Filigranes IA : comment fonctionne réellement la détection

Trois familles de signaux

**Les filigranes invisibles.** Certains modèles insèrent un motif statistique dans le contenu produit. SynthID, développé par Google DeepMind, fonctionne ainsi pour les images, l'audio et le texte. Le signal résiste à des transformations modérées mais peut être dégradé.

**Les métadonnées de provenance.** La norme C2PA (Content Credentials) attache au fichier un manifeste signé décrivant son origine et les modifications successives. C'est le signal le plus riche — mais aussi le plus fragile : la plupart des plateformes suppriment les métadonnées à l'upload.

**Les indices statistiques du texte.** En l'absence de filigrane, l'analyse porte sur des régularités de style et de structure. Ces méthodes donnent une probabilité, jamais une certitude, et doivent être maniées avec prudence.

Pourquoi la détection seule ne suffit pas

Un score de détection n'est pas une preuve de conformité. Ce que demande l'AI Act, c'est la transparence : un contenu généré par IA correctement signalé est conforme, même si la génération est détectable. À l'inverse, un contenu généré sans mention reste non conforme, que la détection réussisse ou non.

L'approche retenue par Leximent

Nous combinons trois vérifications : recherche de signaux de provenance, analyse des indices de génération, et contrôle de la présence et de la qualité des mentions de transparence. Le résultat est un score et une liste d'alertes documentées, archivés dans un certificat horodaté.