Détecteur gratuit de textes IA

Avertissement de décision

Un score de texte ne peut pas prouver qui l'a écrit

N'utilisez pas le résultat à lui seul pour accuser un étudiant, refuser un candidat, sanctionner un auteur ou faire appliquer un contrat. Examinez les brouillons, les sources, l'historique des révisions et l'explication de la personne présentée comme auteur.

Brouillon d'allure IA

« Dans le paysage actuel, en évolution rapide, les organisations doivent adopter l'innovation tout en conservant une approche équilibrée. »

Un cadrage générique et une structure de phrases régulière peuvent élever un signal stylistique faible, mais ils ne prouvent pas une rédaction par IA.

Brouillon à détail humain

« À 6:40 le mardi, le rideau de la boulangerie était encore baissé, alors j'ai réécrit le paragraphe d'ouverture dans le bus. »

Un détail personnel concret peut sembler humain, mais un modèle d'IA peut l'imiter. Le contexte et l'historique des révisions comptent encore.

Texte mixte ou retouché

Un plan généré peut être réécrit phrase par phrase, tandis qu'un brouillon humain peut être poli par un assistant.

La rédaction mixte est le cas le plus difficile et doit en général être traitée comme incertaine, plutôt que forcée dans une étiquette binaire.

Ce sont des motifs illustratifs, pas des échantillons de référence ni des classements garantis.

Détecteur de texte IA : ce texte a-t-il été écrit par une IA ?

Le détecteur de texte IA de DeepFakeCheck examine jusqu'à 2 000 caractères à la recherche de motifs d'écriture associés à une aide de l'IA. Il renvoie une évaluation du risque, pas une probabilité d'auteur vérifiée. Aucune inscription n'est requise ; le texte envoyé est conservé jusqu'à 7 jours, puis supprimé.

Comment fonctionne la détection de texte IA

Le service actuel utilise un modèle de langage invité à examiner des éléments stylistiques. Il n'exécute pas un compteur de perplexité distinct et ne prétend pas à une preuve mathématique d'auteur. L'examen considère :

• Structure : des transitions inhabituellement rigides, des modèles répétés et des schémas de phrases régulièrement uniformes.
• Précision : des affirmations génériques sans expérience concrète, détail de source ou contexte vérifiable.
• Cohérence interne : des citations, des exemples ou des motifs factuels qui entrent en conflit avec le passage autour d'eux.

Ce que le résultat ne peut pas établir

Un passage humain soigné peut ressembler à une sortie de modèle, et un brouillon de modèle retouché peut ressembler à une écriture humaine. La traduction, les outils d'accessibilité, la correction grammaticale et l'écriture non native peuvent aussi changer le style. Le résultat ne peut pas nommer de façon fiable quel modèle a écrit un passage, ni prouver qu'une personne a triché.

Usages courants de la détection de texte

• Enseignants et services d'intégrité académique qui trient des devoirs d'étudiants, avec une conversation avec l'étudiant, et non comme seul jugement.
• Éditeurs et responsables de contenu qui examinent des contributions externes à la recherche d'un usage d'IA non déclaré.
• Recruteurs qui évaluent des lettres de motivation et des échantillons d'écriture.
• Éditeurs et équipes de relations publiques qui repèrent des communiqués de presse générés par IA ou de faux avis présentés comme spontanés.
• Équipes de confiance des places de marché qui identifient des descriptions de produit générées par IA ou de faux avis.

Limites honnêtes de la détection de texte IA

Il faut le dire clairement : la détection de texte est la moins fiable des quatre modalités que nous proposons. Une sortie d'IA soigneusement retouchée, des passages mixtes IA et humains, un texte traduit et l'écriture de personnes dont l'anglais n'est pas la langue maternelle peuvent tous produire des faux positifs. Nous recommandons d'utiliser le détecteur comme un élément parmi d'autres, jamais comme seule base pour accuser quelqu'un de malhonnêteté académique ou de violation de contrat.