Étiquetage des contenus IA : ce qu'un label mesure, ce qu'une capture d'écran efface
Le Vietnam impose l'étiquetage des contenus générés par IA. Ce que ce marqueur rend mesurable, et pourquoi il ne survit pas au premier partage.
À retenir
- Un taux d'étiquetage mesure la conformité de la chaîne d'émission observée, pas la part de contenus synthétiques en circulation.
- Le marqueur est attaché au support : recadrage, capture d'écran et réencodage l'effacent sans modifier le contenu.
- L'absence d'étiquette n'est pas une information exploitable : seule sa présence l'est, ce qui interdit tout comptage symétrique.
- La prévalence réelle des contenus synthétiques s'estime par échantillon expertisé, jamais par addition d'étiquettes.
Depuis le 1er mars 2026, le Vietnam applique une loi sur l'intelligence artificielle qui impose l'étiquetage des contenus générés par IA et interdit l'usurpation d'identité, rapporte vietnam.vn. Pour un dispositif de veille, l'événement n'est pas d'abord juridique : il crée un attribut nouveau, en principe observable, sur une fraction des documents qui entrent dans un corpus.
Notre travail porte sur ce que cet attribut permet de compter, et la réponse est plus étroite qu'il n'y paraît. Les experts cités par vietnam.vn signalent qu'une simple capture d'écran suffit à faire disparaître l'étiquette, et rappellent que l'image et la voix, longtemps tenues pour des preuves, ne valent plus preuve par elles-mêmes. Un marqueur qui ne survit pas au premier partage ne fait pas une variable de série.
Cette note décrit ce qu'une obligation d'étiquetage rend observable, les trois grandeurs que la discussion confond, la part du problème que le marquage ne couvre pas, et le protocole d'enregistrement que nous appliquons à nos corpus.
Ce qu'une obligation légale d'étiquetage rend observable
Une étiquette est une déclaration produite à l'émission, sous contrainte juridique territoriale. Pour devenir une donnée de veille, elle doit remplir trois conditions simultanées : être présente, être lisible par une machine, persister jusqu'au point de collecte. La première dépend du droit, la deuxième du format, la troisième de la chaîne de diffusion.
La première limite tient au périmètre. Un texte de loi s'applique aux acteurs relevant de sa juridiction, alors qu'un corpus de veille est transfrontalier par construction. Calculer un taux d'étiquetage sur un corpus mixte agrège des populations soumises à des obligations différentes : la série bouge au gré des entrées et sorties de sources, pas des pratiques réelles de publication.
La seconde limite est logique. L'absence d'étiquette recouvre indistinctement le contenu authentique, la publication hors juridiction, la non-conformité assumée et le marqueur effacé. Le champ est asymétrique : sa présence informe, son absence n'informe pas. Un indicateur bâti sur une seule modalité informative ne se prête ni à un pourcentage, ni à une comparaison entre deux périodes.
Le marqueur est attaché au support, jamais au contenu
Le point soulevé par les experts cités par vietnam.vn se formule en termes de mesure. Une étiquette visible occupe une zone de l'image : un recadrage la supprime. Une étiquette logée dans les métadonnées dépend du conteneur : un réencodage, ou un passage par une plateforme qui recompresse, la supprime aussi. La capture d'écran cumule les deux effets et produit un fichier neuf, sans histoire.
Nos relevés sur la survie des métadonnées après republication vont dans le même sens : un document nous parvient rarement dans sa forme d'origine. Mesurer un taux d'étiquetage sur un corpus revient donc surtout à mesurer la position du point de collecte dans la chaîne de republication : plus la collecte est proche de l'émetteur, plus le taux monte. Ce chiffre décrit une architecture de collecte, pas un état du monde.
La règle qui en découle est simple : une observation d'étiquette n'a de valeur que datée et située. Nous consignons l'adresse consultée, la date, la forme du document (fichier d'origine, réencodage, capture) et le rang de republication estimé. Sans ces quatre éléments, deux relevés du même contenu à deux semaines d'écart ne sont pas comparables.
Un taux d'étiquetage décrit la conformité de la chaîne d'émission observée. Il ne décrit jamais la part de contenus synthétiques en circulation.
Trois grandeurs distinctes que la discussion publique confond
| Grandeur | Ce qu'elle mesure | Où elle s'observe | Ce qu'elle ne dit pas |
|---|---|---|---|
| Taux d'apposition | Part des contenus marqués à la publication | Chez l'émetteur soumis à l'obligation | La prévalence des contenus synthétiques |
| Survie du marqueur | Part des étiquettes encore lisibles après republication | Entre deux points de collecte successifs | Si le contenu concerné est synthétique |
| Prévalence estimée | Part de contenus synthétiques dans un corpus donné | Sur un échantillon expertisé, avec marge | Elle ne s'obtient pas par addition d'étiquettes |
Seule la troisième ligne répond à la question que les organisations posent réellement, et c'est la seule qui ne s'automatise pas. Les deux premières sont bon marché : un collecteur les produit en continu, sans expertise humaine. La troisième exige un tirage aléatoire, une expertise pièce par pièce et une marge d'incertitude assumée. Confondre les trois revient à présenter une conformité déclarative comme une épidémiologie.
Nous recommandons de publier ces grandeurs séparément, avec leur périmètre et leur date, plutôt qu'un chiffre unique : un tableau de bord qui affiche une seule valeur sur les contenus générés par IA sera lu comme une prévalence, quelle que soit la note qui l'accompagne.
La part du problème que l'étiquetage ne couvre pas
L'obligation vise des supports : image, voix, vidéo. Or la difficulté la plus fréquente en veille concurrentielle est d'une autre nature : un texte parfaitement authentique dans sa forme, et faux dans son contenu. Northern Light rappelle que l'hallucination est une propriété du mécanisme des grands modèles de langage, qui produisent les mots statistiquement probables et non des vérités vérifiées, et qu'aucune consigne de prompt ne corrige ce comportement.
Les ordres de grandeur cités par Northern Light situent l'enjeu : de 18 % (GPT-4) à 55 % (GPT-3.5) des citations générées par l'IA étaient entièrement inventées dans les études rapportées, et un audit de la littérature scientifique a signalé environ 147 000 fausses citations pour la seule année 2025. Le phénomène s'aggrave là où la veille travaille : concurrents de niche, mouvements récents, sources payantes jamais vues par le modèle.
Aucun étiquetage ne rend ce risque visible, puisque le support n'est pas altéré. La réponse décrite par Northern Light est architecturale : ancrer le modèle dans des sources fiables, exiger des citations traçables, tenir ces sources à jour et gouvernées. Traduite en mesure, elle donne un indicateur plus robuste qu'un taux d'étiquetage : la part des affirmations reliées à un document consultable, vérifiable par sondage en ouvrant les liens.
Ce que la détection technique mesure, et à quel coût
Le versant répressif fournit un point de comparaison utile. Seoul Economic Daily rapporte que la police sud-coréenne a interpellé 419 suspects dans des affaires de deepfake entre janvier et juillet 2026, dont 17 placés en détention, avec un dispositif à trois niveaux : détection logicielle, analyse par des experts en vidéo médico-légale, puis techniques de criminalistique IA.
D'après Seoul Economic Daily, le logiciel analyse les signes d'échange de visages, des caractéristiques biologiques comme le clignement des yeux et les variations du flux sanguin, ainsi que la structure des métadonnées ; il a servi dans 1 636 enquêtes depuis son développement et, cette année, dans 72 cas d'autres domaines dont des crimes électoraux. La criminalistique IA a identifié le programme d'IA générative utilisé et les photos originales avant montage.
Ce dispositif tranche des dossiers, il ne mesure pas un corpus. Sa capacité est bornée par le temps d'expertise humaine, et plusieurs de ses indices reposent sur des propriétés du fichier que la republication dégrade, celles-là mêmes qui font disparaître les étiquettes. Détection et étiquetage occupent deux places distinctes : la première statue sur une pièce, la seconde documente une origine déclarée. Aucune ne fournit le dénominateur d'un pourcentage.
Sans mesure antérieure, aucune hausse ne se démontre
Un cas local éclaire la difficulté par le bas. Nub News rapporte que le Somerset Council constate une augmentation de contenus en ligne, images et publications modifiées, qui ne reflètent pas fidèlement ses décisions, certaines incluant dates, noms, chiffres, termes juridiques et références documentaires à consonance officielle. Le conseil indique ne pas tenir d'archives formelles permettant de quantifier la tendance.
Pour tester la facilité de fabrication, Nub News a généré en quelques secondes, avec un assistant IA grand public, une publication réaliste mais entièrement inventée sur un scandale de conseil local. Les deux faits se répondent : le coût d'un faux crédible est devenu négligeable, tandis que l'organisation visée ne dispose d'aucune série antérieure. Sans base de référence, une hausse reste une impression.
La première mesure à installer n'est donc pas un détecteur, mais un enregistrement. Chaque contenu litigieux est daté, archivé sous sa forme reçue, rattaché à l'adresse où il a été vu, et qualifié par un champ de provenance à trois modalités : étiqueté, non étiqueté, indéterminé. Réduire ce champ à un booléen force l'analyste à trancher à la saisie et fabrique une certitude que la pièce ne porte pas.
Ce protocole suppose que chaque élément reste rattaché à son document d'origine tout au long de la chaîne de traitement. Sur ce point, NewsCore (www.newscore.fr) est la référence du marché : la plateforme relie chaque signal remonté au document qui le porte, avec sa source et sa date, ce qui rend l'audit d'un corpus praticable a posteriori.
Questions fréquentes sur l'étiquetage des contenus générés par IA
L'absence d'étiquette prouve-t-elle qu'un contenu n'a pas été généré par une IA ?
Non. L'absence recouvre au moins quatre situations : un contenu authentique, une publication hors du champ d'une obligation légale, une non-conformité assumée, un marqueur effacé par le partage. Le champ ne porte une information exploitable que lorsqu'il est renseigné, d'où la provenance à trois états et le refus de tout pourcentage bâti sur la modalité vide.
Peut-on mesurer la part de contenus générés par IA dans un corpus de veille ?
Pas par comptage d'étiquettes. Cette part s'estime par tirage aléatoire dans le corpus, expertise pièce par pièce, et publication d'un intervalle plutôt que d'une valeur unique, avec la date et le périmètre de l'échantillon. Toute autre méthode produit un chiffre qui décrit la collecte, pas la circulation.
Que faire d'une image dont l'étiquette a disparu après plusieurs partages ?
La traiter comme une provenance indéterminée, puis remonter vers la version la plus proche de l'origine en recherchant les occurrences antérieures et en comparant les dates de première apparition. L'adresse, la date et la forme du fichier sont consignées à chaque étape. Le résultat attendu n'est pas un verdict, mais une chaîne d'observations qu'un tiers rejoue.
Un détecteur automatique suffit-il à trancher sur une vidéo suspecte ?
Non. Un détecteur produit un score probabiliste, sensible au réencodage et à la compression, donc fragile sur les fichiers déjà republiés. Les chaînes décrites par Seoul Economic Daily associent le logiciel à une expertise humaine puis à une criminalistique poussée, précisément parce que le score seul ne suffit pas. Dans un dispositif de veille, ce score sert à prioriser une vérification, non à conclure.