Une image spectaculaire circule dans un fil d’actualité : scène crédible, lumière convaincante, détails presque irréprochables. Pour savoir si elle provient d’un appareil photo ou d’une intelligence artificielle, les détecteurs proposent un score, mais ce chiffre ne tranche pas la question.
La détection d’images générées s’appuie sur des indices statistiques sensibles aux retouches, à la compression et aux nouveaux modèles. Comprendre la fiabilité des détecteurs permet de traiter leurs résultats comme des pistes, puis de vérifier l’origine et le contexte de chaque visuel.
A retenir : ce que révèle vraiment un détecteur d’images
- Un score probabiliste, jamais une preuve autonome
- Des résultats variables selon le générateur et les retouches
- Une vérification croisée, visuelle et contextuelle
- La provenance numérique, un indice complémentaire précieux
Comment fonctionne la détection d’images générées par intelligence artificielle
Parce qu’un résultat n’est qu’un indice, il faut d’abord comprendre ce que le logiciel mesure réellement. La plupart des détecteurs n’identifient pas une signature certaine : ils comparent les pixels à des motifs appris pendant leur entraînement.
Analyse d’images : motifs statistiques et limites des scores
Dans cette analyse d’images, le modèle recherche notamment des régularités dans les textures, le bruit numérique ou les contours. Il attribue ensuite un score de ressemblance avec des exemples connus, et non une certitude sur l’origine du fichier.
Selon la Content Authenticity Initiative, les systèmes de provenance comme C2PA reposent sur des informations attachées au contenu, lorsque celles-ci sont intégrées et conservées. Ils diffèrent donc des classifieurs probabilistes : l’absence de provenance ne prouve pas qu’une image est fausse.
Un score élevé peut ainsi impressionner sans répondre à la question essentielle : qui a créé l’image, et dans quelles conditions ? Une compression ou un recadrage suffit parfois à modifier les indices disponibles.
Repères techniques :
- Classifieurs : comparaison avec des images d’entraînement
- Provenance : données attachées au fichier quand elles existent
- Filigranes : marqueurs intégrés par certains outils de création
- Score : estimation statistique, pas preuve d’authenticité
Outil
Usage cité
Limite signalée
Sightengine
Modération par API
Orientation professionnelle
Hive Moderation
Détection et modération
Résultats variables selon le générateur
AI or Not
Vérification grand public
Indices peu expliqués
Illuminarty
Localisation de zones suspectes
Précision réduite sur les images compressées
Was It AI
Résultat immédiat
Entraînement peu documenté publiquement
« Dans ce scénario fictif, je prends le score comme une alerte. Je cherche ensuite la première publication et le contexte de l’image. »
Fiabilité des détecteurs : faux positifs, faux négatifs et biais
Une fois leur fonctionnement compris, leurs erreurs deviennent plus faciles à interpréter. Les faux positifs accusent à tort une photographie réelle, tandis que les faux négatifs laissent passer une image artificielle.
Pourquoi une image authentique peut être signalée à tort
Une photographie retouchée, fortement compressée ou issue d’un rendu 3D peut présenter des motifs ressemblant à ceux des images synthétiques. À l’inverse, une création récente peut échapper à un détecteur entraîné sur d’autres modèles.
Selon AFP Factuel, l’évaluation d’un contenu douteux ne repose pas sur un score isolé, mais sur plusieurs vérifications. Les biais des algorithmes et l’évolution rapide des générateurs compliquent encore les comparaisons entre outils.
Compression, retouches et évolution des générateurs
Une image partagée sur un réseau social peut être redimensionnée ou recompressée, ce qui altère les traces recherchées. Les modèles évoluent également : un détecteur efficace sur certaines générations peut perdre en pertinence face à de nouvelles images.
Situation
Risque possible
Vérification utile
Photo retouchée
Faux positif
Retrouver le fichier original
Image générée récente
Faux négatif
Comparer plusieurs détecteurs
Partage sur réseau social
Indices dégradés
Rechercher une version moins compressée
Capture d’écran
Traces statistiques modifiées
Examiner la provenance et le contexte
Risques à garder en tête :
- Accusation erronée d’une source photographique authentique
- Image générée non repérée par un modèle dépassé
- Résultats contradictoires après compression ou retouche
- Confiance excessive dans un pourcentage affiché
« Dans cet exemple fictif, j’ai vu deux outils donner des verdicts opposés. J’ai donc suspendu mon jugement jusqu’à retrouver la source. »
« Un résultat négatif ne certifie pas l’authenticité. Il indique seulement que cet outil n’a pas repéré assez d’indices. »
Vérification des images : utiliser les détecteurs sans se faire piéger
Ces limites invitent à replacer le détecteur dans une enquête plus large. Pour un journaliste comme pour un lecteur, la vérification des images commence par la source, le contexte et l’historique de publication.
Combiner score, recherche inversée et examen visuel
Selon France 24, Les Observateurs, les outils numériques gagnent à être confrontés à des vérifications indépendantes. Une recherche inversée peut retrouver une publication antérieure, tandis que l’examen visuel attire l’attention sur des détails incohérents sans constituer une preuve.
Une équipe éditoriale peut comparer plusieurs détecteurs, puis rechercher des versions antérieures de l’image et vérifier le compte qui la diffuse. Si les résultats divergent, cette contradiction signale une incertitude à documenter, non une raison de choisir le score préféré.
Méthode de vérification :
- Conserver le fichier reçu et noter son origine
- Comparer les résultats de plusieurs détecteurs distincts
- Examiner les détails visuels sans conclure sur un seul indice
- Rechercher la première publication et son contexte
- Présenter l’incertitude avant toute affirmation publique
Authenticité numérique : distinguer indice et preuve
La provenance peut renforcer l’analyse lorsqu’une signature ou des métadonnées fiables accompagnent le fichier, mais elles peuvent manquer ou être supprimées. Les deepfakes et les images synthétiques réclament ainsi une enquête contextualisée, pas une réponse automatique.
« Pour une décision éditoriale, je veux savoir d’où vient l’image et qui l’a publiée. Le score seul ne m’apprend pas cela. »
La règle pratique reste simple : un détecteur peut orienter la vérification, jamais remplacer les preuves de provenance et le jugement humain. Cette prudence protège autant contre une image trompeuse que contre une accusation infondée.
Source : Content Authenticity Initiative (C2PA) ; AFP Factuel ; France 24, Les Observateurs.
Rester informé comme un choix réfléchi, pas comme un réflexe
Qu'il s'agisse de croiser une source, de vérifier une image ou de prendre du recul émotionnel, chaque geste de vérification mérite d'être cultivé. Comprendre les mécanismes réels de la désinformation permet d'en tirer aussi un bénéfice concret : une lecture plus sereine de l'actualité et une meilleure résistance aux manipulations.
Pour aller plus loin
- Vérifier l'adéquation entre l'émotion suscitée et la rigueur des faits avancés
- Comparer la source avec d'autres médias reconnus avant de la croire
- Anticiper le biais de confirmation qui pousse à ne croire que ce qui nous arrange
- Privilégier les organismes de fact-checking dès le moindre doute
