Comment savoir si une image ou une vidéo a été générée par IA : indices, outils et limites

Comment savoir si une image a été générée par IA ?

Pour être honnête, il est souvent impossible de le savoir à l’œil nu. Lors d’un quiz en ligne organisé par le AI for Good Lab de Microsoft, les participants ont émis environ 287000 jugements et n’ont identifié correctement les images réelles et les images générées par IA que dans 62 % des cas ^[1]. Une étude représentative menée auprès de 3002 personnes aux États-Unis, en Allemagne et en Chine, présentée au IEEE Symposium on Security and Privacy en 2024, a montré que les faux les plus avancés étaient presque impossibles à distinguer des médias réels et que la plupart des participants répondaient tout simplement au hasard ^[2].

Vérifier n’est pas inutile pour autant. Cela signifie que l’approche fiable procède par couches : rechercher les erreurs visuelles, vérifier la présence de signaux lisibles par machine comme les filigranes ou les Content Credentials, et remonter jusqu’à la première apparition de l’image. Le National Institute of Standards and Technology (NIST) américain décrit la même idée à plus grande échelle : selon lui, il n’existe pas de solution miracle, et le suivi de la provenance, l’étiquetage et la détection ont chacun leurs limites ^[4].

Une liste de vérification rapide

1. Prenez le temps avant de partager. Les images d’actualité brûlante méritent une attention particulière ; en juin 2025, une vidéo d’explosion à la prison d’Evin, à Téhéran, dont des experts ont dit à CBS News qu’elle avait peut-être été créée par IA, est apparue en ligne quelques minutes après une véritable frappe israélienne sur la prison ^[12].
2. Regardez de près les mains, le texte, les ombres, les reflets et les objets censés fonctionner de manière physique ^[3].
3. Recherchez des credentials ou des filigranes avec un outil capable de les lire, par exemple au moyen de la norme Content Credentials ou du vérificateur SynthID de Google dans Gemini ^[5][7].
4. Recherchez la source. La page d’aide de Google elle-même recommande l’examen visuel et la recherche d’image inversée en complément de son outil de filigrane ^[5].
5. Considérez chaque résultat comme un indice, et non comme une preuve, car chaque méthode peut passer à côté d’un contenu ou mal l’interpréter ^[4].

Quels signes visuels trahissent les images d’IA ?

Des chercheurs de la Northwestern University ont élaboré un guide à partir de 138 images générées par des modèles de diffusion, de 9 images sélectionnées sur les réseaux sociaux et de 42 photographies réelles ^[3]. Ils ont classé les défauts révélateurs en cinq catégories ^[3] :

• Anatomiques : mains, yeux, dents et corps invraisemblables, y compris des corps qui se fondent les uns dans les autres ^[3].
• Stylistiques : images qui paraissent un peu trop parfaites, avec une peau brillante ou cireuse, un aspect de magazine ou de photo de tournage, ou des zones de l’image dont le niveau de détail ou les couleurs diffèrent ^[3].
• Fonctionnels : objets qui ne pourraient pas fonctionner, conceptions atypiques et textes ou logos incompréhensibles, car les générateurs n’ont pas de compréhension structurelle du fonctionnement des choses ^[3].
• Violations des lois physiques : ombres et reflets incohérents, problèmes de profondeur et de perspective ^[3].
• Socioculturels : scènes improbables, inappropriées, contraires aux normes d’une culture ou historiquement inexactes ^[3].

Les auteurs soulignent que les artefacts perceptibles par l’humain ne sont pas toujours présents, même s’ils apparaissent souvent, et que des bizarreries anatomiques, comme une main à l’aspect étrange, ne signifient pas nécessairement qu’une image a été générée par IA ^[3]. Les générateurs progressent en outre rapidement : les chercheurs de Microsoft notent que leurs résultats surestiment probablement la capacité des gens à repérer les images d’IA actuelles ^[1].

Quels faux sont les plus difficiles à repérer ?

Dans l’expérience de Microsoft, deux types d’images ont trompé les participants plus souvent qu’à leur tour : les visages humains créés avec des GAN (un type plus ancien de générateur d’images) et l’inpainting, qui consiste à remplacer une partie d’une photo réelle par un contenu généré ^[1]. Le NIST fait la même observation : une image partiellement retouchée est en grande partie réelle, ce qui complique toutes les méthodes de détection ^[4]. Une vraie photo dont un seul détail a été modifié est donc plus difficile à repérer qu’une scène entièrement synthétique.

Et la vidéo ?

La vidéo est plus difficile encore. Hany Farid, professeur à l’université de Californie à Berkeley, a déclaré à CBS News en juin 2025 que les faux étaient passés des images fixes à des vidéos complètes d’explosions ressemblant à des images filmées au téléphone ^[12]. Dans une vidéo montrant une explosion à l’entrée de la prison d’Evin, à Téhéran, que des experts estimaient peut-être générée par IA, ceux-ci ont relevé un panneau erroné au-dessus de la porte et des incohérences dans l’explosion elle-même ^[12]. Il est utile de vérifier les panneaux et autres textes, l’éclairage, et si la même scène apparaît sur des images prises par d’autres caméras.

Les filigranes d’IA et les Content Credentials prouvent-ils l’origine d’une image ?

Les signaux lisibles par machine sont plus fiables que l’œil humain, mais seulement lorsqu’ils sont présents et qu’un outil adapté peut les lire. Il en existe deux grands types.

Les filigranes invisibles

Un filigrane est un signal dissimulé dans les pixels ou dans le son. SynthID de Google intègre des signaux imperceptibles dans les contenus générés par IA, et Google affirme que plus de 20 milliards de contenus en avaient été marqués en novembre 2025 ^[6]. Depuis le 20 novembre 2025, il est possible d’envoyer une image dans l’application Gemini et de demander si elle a été créée avec l’IA de Google ^[6]. La page d’aide de Google ajoute des vérifications pour la vidéo et l’audio, avec des limites de 100 Mo par fichier, des vidéos de moins de 90 secondes et environ 10 vérifications de chaque type par période de 24 heures ^[5].

Ces limites comptent. Gemini ne peut actuellement reconnaître que les contenus créés avec les outils d’IA de Google, et Google précise que l’absence de filigrane SynthID ne signifie pas que le contenu n’a pas été généré par IA ^[5]. Selon Google, les filigranes résistent généralement au redimensionnement, à la modification des couleurs et à la compression, mais peuvent ne plus être détectés après de nombreuses modifications ^[5].

Les Content Credentials

Les Content Credentials, la norme élaborée par la Coalition for Content Provenance and Authenticity (C2PA), offrent un moyen sécurisé par cryptographie de consigner comment, quand et où un contenu a été créé et comment il a été modifié ^[7]. Si le fichier ou ses données de provenance sont altérés, le lien cryptographique se rompt, ce qui signale une falsification ^[7]. Gemini peut lire les Content Credentials en version 2.2 et ultérieures provenant de produits figurant sur la C2PA Conforming Products List, sur le web et dans son application Android ^[5].

Les credentials consignent toutefois une déclaration sur l’origine, et non la véracité d’une scène. Google fait remarquer qu’un résultat mentionnant une entreprise indique seulement qui a fourni l’information, et que les credentials ne prouvent pas de façon définitive si un contenu a été généré par IA ^[5]. La C2PA indique que les credentials peuvent être séparés d’un fichier et prend en charge des « liaisons souples » (soft bindings), comme des filigranes ou des empreintes, pour les retrouver ^[7].

Pourquoi les étiquettes et les métadonnées disparaissent-elles si souvent ?

Les métadonnées voyagent à l’intérieur du fichier : tout ce qui réenregistre le fichier peut donc les supprimer. Le NIST relève que les métadonnées intégrées sont souvent supprimées lors du partage des fichiers, par exemple via les réseaux sociaux, et qu’on peut les retirer aussi bien pour tromper que pour des raisons légitimes comme la protection de la vie privée ^[4].

Le Washington Post l’a vérifié en octobre 2025. Il a réalisé avec Sora d’OpenAI une vidéo dotée de Content Credentials, l’a publiée sur huit applications sociales et a constaté qu’aucune ne conservait les credentials ni ne permettait aux utilisateurs de les consulter ^[8]. Seul YouTube a ajouté un avertissement, et cette mention, « Contenu modifié ou synthétique », figurait dans la description de la vidéo ^[8].

Les filigranes visibles sont encore plus faciles à contourner. 404 Media a rapporté que trois sites web testés par la rédaction retiraient en quelques secondes le filigrane visible de Sora 2 des vidéos ^[9]. Le NIST décrit aussi des travaux de recherche montrant que de nombreux filigranes d’image invisibles peuvent être retirés, par exemple en ajoutant du bruit puis en débruitant l’image ^[4].

Que disent les plateformes ?

Meta a annoncé en 2024 qu’elle lirait les indicateurs d’IA présents dans les normes de métadonnées C2PA et IPTC pour étiqueter les images sur Facebook, Instagram et Threads ^[10]. La même annonce reconnaissait qu’il n’était pas encore possible d’identifier tous les contenus générés par IA et que les marqueurs invisibles pouvaient être supprimés ^[10]. Meta impose plutôt aux utilisateurs de signaler les vidéos photoréalistes et les sons réalistes créés par IA lorsqu’ils les publient ^[10].

Les outils de détection d’images d’IA sont-ils fiables ?

Les détecteurs automatiques sont des classificateurs qui estiment la probabilité qu’un fichier soit synthétique. Ils peuvent faire mieux que les humains : le propre détecteur de l’équipe de Microsoft a dépassé 95 % de précision sur les images réelles comme sur les images d’IA dans son étude ^[1]. Ce chiffre vaut pour un outil de recherche, sur un jeu de données, et non pour n’importe quel site gratuit que vous pourriez trouver.

Avantages

• Les chercheurs de Microsoft décrivent les outils de détection comme nettement plus fiables que les humains, tout en notant qu’ils commettent encore des erreurs ^[1].
• Leur précision dans cette étude était constante d’une catégorie d’images à l’autre, contrairement à celle des humains, qui variait selon le sujet ^[1].

Limites

• Selon le NIST, les détecteurs donnent souvent leurs meilleurs résultats sur les contenus issus des générateurs sur lesquels ils ont été entraînés, alors que de nouveaux modèles apparaissent sans cesse ^[4].
• Dès qu’une nouvelle méthode de détection apparaît, les générateurs progressent et les acteurs malveillants apprennent à la contourner, d’après le NIST ^[4].
• Les faux positifs, c’est-à-dire les contenus réels étiquetés comme produits par IA, peuvent être extrêmement préjudiciables et nuire à la réputation ou entraîner un traitement défavorable ^[4].
• Les images partiellement retouchées sont difficiles à classer, et le caractère « substantiel » d’une retouche peut être subjectif ^[4].

Le score d’un détecteur n’est donc qu’un élément parmi d’autres. Il est surtout utile lorsqu’il concorde avec d’autres indices, comme l’absence de source d’origine ou des erreurs visibles.

Quelle méthode utiliser, et quand ?

Chaque méthode répond à une question différente. L’examen visuel cherche à savoir si le contenu est physiquement plausible ^[3]. La vérification du filigrane cherche à savoir si l’IA d’une entreprise donnée a laissé son signal ^[5]. Les Content Credentials indiquent ce que dit l’historique signé du fichier ^[7]. La recherche d’image inversée cherche où et quand l’image est apparue pour la première fois, ce que Google recommande en complément de son propre outil ^[5]. Le tableau ci-dessous les compare.

Pour une décision lourde de conséquences, comme rendre compte d’un événement d’actualité ou accuser quelqu’un d’avoir falsifié une preuve, utilisez plusieurs méthodes et vérifiez qu’elles concordent. Le NIST relève que les organisations peuvent combiner plusieurs techniques de détection et affirme qu’il n’existe pas de solution miracle ^[4].

Quelles règles imposent d’étiqueter les images d’IA ?

Dans l’Union européenne, les obligations de transparence de l’article 50 du règlement sur l’IA s’appliquent à partir du 2 août 2026 ^[11]. En vertu de ces règles, les fournisseurs de systèmes d’IA doivent marquer les contenus audio, image, vidéo et texte qu’ils produisent de façon lisible par machine, afin qu’ils puissent être détectés comme générés artificiellement, et les déployeurs doivent étiqueter les deepfakes ; le code de bonnes pratiques de la Commission européenne précise comment procéder ^[11]. Le code définit les deepfakes comme des contenus image, audio ou vidéo qui ressemblent à des personnes, objets, lieux, entités ou événements réels et pourraient faussement paraître authentiques ^[11].

L’adhésion au code lui-même est volontaire, même si les obligations de l’article 50 sont des obligations légales ^[11]. Le calendrier de la Commission prévoit la publication du code définitif le 10 juin 2026, et environ 190 organisations l’avaient signé fin juillet 2026 ^[11]. L’UE a également créé un ensemble d’icônes que les déployeurs peuvent utiliser pour étiqueter les contenus générés par IA ^[11]. En dehors de l’UE, ce sont les politiques des plateformes, comme les règles de déclaration de Meta, qui s’appliquent ^[10], mais les règles diffèrent d’un pays à l’autre et changent souvent : vérifiez la version en vigueur au 3 novembre 2026.

Quel avenir pour la détection des faux ?

La tendance va vers des étiquettes intégrées aux fichiers dès leur création, plutôt que vers le repérage des erreurs par les humains. Google a annoncé son intention d’étendre la vérification de Gemini aux Content Credentials de produits extérieurs à son propre écosystème ^[6], et sa page d’aide décrit désormais ces vérifications ^[5], tandis que les règles de marquage de l’UE s’appliquent aux fournisseurs ^[11]. Dans le même temps, le NIST décrit des attaques qui retirent ou contrefont (« spoofing ») les filigranes ^[4], et le test du Washington Post a montré que les plateformes éliminent souvent les signaux existants ^[8].

Ce qui reste incertain

• Les performances humaines l’an prochain. Les auteurs de Microsoft s’attendent à ce que la précision humaine baisse à mesure que les générateurs progressent ^[1].
• La conservation des credentials par les plateformes. La participation aux Content Credentials est volontaire, et lors du test du Post, aucune plateforme n’a conservé les données ^[8].
• La prise en charge des filigranes d’autres entreprises. Au 3 novembre 2026, le vérificateur de Gemini ne sait pas encore lire les filigranes des autres entreprises ^[5].

Pour l’heure, les vérifications qui ne nécessitent aucun outil particulier restent importantes : Google recommande la recherche d’image inversée pour retrouver une source d’origine ^[5], et Hany Farid a conseillé aux lecteurs de CBS News de ne pas se fier aux réseaux sociaux pour l’actualité brûlante ^[12].