ChatGPT en Europe, OpenAI prépare textGrain, le marquage invisible des textes qui pourrait trahir chaque mot choisi

OpenAI prépare un mécanisme de marquage des textes produits par ChatGPT en Europe. Selon MacGeneration, le dispositif, nommé textGrain, ne repose pas sur une étiquette visible, mais sur une modification statistique du choix des mots. L’objectif consiste à rendre un texte généré par IA reconnaissable par un outil de détection, sans modifier sa présentation pour le lecteur.

OpenAI prépare textGrain pour identifier les textes de ChatGPT

Le principe décrit par MacGeneration place textGrain dans la catégorie des filigranes invisibles appliqués aux contenus générés. Le système agit au moment de la production du texte, lorsque le modèle choisit le mot suivant. Dans un fonctionnement classique, ChatGPT sélectionne une suite de termes selon leur probabilité dans le contexte demandé, avec une part de variation qui donne aux réponses des formulations différentes d’une requête à l’autre.

Avec ce marquage, le choix lexical ne dépend plus uniquement de la pertinence et de la probabilité. Le modèle favorise certaines options compatibles avec le sens attendu, afin de laisser une signature mesurable. Le texte reste lisible pour l’utilisateur, mais il contient une structure statistique que le lecteur humain ne voit pas. Ce signal peut ensuite être recherché par un détecteur conçu pour repérer ces préférences discrètes.

Cette approche rappelle les travaux menés autour de SynthID, le système de marquage développé par Google pour certains contenus générés. Dans les deux cas, l’idée consiste à inscrire un indice dans la production même du modèle, plutôt que d’ajouter une mention externe susceptible d’être supprimée lors d’un copier-coller. Le marquage devient intégré au matériau linguistique, ce qui rend sa disparition moins immédiate qu’un simple avertissement placé au-dessus d’un texte.

Le choix d’une telle méthode traduit une préoccupation croissante des éditeurs d’IA générative. Les usages professionnels, scolaires et médiatiques de ChatGPT se sont multipliés, alors que les institutions demandent davantage de traçabilité. OpenAI cherche donc un équilibre délicat: signaler l’origine artificielle d’un contenu sans rendre les réponses moins naturelles, sans dégrader la qualité rédactionnelle et sans exposer les utilisateurs à un affichage permanent de soupçon.

Le choix des mots devient un signal technique mesurable

Un modèle de langage ne pense pas les mots comme un rédacteur humain. Il calcule une distribution de probabilités à partir d’un contexte, puis sélectionne un élément parmi les options disponibles. Dans une phrase simple, plusieurs formulations peuvent être correctes. Le système peut retenir un verbe courant, une tournure plus formelle ou une expression plus neutre. textGrain exploite précisément cet espace de choix.

Le marquage ne consiste pas à imposer des mots rares ou visibles. Une telle stratégie serait vite détectée par les utilisateurs et nuirait au style. Le dispositif privilégie plutôt des choix légèrement orientés parmi des mots acceptables. Pris isolément, chaque terme ne prouve rien. Sur un texte long, la répétition de préférences statistiques peut former un motif. Le détecteur ne lit donc pas une formule magique, il mesure une répartition.

Cette méthode présente un intérêt technique pour les textes de plusieurs paragraphes, car le signal gagne en force avec la longueur. À l’inverse, un message très court, une phrase isolée ou une réponse fortement réécrite offrent moins de matière. Les opérations de traduction, de résumé manuel ou de paraphrase par un autre outil peuvent aussi affaiblir le marquage. La promesse d’une identification parfaite serait trompeuse.

Le point sensible concerne la frontière entre marquage et style. Les modèles d’IA sont déjà associés à des habitudes lexicales repérables, notamment des verbes trop formels, des structures très équilibrées et des phrases prudentes. Certains détecteurs existants signalent des textes humains qui adoptent un ton administratif ou académique. Avec filigrane statistique, OpenAI devra démontrer que le signal ne se confond pas avec ces simples habitudes d’écriture.

L’Europe encadre la traçabilité des contenus générés par IA

Le calendrier européen donne un relief particulier à cette initiative. En 2026, l’application progressive du règlement européen sur l’intelligence artificielle impose davantage de transparence aux fournisseurs et aux services qui diffusent des contenus synthétiques. Les systèmes capables de produire du texte, de l’image, du son ou de la vidéo sont invités à clarifier l’origine artificielle de certaines productions, surtout lorsque le public peut être induit en erreur.

Dans ce contexte, OpenAI a intérêt à proposer un dispositif technique compatible avec les attentes des régulateurs. Un marquage invisible ne remplace pas forcément une information donnée à l’utilisateur, mais il peut compléter les obligations de traçabilité. Les autorités peuvent demander des preuves, les plateformes peuvent chercher à filtrer des contenus automatisés et les médias peuvent vouloir vérifier l’origine d’un texte reçu.

La question dépasse le seul cas de ChatGPT. Les entreprises utilisent déjà l’IA générative pour rédiger des fiches produits, des messages de service client, des notes internes ou des supports marketing. Les administrations s’intéressent aussi à ces outils pour accélérer certains travaux documentaires. Dans tous ces environnements, un marquage fiable peut faciliter les audits, notamment lorsqu’un contenu circule entre plusieurs services ou prestataires.

Le débat européen porte néanmoins sur la proportionnalité. Un système trop intrusif peut inquiéter les défenseurs de la confidentialité, tandis qu’un système trop faible n’apporte qu’une garantie limitée. Les rédactions, les universités et les plateformes devront connaître les conditions exactes de détection: seuils de confiance, marge d’erreur, conservation des données et procédure de contestation. La transparence ne dépend pas seulement du code, elle dépend aussi des règles d’usage.

Les détecteurs d’IA restent exposés aux faux positifs

Le marquage par les mots arrive dans un environnement déjà marqué par la méfiance envers les détecteurs d’IA. Plusieurs outils grand public attribuent un score artificiel à des textes qui n’ont pas été générés par une machine. Les causes sont connues: vocabulaire répétitif, style très normé, absence d’anecdotes personnelles, phrases trop régulières ou écriture scolaire. Un étudiant, un fonctionnaire ou un rédacteur technique peut être pénalisé sans avoir utilisé ChatGPT.

Les débats autour des mots associés à l’IA montrent cette fragilité. En anglais, certains termes comme delve, meticulous ou realm ont été cités comme des marqueurs fréquents de productions automatisées. En russe, des observateurs évoquent le retour d’un style bureaucratique lourd, parfois nommé kantselyarit. Ces indices culturels sont utiles pour analyser des tendances, mais ils ne suffisent pas à établir une preuve individuelle.

Un dispositif comme textGrain cherche à dépasser cette limite en s’appuyant sur une signature volontairement intégrée au modèle. La distinction est importante: un détecteur stylistique devine, tandis qu’un détecteur de filigrane vérifie un signal attendu. Même dans ce cadre, le résultat doit rester présenté avec prudence. Le texte peut avoir été coupé, traduit, mélangé avec des passages humains ou modifié par un second modèle sans marquage compatible.

Les usages sensibles exigeront donc des garde-fous. Dans l’éducation, une accusation de triche ne peut pas reposer sur un score isolé. Dans la presse, l’identification d’un texte généré doit être recoupée avec le contexte de production. Dans l’entreprise, un contrôle automatisé doit être expliqué aux salariés. La fiabilité de détection IA dépendra autant des procédures que de la qualité du signal inscrit dans les mots.