seuils, des taux de vrais positifs et de faux positifs. La recherche SynthID-Text examine par exemple la détection en fonction de la longueur du texte, à taux de faux positifs fixé. Cette mesure sert à évaluer le détecteur. Elle ne transforme pas une probabilité de filigrane de 99 % en « 99 % des mots ont été écrits par l’IA ». (Dathathri et al., Nature)

Le pourcentage concerne le test de l’hypothèse statistique, pas la répartition du travail créatif ou éditorial.

5. Ce que change le règlement européen sur l’IA

L’attention actuelle portée au marquage des textes s’explique aussi par le droit européen. L’article 50, paragraphe 2, du règlement européen sur l’intelligence artificielle impose aux fournisseurs de systèmes générant des contenus de synthèse audio, image, vidéo ou texte de rendre leurs sorties lisibles par machine et détectables comme artificiellement générées ou manipulées, dans la mesure où cela est techniquement possible. Le règlement demande notamment de tenir compte de l’efficacité, de l’interopérabilité, de la robustesse, de la fiabilité, du coût de mise en œuvre et de l’état de l’art. (Règlement (UE) 2024/1689, article 50)

Cette obligation de marquage du fournisseur n’est pas absolue. L’article 50, paragraphe 2, prévoit une exception lorsque les systèmes remplissent une fonction d’assistance pour l’édition standard ou ne modifient pas substantiellement les données d’entrée ou leur sémantique. Les orientations actuelles de la Commission citent l’édition standard parmi les situations susceptibles de sortir du périmètre. (Orientations de la Commission européenne)

Deux distinctions sont particulièrement importantes pour une équipe éditoriale en France.

Marquage du fournisseur et information visible du public sont deux obligations distinctes

Le marquage lisible par machine est un signal technique ajouté ou rendu possible par le fournisseur du système. Une étiquette visible est une information présentée par l’entreprise qui publie le contenu. L’article 50 ne leur donne pas le même périmètre.

Pour le texte, l’obligation d’information du déployeur prévue à l’article 50, paragraphe 4, vise les contenus générés ou manipulés par l’IA et publiés pour informer le public sur des questions d’intérêt public. Elle prévoit aussi une exception lorsque le contenu a fait l’objet d’une revue humaine ou d’un contrôle éditorial et qu’une personne physique ou morale assume la responsabilité éditoriale. L’application dépend toujours des faits propres à la publication.

Un filigrane n’est pas une décision de conformité

Un résultat positif ne prouve pas que l’information visible requise a été fournie. L’absence de signal ne prouve pas automatiquement qu’un fournisseur a enfreint le règlement. Le système, la date du modèle, la fonction d’édition, la faisabilité technique, les rôles de fournisseur et de déployeur, l’usage et les exceptions doivent tous être examinés.

La Commission européenne a publié un code de bonnes pratiques volontaire destiné à aider les acteurs à mettre en œuvre ces obligations, applicables depuis le 2 août 2026. Les orientations et le code en vigueur doivent être revérifiés avant de concevoir un processus réel. Cet article explique les limites de la preuve ; il ne constitue pas un avis juridique. (Code de bonnes pratiques de la Commission européenne, orientations de la Commission européenne)

6. Comment le processus IZZY documente la contribution de l’IA

La détection d’un filigrane devient utile lorsqu’elle s’intègre au processus sous responsabilité humaine décrit plus haut. Les cinq traces suivantes rendent la décision contrôlable. Il s’agit d’un cadre opérationnel IZZY, pas d’une norme technique ni d’un certificat de conformité.

Pour chaque contenu public important, conservez cinq éléments.

1. Signal : qu’a réellement détecté l’outil ?

Notez :

• le fournisseur, le modèle et la version lorsqu’ils sont connus ;
• le nom et la version du détecteur, ainsi que son mode d’accès ;
• la date du test ;
• l’échantillon exact analysé ;
• le score brut, la catégorie ou le résultat du seuil ;
• la compatibilité annoncée entre le détecteur et le filigrane.

Une capture d’écran isolée ne suffit pas. La personne qui réexaminera le dossier doit pouvoir comprendre ce que l’outil a testé.

2. Événement : qu’a fait le modèle ?

Classez l’usage : générer, développer, réécrire, traduire, résumer, éditer, corriger ou analyser. Lorsque la politique et la confidentialité le permettent, conservez aussi la consigne ou la tâche.

Cette trace apporte le contexte que le filigrane ne contient pas. « Corriger uniquement la ponctuation » et « réécrire pour un nouveau public » ne doivent pas devenir une même case générique.

3. Contribution : qu’ont apporté les personnes et les sources antérieures ?

Conservez le brouillon initial, les versions importantes et les modifications suivies. Nommez la personne qui apporte l’expertise et celle qui édite. Enregistrez les sources utilisées pour les affirmations importantes.

Ces informations ne produisent pas davantage un pourcentage parfait d’auteur. Elles établissent une provenance contrôlable pour la décision essentielle : l’organisation peut-elle assumer le contenu final ?

4. Assurance : qu’est-ce qui a été vérifié indépendamment ?

Enregistrez les contrôles pertinents :

• vérification des faits et des sources ;
• droits, confidentialité et données personnelles ;
• marque et accessibilité ;
• revue métier ou juridique lorsque le risque l’exige ;
• approbation humaine finale et limites non résolues.

Le filigrane ne remplace aucun de ces contrôles.

5. Décision : que faut-il publier, signaler ou escalader ?

Nommez la personne responsable. Indiquez si le contenu peut être publié, doit porter une information visible, nécessite une révision ou doit être soumis à un spécialiste. Conservez le motif et la règle interne ou externe utilisée.

Le résultat n’est pas « IA : oui/non ». C’est une décision éditoriale soutenue par des preuves.

Si l’entreprise possède déjà une politique de passage du pilote IA à la production, ajoutez cette fiche au dispositif existant au lieu de créer une bureaucratie parallèle. Notre article Gouvernance IA en PME : passer du pilote à la production sans perdre le contrôle couvre les décisions plus larges d’autorisation, d’assistance, de validation, de signalement, de restriction et de blocage. Les cinq traces ci-dessus traitent le problème plus étroit de la preuve apportée par un filigrane.

7. Que faire lorsqu’un détecteur signale un document

Ne commencez pas par réécrire le texte. Préservez d’abord le document et le résultat.

1. Confirmez le détecteur. S’agit-il de l’outil du fournisseur ou d’un détecteur validé pour ce mécanisme précis ? Un classificateur générique de style IA n’est pas équivalent.
2. Conservez la version testée. Gardez le texte complet, les limites de l’échantillon et le résultat brut.
3. Vérifiez la couverture du modèle. Le modèle concerné pouvait-il appliquer ce filigrane à la date de génération ? Anthropic indique que la prise en charge des anciens modèles Claude se déploie progressivement ; la version et la date comptent.
4. Retrouvez les preuves du processus. Cherchez le brouillon initial, l’historique, les modifications suivies, la tâche confiée au modèle et les personnes ayant validé.
5. Qualifiez le rôle de l’IA. Distinguez correction, édition, réécriture importante, traduction et génération complète.
6. Exécutez les contrôles que le filigrane ne peut pas réaliser. Vérifiez les affirmations et les sources, étudiez les droits et la confidentialité, puis confirmez le responsable éditorial.
7. Appliquez la politique adaptée. Décidez de l’approbation, de l’information visible, de la révision ou de l’escalade selon l’usage et le risque, pas selon le seul résultat du détecteur.
8. Escaladez les décisions à forte conséquence. N’utilisez pas un filigrane seul pour trancher une sanction professionnelle, une fraude académique, un litige ou une question réglementaire. Ces décisions exigent leur procédure propre et une expertise qualifiée.

Pour un brouillon de blog à faible risque, cette vérification peut prendre quelques minutes. Pour une communication aux investisseurs, un conseil réglementé, un document RH ou un contenu d’intérêt public, elle doit être plus formelle.

Si l’équipe ne parvient pas à reconstruire le processus, dites-le. « L’historique de rédaction n’a pas pu être vérifié » est plus sûr qu’une attribution précise inventée à partir d’un signal statistique.

Conclusion : le filigrane ouvre l’enquête, il ne tranche pas l’auteur

Le marquage statistique peut rendre l’intervention d’un modèle plus détectable. C’est utile. C’est aussi un résultat beaucoup plus étroit que « résoudre l’attribution des textes IA ».

Le filigrane se trouve dans les choix de formulation du modèle. La contribution éditoriale se construit à travers les idées, les brouillons, les sources, les modifications, les validations et la responsabilité. Le détecteur observe la première couche ; le processus de contenu doit préserver les autres.

Chez IZZY, nous ne définissons donc pas l’auteur uniquement selon que l’IA a touché ou non un document. Nous demandons qui a conçu le processus, sélectionné et vérifié les preuves, dirigé le travail, édité le résultat et accepté la responsabilité de la publication. Cela ne rend pas automatiquement humain tout texte assisté par l’IA. Cela permet d’examiner la contribution à partir de traces réelles plutôt que d’un résultat binaire.

La règle pratique est simple :

Utilisez le filigrane pour ouvrir une revue des preuves, pas pour refermer la question de l’auteur.

Si vous devez cartographier les endroits où l’IA génère, réécrit, traduit ou valide vos contenus publics - et définir les preuves à conserver à chaque étape - IZZY peut vous accompagner dans une mission de Conseil à périmètre fixe pour transformer ce processus en contrôles attribués et en décisions traçables.

Questions fréquentes

Sources, méthode et limites

Recherche effectuée le 18 août 2026. Les affirmations centrales ont été contrôlées dans :

• l’explication publiée par Anthropic sur le futur filigrane textuel de Claude, le 14 août 2026 ;
• l’article SynthID-Text évalué par les pairs dans Nature ;
• l’article fondateur sur le filigrane statistique publié à l’ICML ;
• l’explication de Google DeepMind sur SynthID pour le texte ;
• l’article 50 du règlement européen sur l’IA, les orientations actuelles de la Commission européenne et le code de bonnes pratiques ;
• les spécifications techniques C2PA.

Des discussions communautaires récentes ont aussi été examinées pour identifier les questions posées sur la correction, l’édition, la traduction et les accusations d’auteur IA. Elles ont influencé les questions traitées, pas les conclusions techniques ou juridiques. La collecte communautaire automatisée n’a retenu aucun résultat classé ; X, TikTok, Instagram et une couverture YouTube exploitable n’étaient pas disponibles pendant ce passage. Le signal de demande reste donc directionnel, pas représentatif.

Un échange éditorial de première partie a été mené avec la fondatrice d’IZZY le 18 août 2026. Il a défini la distinction entre création autonome par l’IA et processus de contenu humain assisté par l’IA, la version publique du processus et le risque d’accusations fondées sur une mauvaise lecture du signal. Il ne remplace pas les preuves techniques ou juridiques. Aucun cas client n’est revendiqué.

Limites importantes :

• Anthropic avait annoncé une future API de détection, mais ses modalités d’exploitation n’étaient pas publiées dans les sources vérifiées ;
• aucun seuil minimal universel de longueur ou d’édition n’a pu être vérifié ; les performances dépendent du mécanisme et du texte ;
• le calendrier des fournisseurs et les orientations européennes peuvent évoluer ;
• la recherche sur les filigranes démontre des capacités et des limites dans des tests définis, sans rendre chaque résultat réel concluant ;
• la distinction IZZY entre création autonome et assistance, ainsi que son processus, sont des définitions éditoriales et opérationnelles, pas un test universel de l’auteur ;
• cet article propose un cadre opérationnel général, pas un avis juridique ni une décision en matière de droits d’auteur, d’emploi, d’intégrité académique ou de conformité réglementaire.