Des outils adoptés en urgence, des résultats discutables
Avec l'explosion de l'IA générative et l'usage croissant d'assistants comme ChatGPT, nombre d'universités se tournent vers des logiciels capables de repérer des textes produits par des machines. L'idée paraît simple : distinguer des productions humaines, souvent plus imprévisibles, d'un texte « trop » prévisible produit par un modèle. Mais la méthode montre ses limites, alerte un article publié en juillet dans la revue Nature.
La perplexité, clé... mais fragile
La plupart de ces détecteurs s'appuient sur la notion de perplexité, une mesure statistique de la prévisibilité d'un texte. En théorie, un texte généré par une IA suit des schémas linguistiques plus réguliers et donc se voit attribuer une perplexité différente d'un texte humain. En pratique, cette séparation n'est pas nette : des textes humains peuvent paraître très « prévisibles », et des extraits d'œuvres anciennes ou très normées sont parfois classés à tort comme produits par une IA.
- Faux positifs : une étude de 2025 sur GPTZero révèle qu'environ 16% des textes identifiés comme générés par l'IA provenaient en réalité d'auteurs humains.
- Cas embarrassant : des extraits de la Déclaration d'indépendance (1776) ont systématiquement été signalés comme écrits par une IA par le même logiciel.
- Conséquence : risque de sanctions injustifiées contre des étudiants et d'une érosion de la confiance envers ces outils.
Quelles réponses du marché ?
Face à ces faiblesses, plusieurs entreprises tentent de concevoir des détecteurs plus robustes. Certaines, comme Pangram Labs, cherchent à améliorer l'entraînement en combinant d'abord de vastes corpus humains, puis des textes d'IA. L'objectif est de réduire les erreurs d'identification, mais la route reste longue : les modèles d'IA évoluent rapidement, rendant obsolètes des signaux autrefois fiables.
Impacts et enjeux pour l'enseignement supérieur
Pour les établissements, l'appât est double : préserver l'intégrité académique et dissuader la fraude. Mais s'appuyer aveuglément sur des scores automatiques pose des risques éthiques et juridiques. Les faux positifs peuvent conduire à des accusations infondées ; inversement, des faux négatifs laissent passer des plagiats numériques. La solution passe donc par une combinaison d'outils techniques, de formation des enseignants et d'une réflexion sur les formats d'évaluation.
Vers des pratiques plus prudentes
Au-delà de la performance algorithmique, l'enjeu est sociétal : comment intégrer l'IA dans les cursus sans sacrifier l'équité ? Les chercheurs et praticiens interrogés par Nature recommandent la transparence sur les limites des détecteurs et l'usage de procédures humaines de vérification avant toute sanction. À défaut, les établissements risquent de transférer à des logiciels des décisions qui devraient rester pédagogiques.
| Élément | Observation |
|---|---|
| Étude GPTZero (2025) | 16% de faux positifs |
| Test sur texte historique | Extraits de la Déclaration d'indépendance classés à tort comme IA |
La technologie offre des pistes, mais elle n'est pas une panacée. Pour préserver l'autorité des diplômes et l'équité entre étudiants, les universités devront combiner outils, pédagogie et procédures humaines — et rester conscientes que les détecteurs peuvent se tromper.
