Ce que la détectabilité change pour vos stratégies de contenu
En seulement quelques semaines, la détection de contenu généré par IA est passée d'un simple outil à toute une infrastructure de contrôle mais aussi de transparence.
Nous l'avons vu s'intégrer à une plateforme très réputée de lecture mais également sur exigence du droit européen et elle est aussi désormais activée par défaut chez un fournisseur de modèles.
Cet article vous concerne si vous pratiquez l'écriture de contenu par IA et surtout si votre stratégie d'acquisition repose sur ce levier.
En quelques semaines, la détection de l'IA s'est généralisée
Le 21 juillet 2026, Substack a intégré Pangram dans sa plateforme. Pour ceux qui ne connaissent pas Pangram, il s'agit d'un détecteur de contenu IA.
Cette intégration permet désormais à tout utilisateur de scanner un post, une note ou un commentaire sous condition que celui-ci soit publié après le 21 juillet.
L'estimation donne un pourcentage sur 3 estimations distinctes : IA, assisté par IA et humain. Chaque lecteur mais aussi chaque auteur peut utiliser ce test pour mesurer son score respectif et s'assurer du résultat. Si un auteur est assisté par IA lors de sa rédaction, il peut évaluer ainsi son pourcentage d'humain.
Le 2 août, les obligations de transparence de l'AI Act sont aussi devenues applicables dans l'Union européenne. Parallèlement, Anthropic a mis en place un système de marquage statistique du texte produit par ses nouveaux modèles. Enfin, Pangram évolue également en proposant une détection applicable aussi aux visuels.
Toutes ces actualités qui convergent vers ce sujet de la détectabilité de l'IA dans les contenus posent de nombreuses questions et problématiques sur lesquelles reposent des stratégies d'acquisition. La détection sera ouverte au grand public ainsi qu'aux moteurs et ceux qui l'ont utilisé seront reconnaissables par n'importe quel utilisateur ou moteur.
Pour ma part, j'utilise l'IA depuis seulement quelques mois et lorsque j'ai commencé ce blog, j'ai utilisé l'IA pour faire de la recherche, structurer ma veille et proposer ces sujets. En ce qui concerne la rédaction, j'ai commencé à la confier à l'IA pour réaliser que ce choix était la limite de trop qu'il faut pas franchir.
Aujourd'hui je limite mon usage de l'IA à la recherche documentaire exclusivement et au contrôle des informations et des fautes. L'expérience et le vécu d'un article ne peuvent venir d'une IA et c'est avant tout la raison pour laquelle le contenu ne peut vivre dans ces plateformes d'auteur expert sans que l'on puisse confirmer ce qui est réellement de l'humain et donc du vécu.
Ce que Pangram fait vraiment
Je prends Pangram pour 2 raisons, la première est que c'est cet algorithme qui m'a sensibilisé sur ce sujet dont nous parlons ici. La seconde raison est qu'il est très bien documenté sur son site afin de mieux comprendre comment il fonctionne et enfin pour comprendre à quel point cette méthode est fiable.
La détection est une identification d'auteur
Il faut bien se le rappeler et c'est la problématique qui se pose ici, l'intelligence artificielle n'est pas humaine, n'a pas de vécu qui caractérise les écrits d'un blog. En revanche un modèle de langage a un entrainement et c'est celui-ci qui définit son style d'écriture et le choix des mots qui ressort à chaque sollicitation.
La détection fonctionne donc en cherchant ces styles d'écriture qui sont propres aux différents modèles de langage. Ce style de langage laisse des traces partout dans un texte et ce principe est inévitable quelles que soient vos consignes ou instructions dans le brief.
Pour bien expliquer, le classifieur de Pangram définit une carte des styles d'écriture. Et bien entendu ces signaux de styles se comptent par milliers afin de garantir une reconnaissance fiable d'un modèle IA contre un humain qui peut utiliser des styles pouvant se rapprocher de l'IA.
2 constats ressortent de cette analyse :
- Le nombre de mots facilite la détection par Pangram qui trouvera et cumulera plus facilement les repères d'un style d'une IA
- Les styles d'écriture des modèles se transmettent ce qui facilite la détection quel que soit le modèle utilisé
Les détecteurs n'ont pas toujours été fiables
En 2023 un détecteur d'IA avait généré une polémique car il fonctionnait par un système de déduction de mots qu'une IA pourrait utiliser. Des choix trop prévisibles entrainaient des résultats positifs.
La génération de faux positifs a suscité cette polémique et remis en question cette faisabilité de détecter l'IA dans les contenus de manière fiable.
Ce qu'on retrouve aujourd'hui est une tout autre histoire et la fiabilité, on le verra, est nettement supérieure.
La méthode d'apprentissage de Pangram qui le rend si fiable
Pangram fonctionne par le biais d'un entrainement tout comme les LLM mais cet entrainement ne sert pas le même objectif. Pour Pangram, il consiste à analyser des textes par paire en comparant un texte humain et sa variante faite par IA. Ce procédé répété des milliers de fois entraine Pangram à distinguer le langage d'un modèle de celui d'un humain. L'objet de l'analyse réside uniquement dans la manière d'écrire et non dans son contenu.
Pangram couple cet apprentissage avec une traque des faux positifs qui permet à Pangram de perfectionner sa détection et limiter les erreurs qui peuvent radicalement remettre en question cet algorithme.
Sur le benchmark public RAID, Pangram affiche 99,44 % de précision et 0,05 % de faux positifs. Ces résultats sont relativement impressionnants et difficiles à remettre en question pour le moment ce qui justifie son intégration dans des plateformes officielles telles que Substack.
Malgré ces études, quelques réserves sont encore émises par des utilisateurs notamment sur Substack avec les faux positifs que certains utilisateurs affirment et qui posent un problème évident de crédibilité. La fiabilité de l'algorithme dépend beaucoup du format, de la longueur et de la langue aussi.
La carte complète de la détection
Je propose maintenant de voir les cartes de détection par typologies de contenu.
Les cartes de détection pour le texte
Commençons par les contenus qui sont les plus touchés par ces tests.
La première famille se fait après la génération et permet une analyse de tout contenu après sa génération par le modèle quelle que soit sa date de création. Celle-ci est 100 % rétroactive.
Il y a ensuite le marquage à la génération que l'on appelle aussi watermarking qui insère un signal statistique lorsque le modèle rédige un contenu. Un bon exemple est SynthID Text déployé dans Gemini. Ce watermarking résiste aux retouches de texte sauf si celles-ci sont majeures. Anthropic a également déployé un équivalent pour ses modèles respectifs.
OpenAI dispose aussi d'un watermarking estimé comme fiable à 99 % mais qui n'a jamais été lancé en raison des enjeux commerciaux portés par cette fonctionnalité.
C'est d'ailleurs un sujet qui démontre tout l'enjeu qui repose sur ce changement qui s'impose à nous depuis plusieurs semaines.
Qu'en est-il des images et vidéos ?
Les images et les vidéos sont également l'objet de productions par IA provoquant beaucoup de contenu trompeur ou généré sans effort ni compétence.
La détection passe ici par la provenance qui est signée, issue de la coalition C2PA qui regroupe 6 000 organisations membres. Cette méthode reste limitée et ne résiste pas au réencodage d'un visuel qui fait disparaitre la signature.
Google et OpenAI mettent en place leur propre marquage. Mais le plus récent est celui de Pangram qui a ouvert sa propre solution et complète son offre initialement dédiée au contenu texte. Le résultat est probant, 0,16 % de faux positifs sur un corpus d'images antérieures à 2022.
Pour la vidéo, la solution n'existe pas encore mais on peut imaginer qu'elle arrivera sachant que la vidéo est le format généré par IA qui pollue massivement des réseaux sociaux comme X ou YouTube avec souvent des contenus trompeurs.
Qu'est-ce qu'il advient des humanizers ?
Les humanizers désignent une technique consistant à contourner cette détection pour les algorithmes et l'œil humain qui sait reconnaitre un contenu IA.
Ils fonctionnent en réécrivant un texte initialement généré par IA pour le rendre humain.
Même si ces outils ont réussi à tromper de bons détecteurs d'IA, concernant Pangram, c'est une tout autre histoire et le tromper est très difficile. Il ne s'agit pas d'une option viable de secours et cette technique révèle aussi que l'utilisateur cherche à tromper le testeur ce qui constitue un signe de tromperie d'autant plus négatif.
Comment le contenu IA a-t-il pu se généraliser ?
Rédiger son contenu demande du temps et de l'effort et requiert un bon niveau de langage en public. L'IA s'est révélée être la solution à ce problème permettant un gain de temps considérable que l'on peut allouer à autre chose. On ne va pas se mentir, c'est un gain de performance, même dans votre travail.
Ahrefs, par le biais de son propre détecteur, a évalué que 74,2 % de 900 000 pages ouvertes en avril 2025 contiennent de l'IA et que seulement 2,5 % sont entièrement générées. Il faut simplement une étude équivalente en 2026 pour estimer la part de l'IA sur le web qui s'accroit de manière exponentielle.
La moitié du web publié représente un septième de ce qui ranke
La part de l'IA sur le web est considérable, on ne va pas revenir sur ce constat, il est indéniable.
Cependant, cette part ne veut pas dire que le contenu humain se retrouve noyé dans le contenu IA. Une étude de Graphite montre que 86 % des articles qui se positionnent sur Google sont rédigés par des humains contre seulement 14 % par IA. Du côté des moteurs de réponses, la part est très proche avec 82 % de contenu écrit par les humains.
Il faut donc être très clair, les contenus générés par IA à grande échelle constituent une forme de spam qui vise à manipuler les classements de Google.
Les consignes des quality raters de janvier 2025 attribuent une note basse aux pages quasi intégralement générées par intelligence artificielle.
Soyons clairs, le contenu produit par IA dans une stratégie d'acquisition business impose aujourd'hui une remise en question.
Le contenu par IA est-il factuellement déprécié par les moteurs ?
Aucune étude à ce jour ne démontre que le contenu généré par IA est pénalisé et Google maintient que ce qui compte est la qualité et non le mode de production.
Cependant la production de masse de contenu IA entraine fréquemment une baisse de qualité qui devient inévitable et difficilement maitrisable. C'est de cette façon que certains sont tombés dans le piège de stratégies de contenu qui ont provoqué des baisses.
Lily Ray en a fait tout un sujet dans son article sur les stratégies de contenu IA que je vous invite à lire.
La conséquence pour la marque et l'EEAT
La visibilité n'est pas le seul coût de ce choix, 2 autres entrent en considération.
La confiance de l'utilisateur et des moteurs
Un contenu généré par IA, qu'il soit bon ou mauvais n'est pas un bon signal. Il révèle, comme je le disais en début d'article, une absence de vécu, d'expertise métier ou encore d'un auteur bien identifié et reconnu. On parle ici de tout ce qui donne une identité ou une singularité à une entité représentée dans la page.
Une enquête menée par Fractl sur 1 008 consommateurs américains confirme la tendance qu'on aurait pu soupçonner. En 2025, 20 % de ces utilisateurs déclarent avoir moins confiance en la marque quand celle-ci utilise massivement l'IA sur son site. Ce chiffre est monté à 39 % en 2026.
On ne va pas s'étendre sur ces chiffres, la tendance est logique car l'image d'une marque est portée par son discours et son expertise. Une IA qui prend ce rôle sur une page d'un site dépersonnalise l'identité de marque.
La dissimulation du contenu produit un effet encore plus négatif
Un sujet de news en novembre 2023 avait fait polémique autour de la marque Sports Illustrated qui publiait sous des noms d'auteurs inexistants.
La pratique qui consiste à dissimuler un contenu constitue une forme de tromperie qui peut fortement dégrader l'image de marque.C'est un pari très risqué et quasiment perdu d'avance maintenant que les détecteurs se révèlent très fiables.
Le contenu devra impérativement être assumé pour ceux qui l'utilisent encore.
Le 2 août 2026 : les obligations de transparence de l'article 50 de l'AI Act
Cette loi qui vise la génération de texte par IA implique plusieurs choses essentielles qu'il faut savoir et qui changent la donne.
Les LLM auront déjà un marquage obligatoire dans leur contenu et ce sur l'ensemble des formats qui devra être lisible par les machines. L'étiquetage des contenus relu devient également obligatoire pour des sujets d'intérêt général sauf quand ceux-ci sont relus et contrôlés par une révision éditoriale humaine. Des sanctions peuvent atteindre 15 millions d'euros ou 3 % du chiffre d'affaires mondial.
On ne remplace pas du contenu IA par du contenu humain sans perte
Reste un dernier argument et il n'est pas anecdotique. Une stratégie basée sur du contenu IA alimentée à grande échelle se fait à coût marginal. Si cette stratégie devait être remise en question par un éditeur ou une marque, alors le coût du remplacement des contenus par un écrit humain serait considérable.
Ce n'est pas un remplacement qui se fait en un clic et le coût d'équivalence d'un contenu humain est nettement supérieur si celui-ci doit respecter des consignes de taille ou d'optimisation.
Le coût de cette migration, qu'il soit en temps ou en prix du nombre de mots, est considérable.
Imaginez remplacer 5 000 contenus IA de 300 mots et les transformer en contenu humain. Le coût en serait considérable et obligerait de nombreux éditeurs à renoncer à ce changement.
La mesure d'un projet comme celui-ci doit se faire rapidement et ne doit pas attendre une situation qui imposera un changement soudain.
Dans ma propre expérience, j'ai migré mes premiers articles d'un format IA à un format humain dès que j'ai compris que ce fonctionnement ne m'apporterait pas la confiance et l'expertise métier. Sans ce changement, mes contenus seraient restés sans aucun vécu ni expérience à partager. Ce changement m'a coûté en temps mais je ne regrette pas ce choix aujourd'hui.
L'IA comme outil mais pas comme auteur
Les LLM sont des systèmes très puissants de recherche et d'analyse. Sans ces modèles, je ne serais probablement pas en mesure de faire mon métier comme j'arrive à le faire aujourd'hui. Ma veille approfondie du secteur n'est possible que par cet usage avancé des modèles.
Il est important cependant de placer une barrière importante sur ce que l'IA ne doit pas faire pour un site. L'écriture du contenu en est selon moi un des principaux exemples.
Le contenu est le message d'un auteur ou d'une marque et seul un humain peut légitimement porter ce message et non une machine.
Enfin, le sujet est une question de transparence envers l'utilisateur cible en lui assurant qu'il lit un contenu issu d'une personne réelle avec un vécu, un message à porter et des valeurs. Une IA ne peut faire cela et cette transparence laisse le choix au lecteur de rester ou de repartir.