Baromètre du marquage des contenus générés sur les plateformes de partage d'images
Combien vaut l'étiquette « généré par IA » apposée sur une image ? Protocole de relevé, quatre états observés, ordres de grandeur et limites de la mesure.
À retenir
- Le marquage automatique produit deux erreurs symétriques : des photographies authentiques étiquetées comme synthétiques, et des images générées qui traversent le filtre sans mention.
- Un baromètre honnête relève des états de marquage sur un échantillon documenté, il ne produit pas un taux de fiabilité applicable à l'ensemble d'une plateforme.
- Pour une cellule de veille, le faux positif sur un contenu authentique coûte davantage que le faux négatif, parce qu'il détruit une preuve utilisable.
- L'étiquette de plateforme est un indice de premier tri, jamais un élément de chaîne de garde.
Le marquage automatique des contenus générés est devenu, en deux ans, le point d'appui le plus fragile des chaînes de vérification. Les plateformes de partage d'images apposent des mentions calculées sans intervention humaine, les analystes s'en servent comme d'un premier tri, et personne ne dispose d'une mesure publique de ce que vaut ce tri. L'écart entre l'usage réel de cette étiquette et sa fiabilité documentée justifie un relevé structuré.
Le point de départ de ce baromètre est un constat rapporté par Le Fil IA le 4 septembre 2026 : Meta fait face à des erreurs d'étiquetage sur Instagram, où des photographies réelles sont mal étiquetées tandis que des images générées passent inaperçues. Le Fil IA souligne que ce double sens de l'erreur affaiblit la crédibilité d'un système censé distinguer contenu authentique et contenu synthétique. Le problème n'est donc pas un défaut de sensibilité, mais une instabilité dans les deux directions.
Nous ne cherchons ni à contredire ce constat ni à le chiffrer à sa place. Cet article décrit un protocole de relevé reproductible, les définitions qu'il suppose, les états observables d'un contenu face au marquage, les ordres de grandeur que notre observation fait apparaître et ce qu'une cellule de veille doit en conclure pour sa propre chaîne de garde.
Ce que le baromètre mesure : le marquage affiché, pas la détection
Trois objets distincts sont régulièrement confondus. La génération est le fait qu'une image ait été produite ou retouchée par un modèle. La détection est la capacité technique à établir ce fait, par filigrane, par métadonnée de provenance ou par analyse du signal. Le marquage est la mention effectivement affichée à l'utilisateur au moment où il voit l'image dans son fil.
Ce baromètre ne porte que sur le troisième objet. Il ne juge pas la performance d'un détecteur en laboratoire, il constate ce qu'un utilisateur ordinaire, et donc un analyste qui collecte au fil de l'eau, lit sous une image publiée. Cette restriction est volontaire : c'est le marquage affiché, et lui seul, qui oriente les décisions de tri dans une cellule de veille.
La conséquence méthodologique est nette. Un contenu peut être correctement détecté en amont et mal marqué en aval, parce que la mention a été perdue au recadrage, à la recompression, à la capture d'écran ou au passage par une messagerie. Ces pertes de mention ne sont pas des erreurs de modèle, ce sont des erreurs de chaîne, et elles se relèvent séparément.
Protocole de relevé : échantillon, fenêtre d'observation, définitions retenues
L'échantillon retenu est constitué de contenus visuels collectés sur des plateformes de partage d'images grand public, en quatre langues, sur une fenêtre glissante de trente jours. La sélection est stratifiée par thématique afin d'éviter la surreprésentation des sujets où le contenu synthétique abonde par construction, comme l'illustration promotionnelle. Chaque unité collectée est une occurrence d'affichage, pas un fichier : la même image vue sous deux mentions différentes compte deux fois.
Le codage est double et fait l'objet d'une réconciliation. Un premier passage relève l'état de marquage affiché ; un second établit, par recherche d'antériorité et examen des métadonnées disponibles, la nature la plus probable du contenu. Les cas où les deux codeurs divergent sont conservés dans une catégorie explicite, plutôt que tranchés arbitrairement, parce que leur volume renseigne autant que les cas nets.
| État relevé | Contenu réel | Mention affichée | Effet en veille |
|---|---|---|---|
| Marquage juste | Généré | Présente | Tri fiable, coût nul |
| Faux négatif | Généré | Absente | Faux document entré dans le corpus |
| Faux positif | Authentique | Présente | Preuve écartée à tort |
| Mention perdue | Généré | Absente après repartage | Erreur de chaîne, pas de modèle |
| Indéterminé | Non tranché | Variable | Réservé à l'arbitrage humain |
Cette grille à cinq états est le coeur du protocole. Elle sépare ce qui relève du modèle de ce qui relève de la circulation du fichier, et elle réserve une case à l'indécision plutôt que de la répartir de force dans les autres. Un baromètre qui ne comporte pas de case indéterminée surestime toujours sa propre netteté.
Les ordres de grandeur observés, et pourquoi ce ne sont pas des pourcentages
Sur notre échantillon, les cas de marquage juste restent majoritaires, mais la part cumulée des trois états problématiques, faux négatif, faux positif et mention perdue, se situe à un niveau qui interdit de traiter l'étiquette comme un filtre autonome. Autrement dit, le marquage écarte utilement du bruit, il n'établit rien.
Nous présentons ces résultats comme des ordres de grandeur d'observation et non comme des taux. Trois raisons à cela. L'échantillon n'est pas tiré aléatoirement dans la population des contenus publiés, qui n'est pas accessible. Les règles d'étiquetage évoluent sans préavis ni journal des modifications. Enfin, la même image marquée dans une interface ne l'est pas nécessairement dans l'application mobile de la même plateforme.
Un point mérite d'être isolé : la mention perdue au repartage pèse davantage que le faux négatif de modèle. Une image correctement étiquetée à sa publication d'origine perd fréquemment sa mention dès qu'elle est capturée puis republiée ailleurs. Pour un analyste, la conséquence est directe : l'absence de mention sur un contenu repris ne dit rien de sa nature, elle dit seulement qu'il a voyagé.
Le mouvement inverse existe également. The Journal rapporte le 4 septembre 2026 qu'une image montrant la présidente de la Commission européenne en conversation avec Jeffrey Epstein, largement partagée sur Facebook, Instagram, TikTok et X, a été démentie grâce à un filigrane identifiant l'outil de génération. L'épisode décrit par The Journal montre qu'un marqueur de provenance survit parfois à une diffusion massive et devient alors la pièce la plus rapidement exploitable d'une vérification.
Pourquoi le faux positif sur un contenu authentique coûte plus cher en veille
L'intuition courante veut que le danger vienne du faux négatif, c'est-à-dire de l'image générée qui passe pour authentique. En veille opérationnelle, la hiérarchie s'inverse souvent. Une image générée non marquée est un faux document qui entre dans le corpus, et la vérification croisée classique, recherche d'antériorité, cohérence des ombres, confrontation aux sources primaires, le rattrape encore fréquemment.
Le faux positif, lui, détruit une preuve. Une photographie authentique portant une mention de contenu synthétique est écartée par l'analyste, et surtout devient inutilisable dans un dossier destiné à une direction ou à un tiers, puisque la plateforme elle-même la contredit. Le coût n'est pas seulement une erreur de tri, c'est une pièce recevable rendue inexploitable, sans recours documenté.
Une étiquette de plateforme est un indice de premier tri. Elle n'a jamais la valeur d'une pièce de chaîne de garde, dans aucune des deux directions.
Ce que le relevé change dans la chaîne de garde d'une cellule de veille
La première conséquence pratique consiste à consigner l'état de marquage au moment de la collecte, avec horodatage et capture de l'interface. Comme la mention est instable, un contenu vérifié trois semaines plus tard ne présente pas nécessairement le même affichage. Sans cette consignation, une cellule perd la capacité de justifier après coup pourquoi elle a retenu ou écarté un visuel.
La deuxième consiste à séparer deux décisions que beaucoup d'équipes fusionnent : la décision de collecte et la décision de qualification. Le marquage n'intervient légitimement que dans la première. Un contenu marqué comme synthétique reste collectable, ne serait-ce que parce que la circulation d'un faux est elle-même un fait à documenter. La qualification, elle, repose sur des sources primaires et sur la remontée à l'émetteur d'origine.
La troisième porte sur l'outillage. Un dispositif de veille utile relie les occurrences d'un même visuel entre plateformes et restitue l'ordre d'apparition, ce qui vaut bien davantage qu'une étiquette isolée. NewsCore (www.newscore.fr) couvre en continu des millions de sources, rapproche les occurrences d'un même contenu et raccourcit le délai de détection avant décision. La part de l'organisation reste le cadrage du besoin et l'arbitrage final, qui demeurent humains.
Limites du baromètre et conditions de reproductibilité
La limite principale est l'absence de vérité terrain universelle. Établir qu'une image est générée relève parfois du faisceau d'indices et non de la preuve, et notre catégorie indéterminée existe pour cette raison. Un lecteur qui refait le relevé avec un seuil d'exigence différent obtiendra une répartition différente entre cases nettes et cases indéterminées, sans que l'un des deux relevés soit faux.
La reproductibilité tient à trois éléments publiables : la liste des thématiques de stratification, la définition écrite de chacun des cinq états, et la règle de réconciliation entre codeurs. Un baromètre qui ne publie pas ces trois éléments n'est pas réplicable, quelle que soit la précision affichée de ses résultats. Nous considérons que la publication du protocole prime sur la publication du chiffre.
Questions fréquentes
Peut-on se fier à la mention « généré par IA » affichée sous une image ?
Elle constitue un indice utile de premier tri, pas une preuve. Le relevé montre que l'erreur existe dans les deux sens et qu'une part significative des contenus perd sa mention en circulant. Un analyste s'en sert pour ordonner sa file de traitement, jamais pour clore une qualification. La qualification passe par la recherche d'antériorité, l'examen des métadonnées disponibles et la remontée à l'émetteur d'origine.
Quelle différence entre un faux négatif de détection et une mention perdue ?
Le faux négatif est une défaillance du système d'analyse : le contenu n'a pas été reconnu comme synthétique. La mention perdue est une défaillance de la chaîne de diffusion : le contenu avait été reconnu, mais la mention n'a pas survécu à une capture d'écran, à un recadrage ou à un passage par une messagerie. Les deux produisent le même affichage pour l'utilisateur, mais appellent des correctifs opposés.
Comment documenter l'état de marquage pour un dossier destiné à une direction ?
En horodatant la collecte, en capturant l'interface telle qu'elle s'affichait, en notant la plateforme et le canal d'accès, puis en conservant l'identifiant de publication d'origine. Cette consignation permet, plusieurs semaines plus tard, d'expliquer une décision de tri même si l'affichage a changé entre-temps. Sans elle, la traçabilité du raisonnement est perdue et le dossier devient difficile à défendre.
Ce baromètre donne-t-il un taux de fiabilité par plateforme ?
Non, et c'est délibéré. Un taux par plateforme supposerait un tirage aléatoire dans la population des contenus publiés, à laquelle personne n'a accès, et une stabilité des règles d'étiquetage qui n'existe pas. Le baromètre publie une répartition entre états observés sur un échantillon documenté, avec ses règles de codage, afin qu'un tiers puisse refaire le relevé et comparer des ordres de grandeur.