Accueil › Glossaire › Détection de Plagiat par IA

Détection de Plagiat par IA (Plagiarism Detection)

La détection de plagiat par IA désigne les technologies qui utilisent l’intelligence artificielle pour identifier les similitudes entre un texte soumis et des sources existantes (plagiat classique), ainsi que pour déterminer si un texte a été partiellement ou totalement généré par un modèle d’IA (détection de contenu IA).

Le plagiat classique (copier-coller d’une source sans attribution) est un problème ancien. Ce qui a radicalement changé depuis 2023, c’est l’apparition d’un nouveau défi : la détection de texte généré par des LLM comme ChatGPT, Claude ou Gemini. Les étudiants, rédacteurs et professionnels peuvent désormais produire des textes entièrement « originaux » au sens de la comparaison avec les bases de données existantes, mais qui ne sont pas le fruit de leur propre réflexion. Le marché des détecteurs IA, évalué à environ 0,98 milliard de dollars en 2026, devrait atteindre 7,84 milliards d’ici 2035 (CAGR ≈ 26 %). Mais la fiabilité de ces outils est très contestée : des études de 2026 rapportent des taux de faux positifs allant de 43 % à 83 % sur des textes authentiques d’étudiants, ce qui rend la détection IA inutilisable comme outil de décision autonome.

Comment fonctionne la détection de plagiat

Détection de plagiat classique (similarité textuelle)

Le principe est la comparaison : le texte soumis est découpé en segments (phrases, n-grammes), puis chaque segment est comparé à une base de données massive. Turnitin, par exemple, compare les textes contre plus de 70 milliards de pages web, 1,8 milliard de travaux d’étudiants précédemment soumis, et 180 millions d’articles scientifiques. Les algorithmes utilisent le string matching (correspondance exacte de chaînes de caractères), le fingerprinting (empreintes numériques de segments de texte), et l’analyse sémantique (détection de paraphrases par compréhension du sens). Le résultat est un score de similarité (pourcentage du texte qui correspond à des sources connues) accompagné d’un rapport détaillant chaque correspondance avec un lien vers la source.

Un score de similarité de 15 % ne signifie pas que 15 % du texte est plagié : cela inclut les citations correctement attribuées, les expressions courantes, et la terminologie standard du domaine. L’interprétation humaine du rapport reste indispensable.

Détection de contenu généré par IA

La détection de contenu IA est fondamentalement différente du plagiat classique. Il n’y a pas de « source » à trouver, puisque le texte est original. Les détecteurs analysent les propriétés statistiques du texte pour déterminer s’il a été produit par un modèle de langage. Deux approches principales coexistent.

L’approche par features analyse des caractéristiques statistiques mesurables du texte. La perplexité mesure le degré de « surprise » du texte : les LLM produisent des textes très prédictibles (faible perplexité), tandis que les humains écrivent de manière plus variable. La burstiness mesure la variation de complexité entre les phrases : les humains alternent entre phrases courtes et longues, simples et complexes, alors que les LLM tendent vers une uniformité stylistique. D’autres features incluent la diversité lexicale, la structure syntaxique, et la fréquence de certaines tournures.

L’approche par modèle utilise des classificateurs entraînés sur des corpus de textes humains et de textes IA. Le modèle analyse le texte de manière holistique et attribue une probabilité d’origine IA, phrase par phrase ou au niveau du document. Turnitin utilise un classificateur phrase par phrase qui attribue à chaque phrase une probabilité d’être générée par IA, puis calcule un score global pour le document.

Panorama des outils de détection

Turnitin reste la référence institutionnelle, utilisé par plus de 16 000 établissements dans 185 pays. Son produit Turnitin Clarity, nommé parmi les meilleures inventions de TIME en 2025, combine détection de similarité, détection IA, et insights sur le processus d’écriture. En France, Compilatio est largement adopté dans les universités et grandes écoles grâce à sa base de données francophone et son intégration avec les LMS français. Copyleaks se distingue par son support de plus de 30 langues et ses certifications de sécurité (PCI DSS, SOC 2/3, RGPD). GPTZero est spécialisé uniquement dans la détection de contenu IA et est considéré comme l’un des plus précis sur le contenu IA pur (99 % de précision revendiquée). Pangram se différencie par sa technologie propriétaire validée par la recherche académique, évitant les méthodes de perplexité/burstiness considérées comme peu fiables.

Fiabilité : le problème des faux positifs

C’est le sujet le plus brûlant du domaine. Les faux positifs (textes humains incorrectement flaggés comme générés par IA) sont un problème documenté de grande ampleur.

Ce que disent les études

Les données convergent vers un constat inquiétant. Des études indépendantes montrent des taux de faux positifs de 5 à 26 % pour la détection IA de Turnitin. Une étude de 2026 sur un jeu de données de 192 textes a trouvé des taux de faux positifs allant de 43 % à 83 % pour des textes authentiques d’étudiants, selon le détecteur utilisé. Une étude fondatrice de Weber-Wulff (2023), parmi les plus citées dans le domaine, concluait déjà que les détecteurs IA « présentent trop souvent des faux positifs et des faux négatifs » et qu’il était « trop facile de tromper les systèmes par des outils de paraphrase ou la traduction automatique ». Une étude de 2024 a trouvé que les détecteurs IA produisaient des faux positifs dans 19 % des cas, un taux inacceptable pour des décisions disciplinaires.

Le problème est aggravé par l’effet de base : même avec un taux de faux positifs apparemment bas de 1 %, une université traitant 100 000 soumissions par an génèrerait environ 4 800 fausses accusations. Plusieurs universités prestigieuses (Vanderbilt, Northwestern, University of Waterloo) ont désactivé la fonctionnalité de détection IA de Turnitin en raison du risque de fausses accusations.

Pourquoi les faux positifs se produisent

Les détecteurs IA échouent pour plusieurs raisons structurelles. Les étudiants dont l’anglais (ou le français) est une langue seconde écrivent souvent avec une structure plus prévisible et un vocabulaire plus restreint, des caractéristiques que les détecteurs interprètent comme des marqueurs IA. Les textes techniques ou scientifiques utilisent une terminologie standardisée qui ressemble à du contenu IA. Les étudiants qui ont un style d’écriture naturellement structuré et prévisible sont pénalisés. Les « paraphraseurs IA » et les « humanizers » permettent aux tricheurs de contourner facilement la détection, tandis que les étudiants honnêtes sont pris au piège. C’est une asymétrie fondamentale qui mine la crédibilité du système.

Le jeu du chat et de la souris

L’IA générative et la détection sont engagées dans une course aux armements permanente. D’un côté, les LLM deviennent plus sophistiqués et produisent des textes plus « humains ». De l’autre, les détecteurs s’améliorent mais peinent à suivre le rythme.

Les outils de « humanisation » de texte IA (Phrasly, StealthGPT, Undetectable AI) rewritent le contenu généré pour contourner les détecteurs. La traduction IA est une autre technique d’évasion : générer le texte dans une langue, le traduire automatiquement dans la langue cible, et le retoucher. Le texte hybride (mélange de rédaction humaine et d’insertions IA) est le plus difficile à détecter : les performances des détecteurs chutent considérablement face au contenu partiellement IA. Turnitin revendique 98 % de précision sur du contenu IA pur, mais seulement 60 à 80 % sur du contenu hybride.

Ce constat pousse le secteur vers une approche alternative : la provenance plutôt que la détection. Au lieu de deviner si un texte est IA ou humain après coup, on documente le processus de création en amont. Google DeepMind a développé des outils de watermarking (filigrane) pour le texte IA, qui insèrent un signal statistique invisible lors de la génération. Si cette technologie se généralise, elle pourrait résoudre le problème de la détection, mais elle nécessite la coopération des fournisseurs de LLM.

Au-delà de la détection : repenser l’évaluation

Les enseignants et institutions les plus avancées ne se contentent pas d’ajouter des détecteurs : elles repensent leurs pratiques d’évaluation pour rendre le plagiat et l’utilisation frauduleuse de l’IA moins pertinents.

Diversifier les modalités d’évaluation est la première stratégie : examens en conditions surveillées, présentations orales, projets avec suivi du processus (brouillons intermédiaires), et évaluations en classe. Intégrer explicitement l’IA dans les consignes est une autre approche : demander aux étudiants d’utiliser ChatGPT, puis d’analyser et critiquer la réponse générée. Évaluer le processus plutôt que le produit : exiger des carnets de bord, des historiques de rédaction, ou des enregistrements de session. Poser des questions spécifiques au contexte que l’IA ne peut pas anticiper : relier le contenu à des expériences personnelles, à des cas d’étude vus en cours, ou à des débats récents de la classe.

En France, le cadre d’usage de l’IA en éducation (juin 2025) reconnaît cette complexité : il interroge la place des devoirs maison (potentiellement réalisés par des IA) et leur prise en compte dans l’évaluation, et encourage l’utilisation encadrée de l’IA comme outil pédagogique plutôt que comme ennemie à combattre.

Cadre réglementaire

Politiques d’intégrité académique

Seulement 10 % des écoles et universités disposaient de politiques officielles encadrant l’IA en 2023 (étude UNESCO). Le chiffre a progressé depuis, mais le retard reste important. Environ 58 % des étudiants déclarent ne pas avoir de clarté sur les usages acceptables de l’IA, et 26 % rapportent que leurs enseignants n’ont jamais évoqué le sujet en classe. Les universités sont poussées à définir des politiques claires : ce qui est autorisé, ce qui ne l’est pas, comment citer l’IA quand elle est utilisée, et quelles sont les sanctions.

AI Act et régulation

L’AI Act européen ne régule pas directement les détecteurs de plagiat en tant que tels, mais les systèmes d’IA utilisés pour évaluer les résultats d’apprentissage sont classés « haut risque » (pleinement applicable au 2 août 2026). Si un détecteur IA influence une décision d’évaluation, de sanction ou d’orientation, les obligations de transparence, de qualité des données et de supervision humaine s’appliquent. En France, la CNIL recommande que les décisions basées sur l’IA soient transparentes et qu’un recours humain soit toujours possible.

Protection des données

Les détecteurs de plagiat traitent des travaux d’étudiants, qui sont des données personnelles. Turnitin stocke les copies soumises dans sa base de données pour les comparaisons futures, ce qui pose des questions de consentement et de propriété intellectuelle. Certaines alternatives (Scribbr, Paperpal) garantissent que les documents ne sont pas conservés après l’analyse. Le RGPD impose que les étudiants soient informés de ce traitement et disposent de droits d’accès et de suppression.

Verdict Polydesk

La détection de plagiat par IA se trouve à un point de rupture. La détection de plagiat classique (similarité textuelle) reste fiable et indispensable : Turnitin et Compilatio font bien leur travail de comparaison avec les bases de données existantes. La détection de contenu IA, en revanche, est dans un état de fiabilité insuffisant pour des décisions disciplinaires. Les taux de faux positifs documentés (jusqu’à 83 % dans certaines études) rendent ces outils dangereux quand ils sont utilisés sans supervision humaine. Des universités prestigieuses ont déjà désactivé la fonctionnalité. Le consensus est clair : la détection IA est un signal, pas un verdict. L’avenir passe probablement par la provenance (prouver le processus de création) plutôt que par la détection probabiliste (deviner l’origine après coup). Pour les établissements, la stratégie la plus efficace combine des détecteurs comme outils de screening, une supervision humaine pour toute décision, et surtout une refonte des modalités d’évaluation qui rend la triche par IA moins pertinente. L’outil le plus puissant contre le plagiat IA n’est pas un détecteur : c’est un examen oral.