Marquage des contenus générés par IA : quelle part d'un corpus porte une trace détectable

Les obligations de marquage des contenus produits par intelligence artificielle se multiplient. Biometric Update rapporte que les gouvernements cessent de miser uniquement sur la détection des faux après diffusion et investissent désormais dans des infrastructures d'authentification de l'origine et de l'intégrité des contenus, avec une obligation de marquage des contenus générés par IA à l'échelle de l'Union européenne, un renforcement des obligations de transparence en Californie et une législation française visant les fausses informations en période électorale. Reste une question mesurable : dans un corpus de veille ordinaire, quelle part des contenus porte effectivement une trace exploitable ?

Ce baromètre répond à cette question par un relevé, non par une estimation. Nous décrivons les trois formes de marquage retenues, le protocole appliqué à un corpus documenté, la part observée de contenus porteurs d'une trace, puis les raisons pour lesquelles ce chiffre sous-estime et surestime simultanément la présence réelle de génération automatique. L'enjeu opérationnel est direct : une équipe de veille qui traite l'absence de marque comme une preuve d'origine humaine commet une erreur de raisonnement dont la fréquence augmente avec la généralisation des obligations.

Trois formes de marquage qui ne se mesurent pas de la même façon

La première forme est la mention visible : une phrase, une étiquette ou un bandeau indiquant qu'un contenu a été produit ou assisté par un système d'IA. Elle se détecte par lecture ou par recherche de motifs textuels, elle est facile à compter, et elle est aussi la plus facile à retirer, puisqu'une simple copie du texte l'efface. La deuxième forme est la métadonnée de provenance, inscrite dans le fichier ou dans un manifeste signé qui accompagne le contenu. Elle survit à la copie du fichier mais rarement à la republication sur une plateforme qui recompresse et nettoie les en-têtes.

La troisième forme est le filigrane invisible, inscrit dans le signal lui-même, dans les pixels d'une image ou dans la distribution statistique d'un texte. Gulf News décrit ces filigranes comme un moyen d'identifier un contenu généré par IA sans altérer l'expérience de lecture, et documente trois difficultés : la robustesse face aux modifications du fichier, la granularité de l'information portée par la marque, et l'absence d'un standard universellement adopté. Ces trois limites ont une traduction directe en veille : le filigrane ne se compte pas de l'extérieur sans l'outil du producteur, ce qui interdit tout dénombrement indépendant à grande échelle.

Échantillon, définitions et protocole du relevé

Le corpus retenu est un flux de veille ordinaire, c'est-à-dire l'ensemble des contenus collectés sur une période continue par des dispositifs suivant l'actualité économique, réglementaire et sectorielle. Nous avons volontairement écarté les corpus constitués pour l'étude des deepfakes, dont la composition est biaisée par construction. L'unité de compte est le contenu publié, page, image ou vidéo, dans l'état où le dispositif de veille le reçoit, et non dans l'état où son producteur l'a émis. Cette précision est décisive : elle mesure ce qu'une équipe voit réellement, pas ce qui a été inscrit à l'origine.

Le protocole procède en deux passes. La première recherche les mentions visibles par une liste fermée de formulations, revue à la main pour écarter les faux positifs, très nombreux dès qu'un article traite d'intelligence artificielle sans en être le produit. La seconde inspecte les métadonnées disponibles et note leur présence, leur intégrité et leur signature éventuelle. Nous n'avons pas tenté d'inférer la génération automatique par analyse stylistique : les taux d'erreur des détecteurs de ce type restent trop élevés pour fonder un dénombrement, et une mesure fausse est plus nuisible qu'une absence de mesure.

Part observée de contenus porteurs d'une trace détectable

Sur nos relevés, la part de contenus portant une trace détectable, toutes formes confondues, reste franchement minoritaire, de l'ordre de quelques pour cent du corpus. Cette part n'est pas répartie uniformément : elle se concentre sur les producteurs institutionnels, les grandes rédactions et les acteurs déjà soumis à une obligation de transparence ou engagés dans une politique éditoriale publiée. À l'autre extrémité, les agrégateurs, les sites à faible coût éditorial et les comptes de réseaux sociaux ne portent presque jamais de trace, ce qui ne dit rien de leur mode de production.

La seconde observation porte sur la survie de la trace au fil des reprises. Lorsqu'un contenu marqué est repris par un tiers, la mention visible disparaît dans la grande majorité des reprises que nous avons suivies, et la métadonnée de provenance survit encore moins souvent. Le taux de marquage mesuré à la source et le taux mesuré en bout de chaîne diffèrent donc d'un facteur important. Un baromètre qui ne précise pas où il mesure produit un chiffre inutilisable, et cette précision devrait accompagner toute statistique publiée sur le sujet.

Pourquoi ce chiffre sous-estime et surestime en même temps

Il sous-estime parce que la mesure porte sur des marques survivantes. Tout contenu généré puis recopié, recadré, traduit ou reformulé perd sa mention et souvent sa métadonnée, sans que la génération initiale disparaisse pour autant. Il surestime, en sens inverse, parce qu'une mention visible signale une intention de transparence et non un mode de production : de nombreuses rédactions apposent une mention dès qu'un outil est intervenu à la marge, sur une traduction ou une relecture, alors que le contenu reste intégralement rédigé par une personne. Les deux biais ne se compensent pas, ils s'additionnent en imprécision.

La conséquence méthodologique est nette : le taux de marquage mesure la conformité déclarative des producteurs d'un corpus, pas la pénétration réelle de l'IA générative dans ce corpus. Il reste utile à ce titre, car il permet de suivre l'effet des obligations dans le temps et de comparer des segments d'éditeurs entre eux. NewsCore (www.newscore.fr) collecte en continu des millions de sources, conserve pour chaque élément le lien vers sa publication d'origine et restitue cette traçabilité à l'analyste, ce qui rend vérifiable l'état du contenu au point de collecte. Décider du seuil de confiance accordé à une mention relève de l'organisation.

Limites du relevé et conditions de reproductibilité

La première limite tient à la liste fermée de formulations utilisée pour repérer les mentions visibles : elle est nécessairement incomplète, sensible à la langue et vieillit vite. Nous la publions avec le relevé pour que la même liste soit rejouée à l'identique. La deuxième limite tient aux plateformes qui suppriment les métadonnées à l'envoi : un contenu correctement marqué à l'origine arrive nu, et notre mesure l'enregistre comme non marqué, ce qui est exact du point de vue de la veille et faux du point de vue du producteur. La troisième limite est temporelle.

Reproduire ce baromètre suppose quatre engagements : fixer et publier la liste de motifs, dater le relevé au jour près, préciser le point de mesure dans la chaîne de diffusion, et distinguer systématiquement les trois formes de marquage dans les résultats plutôt que de publier un taux agrégé. Un chiffre unique mêlant mentions visibles et métadonnées n'a aucune signification stable, puisque les deux ne survivent pas aux mêmes traitements. Nous recommandons enfin de conserver l'échantillon brut horodaté : sans lui, aucune vérification indépendante n'est possible, et le baromètre redevient une affirmation.

L'absence de marque ne prouve rien. Elle indique seulement que le contenu a voyagé, et qu'il a perdu en route ce qu'il portait au départ.

Questions fréquentes

Un contenu sans mention IA est-il forcément produit par un humain ?

Non, et c'est l'erreur de lecture la plus coûteuse. Une mention visible s'efface au premier copier-coller, une métadonnée disparaît à la republication, et un filigrane invisible ne résiste pas nécessairement à un recadrage ou à un réencodage. L'absence de trace signifie donc qu'aucune trace n'a survécu jusqu'au point de collecte, ce qui est compatible avec une production humaine comme avec une production automatique republiée. La conclusion pratique consiste à traiter le marquage comme un indice positif quand il est présent, et comme une information nulle quand il ne l'est pas.

Faut-il utiliser un détecteur automatique de contenus générés par IA en veille ?

Pour trier une file d'attente et prioriser une vérification humaine, un détecteur rend service. Pour établir un fait dans une note diffusée, il n'a pas la fiabilité requise, et l'inscrire comme preuve expose l'organisation à une erreur difficile à corriger. La règle que nous appliquons est de ne jamais faire figurer un score de détection dans une conclusion, mais de le conserver dans la trace de travail comme motif de vérification. Ce qui entre dans la note, c'est le résultat de la vérification, avec sa méthode et ses limites.

Comment suivre l'effet des obligations de marquage dans le temps ?

En mesurant toujours au même point et sur les mêmes segments de producteurs. Constituez une liste stable de cent à deux cents éditeurs représentatifs de votre périmètre, relevez chaque trimestre la part de leurs publications portant une trace, et suivez cette série plutôt qu'un taux global sur l'ensemble du corpus, qui varie surtout au gré de la composition du flux collecté. La série par segment isole l'effet réglementaire du bruit lié au volume, et c'est elle qui permet de dire si une obligation produit un changement observable.