Comment fonctionne la détection d'images IA ?
Avec la généralisation d'outils comme Midjourney, DALL-E, Stable Diffusion ou les générateurs intégrés à ChatGPT et Gemini, distinguer une photo authentique d'une image entièrement synthétique est devenu un vrai défi — même pour un œil entraîné. Plusieurs approches techniques coexistent, avec des niveaux de fiabilité très différents.
Le filigrane invisible (SynthID, C2PA)
Les grandes plateformes intègrent de plus en plus un signal directement lors de la génération de l'image : SynthID, développé par Google DeepMind, insère un motif imperceptible dans les pixels au moment de la création. La norme C2PA, elle, attache des métadonnées cryptographiques retraçant la provenance du fichier. C'est la méthode la plus fiable — mais elle ne fonctionne que si l'outil qui a créé l'image implémente l'un de ces standards, et que les métadonnées n'ont pas été supprimées en cours de route (une simple capture d'écran suffit à effacer le C2PA).
L'analyse forensique (ce que fait cet outil)
En l'absence de filigrane officiel vérifiable, on peut chercher des traces indirectes laissées par le processus de génération ou d'édition :
Métadonnées EXIF
Une vraie photo porte normalement des informations sur l'appareil. Leur absence est un indice, jamais une preuve.
Signature générateur
Certains outils laissent une trace textuelle explicite dans les métadonnées — un signal fort quand présent.
Analyse ELA
Recompression et comparaison pour révéler des zones dont le niveau de compression est incohérent.
Bruit de capteur
Une image anormalement "propre", sans grain naturel, peut trahir une origine synthétique.
L'examen visuel
Certains détails restent statistiquement plus difficiles à générer correctement pour les modèles actuels : les mains et les doigts, le texte incrusté dans l'image, la cohérence des reflets et des ombres, ou les motifs répétitifs en arrière-plan. Ce n'est plus aussi fiable qu'il y a deux ans, mais ça reste un réflexe utile en complément des autres signaux.