Nous avons toutes et tous déjà lu un e-mail, un article ou une publication en nous demandant : « Est-ce vraiment une personne qui a écrit ce texte ? » Une formulation trop lisse, des phrases très bien rangées, un ton étrangement neutre… et le doute s’installe. Certains utilisent alors un logiciel spécialisé, mais les détecteurs de textes générés par l’IA sont loin d’être infaillibles.
Ponctuation, vocabulaire, structure, répétitions ou petites manies de rédaction : plusieurs indices peuvent néanmoins éveiller les soupçons. Voici les signes les plus fréquents, ceux qui ne prouvent absolument rien et les bonnes questions à se poser avant d’accuser un texte d’avoir été écrit par ChatGPT, Claude ou Gemini.
Le tiret long ne prouve rien
Commençons par le signe le plus commenté : le tiret long « — ». ChatGPT et Claude l’emploient volontiers, parfois beaucoup plus qu’une rédactrice française. Il peut donc éveiller l’attention lorsqu’il apparaît cinq fois dans un court post LinkedIn.
Mais il n’est ni anglais, ni propre à l’IA. Le tiret cadratin appartient à la typographie française. On le rencontre dans les dialogues, les incises et certains textes éditoriaux. Accuser une personne d’avoir utilisé une IA à cause d’un signe typographique serait donc assez cocasse : on ferait un procès à Balzac par ricochet.
Même prudence avec le point-virgule, les guillemets courbes ou les phrases parfaitement ponctuées. Ce sont des indices de style, pas des empreintes numériques.
Les 15 signaux qui peuvent faire soupçonner un texte généré
Un indice isolé ne signifie rien. C’est l’accumulation, ajoutée à l’absence de contenu personnel ou vérifiable, qui doit attirer l’attention.
1. La ponctuation devient une habitude mécanique
Le tiret long revient dans presque chaque paragraphe. Le point-virgule apparaît dans des listes où une virgule suffirait. Les deux-points annoncent sans cesse une promesse, une définition ou une série de conseils.
2. Des traces de Markdown restent visibles
Des ** entourent un mot, des ## précèdent un intertitre ou des crochets de lien restent dans un e-mail. Ce n’est pas une preuve de génération, mais c’est une bonne preuve de copier-coller non relu.
Un lien terminé par utm_source=chatgpt.com révèle également qu’il a transité par une réponse de ChatGPT. Cela ne dit pas qui a écrit le texte, mais cela renseigne sur la méthode de travail.
3. Les phrases opposent artificiellement deux idées
« Ce n’est pas un simple outil, c’est une nouvelle façon de travailler. » Cette construction en balancier est devenue un classique des assistants rédactionnels. Elle donne une impression de relief, même lorsque l’opposition n’apporte aucune information.
4. Tout fonctionne par trois
« Simple, rapide et efficace. » « Comprendre, décider et agir. » La règle de trois est utile en rédaction. Son emploi systématique finit toutefois par donner au texte le rythme d’une brochure générée à la chaîne.
5. Les phrases ont toutes la même longueur
Un texte humain accélère, hésite, revient en arrière. Il alterne souvent phrases courtes et développements plus longs. Un texte généré sans retouche peut conserver une cadence très régulière, avec des paragraphes de taille presque identique.
6. Les transitions sont impeccables… et inutiles
« Dans un monde en constante évolution », « il est important de noter que », « en conclusion » ou « cela souligne l’importance de » servent parfois uniquement à relier des paragraphes déjà compréhensibles.
7. Les adverbes s’accumulent
« Réellement », « véritablement », « particulièrement », « profondément » ou « indéniablement » donnent de l’intensité sans ajouter de fait. Un texte qui veut convaincre par les adverbes manque souvent de matière.
8. Le vocabulaire reste abstrait
On lit « une entreprise », « une plateforme », « une solution » ou « un client », sans nom, contexte ni détail observable. Une personne qui a mené un projet sait généralement nommer le secteur, le problème, l’outil ou la contrainte, même lorsqu’elle doit anonymiser le client.
9. Aucun chiffre ne résiste à la lecture
Le texte promet un gain de temps « considérable » ou une « forte amélioration », mais ne précise ni point de départ, ni résultat, ni période. Un retour d’expérience crédible peut dire : « Le traitement est passé de 18 à 11 minutes sur un échantillon de 40 dossiers. »
10. L’autorité est floue
« Les études montrent », « selon les experts » ou « de nombreuses entreprises constatent » ne valent rien sans étude, experte, entreprise, date ou lien. L’IA sait très bien produire une autorité grammaticale. Elle ne fournit pas toujours l’autorité documentaire qui va avec.
11. Tout est positif, certain et bien terminé
Le projet a été rapide, les équipes ont adhéré, les résultats sont excellents et la conclusion ouvre naturellement sur l’avenir. Dans la vie réelle, il reste presque toujours un retard, une donnée manquante, une résistance ou une fonction moins utile que prévu.
12. Les exemples pourraient convenir à n’importe qui
« Une PME peut automatiser son service client, améliorer son marketing et gagner du temps. » C’est exact, mais interchangeable. Un exemple incarné précise le volume de demandes, le canal, la catégorie de questions automatisées et celles qui restent confiées à une personne.
13. Le texte répète la question sous plusieurs formes
L’introduction annonce le sujet, le premier paragraphe le reformule, chaque section le résume, puis la conclusion le répète une dernière fois. Le texte semble long sans avoir beaucoup avancé.
14. La voix de l’auteur disparaît
Il n’y a ni position, ni arbitrage, ni vocabulaire métier, ni expérience située. Le texte ne contient rien que son autrice serait seule à pouvoir raconter.
15. Les sources sont introuvables ou légèrement fausses
Le titre d’une étude semble plausible, le chiffre très précis, l’organisme sérieux. Pourtant, le lien ne mène nulle part ou la source ne dit pas ce que le texte lui fait dire. C’est le signal le plus important, car il touche au fond.
Les signes les plus visibles ne sont pas les plus fiables
Les détecteurs automatiques examinent notamment la prévisibilité des mots, les répétitions, la structure des phrases et la variation du rythme. Les recherches sur la détection parlent souvent de « perplexité » et de « burstiness ». En clair, un texte très prévisible et très régulier ressemble davantage aux sorties d’un modèle.
Mais cette logique crée des faux positifs. Un texte administratif, scolaire, juridique ou rédigé par une personne dont le français n’est pas la langue maternelle peut être très régulier sans avoir été généré. À l’inverse, une sortie d’IA retravaillée, traduite ou mélangée à du texte humain peut passer sous le radar.
Le benchmark RAID, conçu pour tester les détecteurs sur plusieurs modèles, genres et techniques de contournement, montre justement que les performances annoncées sur des jeux de données simples résistent mal aux situations réelles. Des travaux publiés en 2026 confirment aussi que les détecteurs se généralisent difficilement à de nouveaux modèles, prompts et domaines (EACL 2026).
Lire aussi : 20 détecteurs de textes générés par IA à tester en 2026
La bonne méthode : chercher le processus, pas seulement le style
Pour évaluer sérieusement un texte, mieux vaut combiner quatre niveaux de vérification.
1. Lire le contenu
Repérez les affirmations vagues, les contradictions, les chiffres non sourcés et les exemples génériques. L’enjeu n’est pas de sanctionner un tiret, mais d’identifier ce qui n’est pas étayé.
2. Vérifier les sources
Ouvrez chaque lien. Contrôlez l’auteur, la date, le périmètre de l’étude et la correspondance entre la source et l’affirmation.
3. Examiner le processus de production
Demandez les notes, les versions successives, l’historique de modification, les données utilisées ou une explication orale. Pour un travail scolaire, un recrutement ou une prestation éditoriale, ces éléments sont bien plus solides qu’un score isolé.
4. Utiliser plusieurs détecteurs avec prudence
Deux outils peuvent produire des résultats opposés sur le même texte. Un score élevé constitue un signal à examiner, jamais une preuve suffisante pour accuser une personne, refuser un diplôme ou rompre un contrat.
Cette distinction rejoint les nouvelles règles de transparence expliquées dans la FAQ IA Pratique sur l’étiquetage des contenus IA.
Le problème commence lorsque 100 % du travail est délégué, que personne ne vérifie les faits et que le texte ne contient plus rien de spécifique, de vécu ou de discutable. L’IA peut aider à écrire. La personne qui publie doit encore penser, vérifier et assumer.
En savoir plus
- 20 détecteurs de textes générés par IA à tester en 2026
- RAID : benchmark robuste des détecteurs de textes générés
- Étude EACL 2026 sur les limites de généralisation des détecteurs
- Synthèse scientifique 2025 sur la détection des textes générés
- Guide Grammarly 2026 sur le fonctionnement et les limites des détecteurs
- Recommandations de GPTZero pour interpréter un résultat
- FAQ IA Pratique : faut-il signaler tous les contenus créés avec une IA ?
- IA Pratique : comment humaniser un texte généré avec QuillBot
#DétectionIA #ChatGPT #ClaudeAI #RédactionWeb #ContenuIA #IAResponsable #IAPratique
