Un détecteur d'IA remet en cause l’origine humaine d’un texte historique majeur.

Pendant des siècles, un texte a incarné à la fois le courage des peuples et l’ingéniosité politique.

Aujourd’hui, un logiciel le traite comme un banal contenu fabriqué à la chaîne.

La Déclaration d’indépendance des États-Unis, longtemps présentée comme un sommet de la rhétorique humaine, vient d’échouer à une épreuve très contemporaine : un détecteur d’IA l’a jugée presque entièrement produite par une machine. Ce résultat n’apprend rien sur 1776, mais il révèle à quel point, à l’ère de l’intelligence artificielle, nous sommes déjà perdus face à la question de l’auteur.

Quand un manifeste de 1776 est signalé comme « rédigé par une machine »

La polémique a démarré lorsque la spécialiste SEO Dianna Mason a copié-collé l’intégralité de la Déclaration d’indépendance dans un service de détection d’IA très utilisé. L’outil a évalué la langue, le rythme et l’architecture du texte, avant de rendre un verdict sans nuance : le document serait « 98.51% » susceptible d’avoir été généré par une intelligence artificielle.

Le logiciel qui étiquette des dissertations d’étudiants comme « rédigées par l’IA » applique désormais le même verdict au texte fondateur des États-Unis.

Évidemment, aucun modèle d’IA n’existait lorsque Thomas Jefferson a rédigé la Déclaration en 1776. Sur le plan historique, le diagnostic est donc une erreur catégorique. Mais, dans les faits, il ressemble à ce que vivent au quotidien des étudiants, des journalistes et des chercheurs : une suspicion automatisée.

Mason ne s’est pas limitée à ce seul document. D’autres outils similaires ont également signalé des avis juridiques des années 1990 et des extraits de la Bible comme des productions probables d’IA. Ces exemples ont circulé très vite sur les réseaux sociaux, souvent présentés comme la preuve que « les détecteurs d’IA ne fonctionnent pas » ou qu’ils pénalisent une écriture complexe, formelle et travaillée.

L’affaire survient dans un climat déjà tendu. Partout dans le monde, universités, rédactions et institutions publiques s’appuient sur des détecteurs d’IA pour repérer d’éventuelles triches. Or, de plus en plus de retours indiquent que ces systèmes échouent parfois exactement comme ils l’ont fait ici : ils confondent une prose structurée et soignée avec du texte algorithmique.

Pourquoi les détecteurs d’IA peinent avec le passé - et avec le présent

Les détecteurs d’IA s’appuient sur des régularités statistiques pour estimer si un texte a été écrit par une machine. Ils ne lisent pas le sens ; ils calculent une probabilité. Dès qu’ils repèrent des signaux fréquemment associés aux productions d’IA, le score grimpe.

• Une longueur de phrases très homogène peut paraître « trop lisse » pour être humaine.
• Des choix de mots prévisibles suscitent la méfiance.
• Un style formel ou ancien peut ressembler aux textes ayant servi de données d’entraînement.
• Des structures répétées, comme « Nous tenons… », déclenchent des indicateurs typiques de l’IA.

La Déclaration d’indépendance coche plusieurs de ces critères. Elle s’appuie sur des ouvertures de phrases répétées, des parallélismes rigides et une progression argumentative logique, presque mécanique. Pour un algorithme entraîné sur des textes d’IA modernes, ce type de régularité a un air de déjà-vu.

Les textes historiques obéissent souvent à des règles rhétoriques strictes. Les détecteurs actuels confondent cette discipline avec la « platitude » d’une prose d’IA.

Un autre élément complique encore la situation. De nombreux modèles de détection sont entraînés sur des contenus aspirés depuis Internet, y compris des classiques du domaine public et des textes religieux. Quand l’outil « recroise » la Déclaration, il peut ne pas faire la différence entre « texte canonique bien connu » et « sortie qui ressemble à mes exemples d’entraînement IA ». Le signal se brouille.

Dans les salles de classe, les effets sont encore plus sensibles. Plusieurs cas documentés montrent des étudiants accusés d’avoir utilisé l’IA sur la seule base d’un score élevé, alors qu’ils avaient rédigé eux-mêmes. Certaines sanctions ont été annulées après une relecture humaine, mais la confiance, elle, est souvent déjà abîmée.

Peut-on distinguer de façon fiable l’écriture humaine et l’écriture d’IA ?

Avant l’informatique, l’attribution d’un texte reposait souvent sur des traces matérielles : une écriture manuscrite, un type d’encre, l’origine du papier. Même l’imprimé ancien portait des signatures de fabrication - marques de presses, habitudes de composition - qui permettaient de remonter à une personne ou à un atelier.

Le texte numérique efface ces indices. Un paragraphe tapé dans un café en 2025 apparaît exactement comme un paragraphe généré dans un centre de données. Pas de notes en marge, pas de pression du stylo, pas de ratures : uniquement des caractères à l’écran.

Aujourd’hui, les chercheurs distinguent généralement deux grandes familles d’approches pour traiter l’attribution à l’IA :

Approche	Comment cela fonctionne	Principale faiblesse
Détection basée uniquement sur le texte	Analyse le style, les répétitions, les choix lexicaux et la structure pour repérer des motifs « typiques IA ».	Génère des faux positifs sur des textes humains et des faux négatifs sur des textes d’IA soigneusement retravaillés.
Filigranage & balises cryptographiques	Insère des signaux cachés ou des métadonnées au moment où l’IA produit le texte.	Dépend de la coopération des fournisseurs de modèles ; se dégrade dès que le texte est copié ou modifié.

À mesure que des modèles comme GPT-4 et les suivants progressent, l’écart entre une production humaine et une production machine se réduit. Les développeurs ajustent les systèmes pour imiter des irrégularités humaines, varier la longueur des phrases et ajouter des touches de personnalité. Beaucoup de détecteurs, conçus pour des générations précédentes d’IA, peinent à suivre le rythme.

L’origine d’un texte compte-t-elle encore ?

Pour Dianna Mason, l’enjeu principal ne tient pas seulement à la précision de l’outil, mais à la manière dont nous réagissons à son étiquette. Dans son entretien avec Forbes, elle souligne que nombre de lecteurs restent mal à l’aise lorsqu’ils apprennent qu’une IA a produit un contenu. Certains s’en détournent par réflexe, en supposant qu’il manque de profondeur, d’attention ou de responsabilité.

La stigmatisation de l’écriture par IA influence les comportements : l’étiquette « généré » compte souvent davantage que les mots eux-mêmes.

L’entrepreneur Benjamin Morrison, également cité par Forbes, adopte une lecture plus pragmatique. Selon lui, la résistance à l’écriture assistée par IA s’inscrit dans un schéma connu : la société rejette d’abord, puis finit par intégrer chaque vague technologique. Des calculatrices à l’école jusqu’à la photographie numérique, des outils d’abord perçus comme de la triche deviennent ensuite des standards.

Le débat se déplace alors : moins sur l’origine que sur les effets. Qui profite du texte ? Qui répond des erreurs ou des biais ? Quel niveau de transparence attendre des auteurs lorsqu’ils s’appuient sur une IA ? Ces questions pèsent souvent plus lourd qu’un score brut de détection.

Enjeux élevés pour étudiants, journalistes et tribunaux

Que la Déclaration ou la Bible soient faussement signalées fait de bons titres. Mais les mêmes ratés touchent des personnes de façon plus discrète. Quand un enseignant soumet un devoir à un détecteur et obtient un « 99% IA », l’étudiant peut se retrouver menacé de zéro, voire convoqué devant une commission disciplinaire. Certains affirment n’avoir eu aucun moyen réel de contester le résultat.

Des juristes spécialisés en droit universitaire alertent déjà : ces outils ne devraient pas servir de preuve principale de triche. Au mieux, disent-ils, un score peut déclencher un échange, pas une condamnation. La même prudence vaut dans les rédactions, où un éditeur peut douter du travail d’un pigiste sur la base d’un verdict automatisé unique.

Même le monde judiciaire subit cette pression. Juges et greffiers s’interrogent désormais sur la présence d’arguments générés par IA dans les dépôts, notamment lorsque des références à des affaires inexistantes apparaissent. Si des détecteurs sont capables de classer à tort des décisions des années 1990 comme « rédigées par l’IA », s’y fier aveuglément risque d’affaiblir la justice au lieu de la protéger.

Vers de nouvelles normes dans un monde d’écriture mêlant humains et IA

Plutôt que de poursuivre un détecteur de mensonge parfait, certains experts recommandent d’installer de nouvelles règles fondées sur la déclaration et la responsabilité. Dans cette perspective, l’IA devient un outil parmi d’autres - comme le correcteur orthographique ou la traduction assistée - et non un nègre littéraire interdit.

Des standards possibles en train d’émerger

• Des politiques claires dans les établissements, précisant quand et comment l’assistance par IA est autorisée.
• Des mentions sur les articles de presse indiquant si l’IA a aidé à rédiger, traduire ou résumer.
• Des clauses contractuelles obligeant les auteurs à déclarer si l’IA a produit des parts substantielles d’un texte.
• Des lignes directrices pour l’usage de l’IA dans les documents officiels, afin de préserver la confiance.

Ces pistes déplacent la charge : on passe d’une détection probabiliste à une exigence de responsabilité humaine. Au lieu d’essayer de deviner qui a écrit quoi, les institutions demandent aux personnes d’expliquer leurs méthodes, puis sanctionnent les mensonges.

Au-delà de la détection : suivre le style, l’intention et le risque

L’épisode de la Déclaration relance aussi une question plus profonde sur l’auctorialité. De nombreux textes canoniques ont déjà été le produit de collaborations, de relectures et d’influences. Jefferson n’écrivait pas en vase clos : il a puisé dans des philosophes, des pamphlets et des débats politiques.

Les outils d’IA jouent le rôle d’un nouveau type de collaborateur : rapide, infatigable, façonné par des motifs issus de milliards de mots. Ils accélèrent la recherche, produisent des premiers jets et proposent des reformulations. Cela fait émerger plusieurs préoccupations très concrètes :

• Une dépendance excessive à l’IA peut uniformiser le style et effacer la voix individuelle.
• Des données d’entraînement biaisées peuvent renforcer des stéréotypes dans des notes publiques ou des rapports.
• Des contenus juridiques ou médicaux générés peuvent paraître sûrs d’eux tout en étant faux.
• Une production de « prête-plume » à grande échelle peut saturer le débat public d’arguments synthétiques mais convaincants.

Ces risques ne disparaîtront pas même si les détecteurs devenaient plus performants. Ils exigent une compréhension des modèles de langage : leur fonctionnement, leurs limites, et les domaines où ils excellent. Des étudiants formés à utiliser l’IA de manière critique, plutôt qu’en secret, pourraient développer un jugement plus solide que ceux à qui l’on interdit tout usage.

Le cas de cette Déclaration d’indépendance mal étiquetée agit comme un déclencheur à la fois étrange et utile. Si un texte fondateur peut être pris pour du synthétique, alors le style, à lui seul, ne peut plus servir d’ancrage à notre idée de l’écriture humaine. Lecteurs, enseignants et législateurs doivent désormais relever une tâche plus difficile : définir des règles et des attentes dans un monde où phrases humaines et phrases de machine cohabitent, souvent indiscernables - sans pour autant être moralement équivalentes.