Comment détecter l’utilisation d’IA génératives dans des travaux ?

Aucun outil ne « prouve » l’usage d’une IA. Les détecteurs peuvent servir d’indicateurs ou de points de départ à un échange, mais ils ne fournissent jamais de certitude, et fonder une décision sur leur seul résultat serait une erreur. L’enjeu se situe moins dans la détection que dans la façon de concevoir l’évaluation en amont (voir « Comment adapter ses modalités d’évaluation ? »).

Les limites des détecteurs

• Fiabilité insuffisante : leurs scores ne permettent pas de confirmer avec certitude qu’un contenu a été généré par une IA.
• Faux positifs : une écriture authentiquement humaine peut être signalée comme générée. La recherche documente ces taux d’erreur et leurs effets (Harrison & Whitney, 2024).
• Contournables : des services « humanisent » un texte généré pour échapper à la détection.
• Difficilement recevables : les services juridiques des universités considèrent rarement un score de détecteur comme une preuve exploitable.

Des approches plus fiables que la détection

Souvent plus révélateur qu’un score : observer la cohérence du style avec les productions antérieures de l’étudiant, vérifier les références (existent-elles réellement ? disent-elles ce qui leur est attribué ?), repérer des formulations génériques ou des erreurs typiques. En cas de doute, un court échange oral comme demander à l’étudiant d’expliquer une partie de son travail, ses choix, ses sources lève l’ambiguïté mieux qu’un logiciel.

L’outil disponible à l’UBS

L’UBS met Compilatio Magister+ à disposition des enseignants depuis l’ENT ou via moodle. L’esprit de l’outil n’est pas de « prendre en défaut » mais d’ouvrir un travail d’exploration, de prévention et d’accompagnement des pratiques.

AI Act et « watermarking » : ce que le marquage ne résout pas pour la détection

Depuis le 2 août 2026, l’article 50 de l’AI Act impose aux fournisseurs de systèmes d’IA générative de marquer leurs contenus (texte, image, audio, vidéo) dans un format lisible par machine, identifiable comme généré ou manipulé par une IA (à partir de 200 token soit environ 150 mots). Trois limites en font toutefois un signal peu fiable pour détecter l’IA dans un travail étudiant :

• L’obligation pèse sur le fournisseur de l’outil, pas sur l’étudiant, et le marquage reste fragile : une capture d’écran, un copier-coller ou un ré-export suffisent souvent à effacer les métadonnées ou le filigrane.
• Il faut distinguer le marquage lisible par machine (à la charge du fournisseur, c’est le « watermarking » au sens technique) de l’étiquetage visible destiné au lecteur (à la charge du déployeur) : seul le premier relève du filigrane, et il n’est pas conçu comme un outil de contrôle à disposition des enseignants.
• Le marquage ne s’applique pas lorsque l’IA assure une simple assistance à l’édition sans modifier substantiellement le contenu (usage correcteur plutôt que rédacteur) : un texte seulement relu par IA n’est donc pas nécessairement marqué.

Pour aller plus loin

• Compilatio — série « Plagiat, IA, évaluation : et maintenant ? » (quatre épisodes de repères concrets).
• « Détecteurs d’IA : une fausse solution à un vrai problème ».
• Why AI Detection Alone Shouldn’t Be Used To Establish Academic Standing (Forbes).

En lien