Le mécanisme de la liste verte
À chaque token généré, le modèle partitionne son vocabulaire en deux, à l'aide d'une fonction pseudo-aléatoire dépendant des tokens précédents et d'une clé. Il ajoute un petit bonus aux candidats de la moitié « verte ». Le texte reste fluide et le sens intact, mais la proportion de tokens verts s'éloigne du hasard.
Le détecteur, qui connaît la clé, refait le calcul et compte. Sur trente mots, le bruit domine et rien n'est concluant. Sur mille, l'écart devient statistiquement massif. C'est pourquoi ces détecteurs sont beaucoup plus sûrs d'eux sur un long article que sur un paragraphe.
Pourquoi les astuces habituelles échouent
- Remplacer des espaces par des caractères invisibles : cela ne change aucun token porteur, le score reste identique.
- Traduire vers une autre langue puis revenir : la traduction rebat les tokens et affaiblit réellement le signal, mais dégrade le style et introduit des contresens.
- Demander au modèle de « réécrire son texte » : s'il applique le même filigrane, vous obtenez un nouveau texte marqué.
- Ajouter des fautes volontaires : cela abîme le texte sans supprimer le déséquilibre sur les mots restants.
Ce que la réécriture ciblée peut faire
La seule approche cohérente est de modifier le choix des mots là où le sens le permet : connecteurs logiques, adverbes de degré, verbes support, tournures de surface, ponctuation, structure des énumérations. Chaque substitution retire un token favorisé du décompte. Une mesure utile est la densité de tokens favorisés pour mille mots, avant et après.
Deux exigences pour que ce soit utilisable. La réécriture doit être scopée par langue : les tokens favorisés d'un texte français ne sont pas ceux d'un texte anglais, et un dictionnaire mélangé produit du charabia. Et un mot de remplacement ne doit jamais être lui-même un token favorisé, sinon on déplace le problème.
Les limites doivent être dites clairement : plus l'intensité augmente, plus le style s'appauvrit ; les accords et les tournures doivent être relus ; et la baisse de densité, même forte, ne prouve pas qu'un détecteur propriétaire échouera. La bonne façon de l'utiliser est comme un point de départ que vous retravaillez, pas comme un bouton magique.
Le cas des détecteurs qui ne lisent aucun filigrane
La plupart des outils vendus comme « détecteurs d'IA » n'utilisent aucune clé de filigrane. Ils évaluent la perplexité et la régularité du texte, c'est-à-dire son côté trop lisse. Ils se trompent régulièrement, y compris sur des textes entièrement humains, en particulier chez les auteurs non natifs.
Conséquence pratique : contre ce type d'outil, ce qui fonctionne est un travail d'écriture — varier la longueur des phrases, assumer des choix personnels, garder des exemples concrets. Aucune substitution automatique ne remplace cela.
Questions fréquentes
Peut-on supprimer un filigrane statistique de texte ?
On peut réduire fortement la densité des tokens favorisés en réécrivant les mots de surface, ce qui affaiblit le signal mesuré. On ne peut pas garantir la suppression : la clé du filigrane est privée et le détecteur reste seul juge.
Faut-il un texte long pour que le filigrane soit détectable ?
Oui. Le test est statistique : sous une centaine de mots, il n'est généralement pas concluant, et la confiance augmente avec la longueur.
La réécriture change-t-elle le sens de mon texte ?
Elle vise les mots de surface et non les termes porteurs de sens, mais à intensité élevée le style s'appauvrit et des maladresses apparaissent. Une relecture avant publication est indispensable.
Nettoyez votre fichier ou votre texte
Analyse et nettoyage dans votre navigateur : aucun envoi, aucun compte, aucun quota. Vos fichiers ne quittent pas votre appareil.
Ouvrir le studio