Un filigrane IA est un signal intégré à un contenu pour permettre à un outil compatible d’en vérifier l’origine artificielle. SynthID et textGrain inscrivent un motif invisible dans le média généré, tandis que C2PA joint au fichier un historique signé. Aucun des trois ne prouve qu’un contenu est vrai, qu’il appartient à quelqu’un ou qu’il a été entièrement produit par une intelligence artificielle.
Quelles différences entre SynthID, textGrain et C2PA ?
SynthID et textGrain sont des mécanismes de filigrane IA intégrés pendant la génération. Leurs détecteurs recherchent ensuite un signal statistique précis. C2PA est au contraire un standard ouvert de provenance : un manifeste signé décrit l’origine et les modifications d’un fichier. C2PA n’est ni un filigrane ni un détecteur universel d’intelligence artificielle.
La différence paraît technique, mais elle change la façon de gérer une preuve. Un filigrane invisible reste attaché aux caractéristiques du contenu. Un manifeste C2PA repose sur des données structurées liées au fichier et protégées par une signature cryptographique, c’est-à -dire un mécanisme permettant de détecter une modification non autorisée.
| Mécanisme | Nature | Médias concernés | Vérification | Limite principale |
|---|---|---|---|---|
| SynthID | Filigrane invisible intégré | Texte, image, vidéo et audio selon le générateur | Détecteur compatible avec le signal SynthID | La couverture publique varie selon le média et le partenaire |
| textGrain | Filigrane statistique intégré au texte | Texte éligible généré par certains systèmes OpenAI | Texte examiné et clé secrète d’OpenAI | La réécriture, la traduction et l’édition réduisent la détection |
| C2PA | Manifeste de provenance signé | Fichiers pris en charge, notamment certaines images | Validation du manifeste et de sa signature | Le manifeste peut disparaître lors d’une capture ou d’une conversion |
Ces approches peuvent coexister dans un même fichier. En 2026, OpenAI emploie textGrain pour certains textes européens, SynthID pour des images et fichiers audio pris en charge, ainsi que les Content Credentials fondés sur C2PA pour certaines images. Il ne faut donc pas choisir systématiquement un mécanisme contre un autre.
Comment fonctionne le filigrane IA SynthID ?
Google a lancé SynthID en 2023 pour insérer un marquage invisible directement dans un contenu généré. En 2024, SynthID couvrait le texte, l’image, la vidéo et l’audio, avec une disponibilité dépendant du générateur et du partenaire. Le signal est conçu pour rester détectable après certaines transformations, contrairement à une simple métadonnée.
Pour le texte, SynthID-Text modifie la sélection des jetons, c’est-à -dire les mots ou fragments de mots choisis successivement par le modèle. Le détecteur cherche ensuite le motif statistique produit avec une clé. La publication scientifique parue dans Nature en 2024 précise qu’il ne s’agit pas d’un classificateur capable de reconnaître tous les textes issus de tous les modèles.
Depuis le 7 octobre 2026, Google propose mondialement un détecteur SynthID public en anglais pour l’image, la vidéo et l’audio. Google indiquait alors prendre en charge ses propres médias et ceux de partenaires comme OpenAI, NVIDIA et Kakao. La vérification publique du texte ne figurait pas dans cette annonce.
Google déclarait également, le 7 octobre 2026, avoir marqué plus de 180 milliards d’images et de vidéos ainsi que l’équivalent de 240 000 années d’audio. Ces chiffres viennent de Google et décrivent un volume de déploiement, pas le taux de réussite du détecteur sur des contenus transformés.
textGrain peut-il reconnaître tous les textes écrits par une IA ?
textGrain ne peut pas reconnaître tous les textes écrits par une intelligence artificielle. Annoncé par OpenAI le 5 octobre 2026, ce filigrane IA modifie le motif statistique des mots ou jetons pendant la génération. Le détecteur vérifie uniquement ce signal précis à l’aide de la clé secrète d’OpenAI.
textGrain n’ajoute ni caractère caché, ni espace particulier, ni ponctuation artificielle. Sa vérification ne nécessite pas le prompt initial ou les probabilités calculées par le modèle. Elle exige en revanche que le texte provienne d’un système compatible sur lequel le marquage était activé.
Les résultats publiés par OpenAI en octobre 2026 donnent un ordre de grandeur utile. Pour des passages de psychologie, l’entreprise rapportait environ 80 % de détection à 200 jetons et 95 % à 400 jetons, avec un objectif de 1 % de faux positifs. Ces mesures n’avaient pas encore fait l’objet d’une réplication comparative indépendante lors du lancement.
La résistance à la réécriture reste le point faible. Dans l’évaluation en anglais d’OpenAI sur 400 jetons, remplacer 10 % des mots par des synonymes faisait passer la détection d’environ 92 % à 66 %. Avec 25 % de mots remplacés, elle tombait à 17 %.
Les performances varient aussi selon la langue. Avant ajustements propres à chaque langue, OpenAI rapportait en 2026 des taux allant de 42,2 % pour le roumain à 69,0 % pour l’espagnol parmi les 24 langues officielles de l’Union européenne, au seuil de 1 % de faux positifs. Honnêtement, un résultat négatif ne doit jamais servir seul à accuser ou à disculper un auteur.
Une signature C2PA prouve-t-elle qu’un contenu est authentique ?
Une signature C2PA valide prouve que les informations de provenance signées sont restées intactes et qu’elles sont attribuables à un signataire selon le modèle de confiance appliqué. Elle ne prouve pas que l’image, la vidéo ou l’affirmation représentée est exacte, honnête ou exempte de manipulation.
Le standard C2PA associe au fichier un manifeste comprenant des assertions sur sa création et son historique d’édition. Une signature cryptographique lie ces informations à l’actif numérique. Si quelqu’un modifie sans autorisation un manifeste conservé, la validation peut signaler l’altération.
Le piège méconnu tient à la disparition complète de la provenance. Une capture d’écran, un service supprimant les métadonnées ou une conversion de fichier peut retirer le manifeste C2PA. Son absence ne démontre donc pas une fraude. Elle signifie seulement que la chaîne de provenance n’est plus disponible dans le fichier examiné.
Ce point concerne directement les circuits de publication. Une conversion automatique vers WebP ou AVIF pour accélérer un site, un outil de redimensionnement ou un réseau social peut modifier le fichier livré. Côté agence, le réflexe est de tester la conservation des informations de provenance sur toute la chaîne, depuis l’export jusqu’au téléchargement public.
Quelle valeur donner à un résultat de détection ?
Un résultat positif de filigrane IA indique en 2026 qu’un système compatible a probablement généré ou traité au moins une partie du contenu. Ce résultat n’identifie pas l’utilisateur, ne mesure pas la contribution humaine, ne détermine pas la propriété intellectuelle et n’attribue aucune responsabilité juridique à lui seul.
Un résultat négatif est encore moins définitif. Le contenu peut provenir d’un modèle sans filigrane, avoir été généré avant l’activation du mécanisme ou avoir subi une traduction, une paraphrase ou une édition substantielle. C2PA peut, de son côté, avoir été supprimé lors d’un traitement technique banal.
Une procédure sérieuse doit donc réunir plusieurs éléments :
- conserver le fichier original plutôt qu’une capture d’écran ou une copie recompressée ;
- identifier le générateur, la date de création et les fonctions de provenance disponibles à cette date ;
- vérifier séparément le filigrane intégré et le manifeste C2PA lorsqu’ils coexistent ;
- consigner l’outil de détection, son accès, son seuil et la date du contrôle ;
- faire examiner le contexte humain et contractuel avant toute décision disciplinaire ou juridique.
Sur les projets que nous menons, nous voyons souvent la provenance ajoutée en fin de production. C’est tard. Si des images issues d’un générateur d’images intégré à une plateforme ou des séquences créées avec des outils de vidéo générative alimentent un site, les originaux et journaux de génération doivent être conservés dès le départ.
Que change l’AI Act européen pour les entreprises en 2026 ?
L’article 50 de l’AI Act impose depuis le 2 août 2026 aux fournisseurs de systèmes générant du texte, des images, de la vidéo ou de l’audio synthétiques de rendre les sorties lisibles par machine et détectables comme artificielles ou manipulées, dans la mesure où cela reste techniquement réalisable.
La Commission européenne prévoit une transition limitée jusqu’au 2 décembre 2026 pour certains systèmes mis sur le marché auparavant. Cette obligation explique le déploiement européen de textGrain et l’extension des outils de provenance, mais elle ne transforme pas chaque détection en preuve judiciaire automatique.
Pour un dirigeant utilisant l’intelligence artificielle, le bon arbitrage consiste à organiser la traçabilité plutôt qu’à acheter un hypothétique détecteur universel. Conservez les fichiers sources, les versions publiées, les droits d’utilisation, les validations humaines et le nom des outils employés. Une politique d’usage de l’IA comprise par les équipes réduit davantage le risque qu’un contrôle isolé après publication.
Cadrer la provenance dès la conception évite de perdre les signaux lors des conversions, des optimisations ou de la diffusion. Un regard extérieur peut alors aider à tester la chaîne technique et à distinguer une exigence réglementaire d’une simple promesse commerciale.
FAQ sur les filigranes et la provenance des contenus IA
Peut-on supprimer un filigrane invisible d’une image IA ?
Un filigrane invisible peut être affaibli par certaines transformations, mais SynthID est conçu pour résister à une partie d’entre elles. La résistance dépend du générateur, du média et de la modification appliquée ; l’absence de détection ne prouve pas une origine humaine.
Une capture d’écran conserve-t-elle les Content Credentials ?
Une capture d’écran peut supprimer entièrement le manifeste C2PA lié au fichier original. Le contenu visuel subsiste, mais sa chaîne de provenance signée n’accompagne généralement plus la nouvelle image.
Le détecteur textGrain est-il accessible à tout le monde ?
Le détecteur textGrain était limité en octobre 2026 à des chercheurs et organisations expertes approuvés par OpenAI. L’entreprise justifiait cette restriction par les risques de faux positifs et de faux négatifs.
Un texte traduit conserve-t-il son filigrane statistique ?
La traduction affaiblit les filigranes statistiques textuels comme textGrain et SynthID-Text, car elle remplace une grande partie des choix de jetons initiaux. Un échec de détection après traduction ne permet donc pas de conclure que le texte a été écrit par une personne.