Détecter les contenus générés par IA dans un flux de veille : signaux, outils et jugement humain

Un veilleur ne lit plus seulement des articles écrits par des journalistes. Il parcourt aussi des communiqués reformulés par des modèles de langage, des billets de blog produits en série pour occuper une position dans les moteurs de recherche, des résumés d'actualité générés automatiquement à partir d'autres résumés eux-mêmes générés. Cette matière nouvelle n'est pas toujours trompeuse, mais elle est presque toujours pauvre en information de première main.

La question posée aux équipes de veille a donc changé de nature. Il ne s'agit plus seulement de repérer une manipulation délibérée, sujet déjà traité ici sous l'angle de la désinformation, mais de qualifier un flux dont une fraction croissante est fabriquée sans intention de nuire, simplement pour produire du volume. Ces contenus imitent la forme de l'information sans en avoir la substance, et ils encombrent le tri autant qu'ils le faussent.

Cet article détaille ce qui, concrètement, permet de suspecter un contenu généré dans un flux de veille : les signaux internes au texte, les indices éditoriaux, la trajectoire de diffusion, les traces techniques. Il précise ensuite ce que font réellement les outils de détection, ce qu'ils ne prouvent pas, et comment articuler leur sortie avec un protocole de qualification humain.

Un flux dont une part croissante est produite par des machines

Le phénomène est mesuré. Les relevés de l'Observatoire de l'Intelligence Économique décrivent un volume de contenus potentiellement pertinents pour la veille qui a plus que doublé entre 2020 et 2026, avec un indice passant de 100 à 214. Sur la même période, la part des contenus générés artificiellement dans ce volume passe de 2 % à 27 %. Ce n'est plus une curiosité marginale : c'est une composante structurelle du flux.

Cette bascule change la charge de travail du veilleur. Trier un flux deux fois plus gros serait déjà exigeant ; trier un flux deux fois plus gros dont un quart imite la forme d'une information légitime l'est bien davantage. Les repères habituels (un titre sérieux, une mise en page soignée, un ton neutre) ne discriminent plus rien, puisqu'ils sont exactement ce qu'un modèle de langage produit le mieux.

Il faut donc distinguer deux risques bien différents. Le premier est le bruit : des contenus synthétiques sans valeur qui allongent la file d'attente et diluent les signaux utiles. Le second est l'erreur d'attribution : un contenu généré, repris de bonne foi par des relais légitimes, finit par acquérir le statut d'information établie alors qu'aucune source première ne le soutient. Le premier coûte du temps, le second coûte des décisions.

Les signaux internes au texte

Le premier faisceau d'indices se lit dans le texte lui-même. Un contenu généré à la chaîne présente souvent une régularité suspecte : paragraphes de longueur homogène, structure en listes systématiques, transitions convenues, absence de digression. L'écriture humaine, même professionnelle, respire de façon plus irrégulière, elle s'attarde, coupe court, revient sur un point.

Un second indice est l'absence d'ancrage concret. Un texte synthétique décrit volontiers un secteur, un enjeu, une tendance, mais il évite les éléments qui engagent : un nom d'interlocuteur joignable, une date précise, un lieu, un montant attribué à un document identifiable. Quand il en produit, ces éléments résistent mal à la vérification : le rapport cité n'existe pas sous ce titre, la déclaration n'apparaît nulle part ailleurs, le chiffre flotte sans méthodologie.

Un troisième indice tient à la circularité. Beaucoup de contenus générés sont des reformulations de reformulations : ils reprennent la même information dans un ordre différent, sans jamais ajouter d'élément nouveau. En veille, ce test est opérationnel, si un contenu n'apporte, par rapport à ceux déjà collectés, aucun fait, aucune source ni aucun angle inédit, sa nature exacte importe peu : il n'a pas sa place dans le livrable.

Les signaux éditoriaux et de provenance

Autour du texte, le site qui l'héberge en dit souvent davantage que le texte lui-même. Une publication récente sans historique, une cadence de parution anormalement élevée pour une rédaction annoncée comme réduite, des signatures d'auteurs sans autre trace en ligne, une page « à propos » vague, l'absence de mentions légales exploitables : ces éléments ne prouvent rien isolément, mais leur accumulation situe le contenu.

La couverture thématique est un autre indicateur. Une source légitime a un périmètre : un secteur, une zone, une spécialité. Une ferme de contenus couvre indifféremment la finance, la santé, l'énergie et le sport, avec le même niveau de généralité partout. Cette absence de spécialisation, combinée à un volume élevé, caractérise mieux la production automatisée que n'importe quelle analyse stylistique.

Enfin, la chaîne de citation mérite d'être remontée systématiquement. Un contenu qui cite une étude sans lien, une déclaration sans support, ou qui renvoie uniquement vers d'autres articles du même site, n'a pas de fondement vérifiable. Cette exigence de traçabilité est le fondement de la veille en sources ouvertes ; face aux contenus générés, elle devient le filtre le plus économique, car elle s'applique sans outil particulier.

Les signaux de diffusion : lire la trajectoire d'un contenu

La manière dont un contenu se propage est souvent plus révélatrice que son style. Une information réelle apparaît quelque part, puis se diffuse selon une trajectoire lisible : une source première, des reprises datées, des ajouts progressifs. Une production synthétique apparaît fréquemment en plusieurs endroits presque simultanément, dans des formulations proches, sans qu'aucune occurrence ne puisse être désignée comme l'origine.

Ce test de l'antériorité est décisif. Chercher la première occurrence d'une affirmation, la dater, vérifier si elle renvoie à un document primaire (communiqué, dépôt réglementaire, publication scientifique, registre) permet de trancher dans la plupart des cas. Quand la remontée s'achève sur un site sans historique qui cite un autre site sans historique, le doute est levé sans avoir besoin d'analyser une seule phrase.

À l'échelle d'un flux entier, cette lecture ne se fait pas à la main. C'est là qu'un outillage prend tout son sens : identifier les reprises quasi identiques, ordonner les occurrences dans le temps, regrouper ce qui n'est qu'une même information démultipliée. NewsCore (www.newscore.fr) détecte les reprises massives d'un même contenu, dédoublonne le flux et pondère les sources selon leur fiabilité, ce qui ramène une avalanche d'occurrences à un fait unique et à son origine datée.

La bonne question n'est pas « une machine a-t-elle écrit ce texte ? », mais « ce texte apporte-t-il un fait vérifiable qu'aucune autre source ne fournissait déjà ? ».

Ce que les détecteurs automatiques font, et ce qu'ils ne prouvent pas

Les outils qui estiment la probabilité qu'un texte soit généré s'appuient sur des régularités statistiques de l'écriture. Ils rendent un score, pas une preuve. Leur utilité réelle est celle d'un tri de premier niveau à grande échelle : signaler les contenus qui méritent un examen, alléger la file d'attente, hiérarchiser l'attention. Employés ainsi, ils font gagner du temps.

Leurs limites sont connues et doivent être assumées explicitement dans un dispositif de veille. Les faux positifs pénalisent les écritures très normées, communiqués institutionnels, notes juridiques, textes traduits, rédaction par des locuteurs non natifs. Les faux négatifs augmentent dès qu'un texte généré est relu et retouché par un humain, ce qui est le cas courant en production éditoriale. Un score élevé ne disqualifie donc pas un contenu, et un score bas ne le valide pas.

Le marquage à la source progresse par ailleurs : signatures techniques attachées aux fichiers, métadonnées de provenance, standards de traçabilité des médias. Ces mécanismes sont utiles quand ils sont présents, mais leur absence ne signifie rien, les métadonnées disparaissent au premier recadrage, à la première republication. Une provenance vérifiée est un argument positif ; une provenance manquante n'est pas un aveu.

Un protocole de qualification tenable au quotidien

En pratique, un protocole efficace tient en trois temps. D'abord un tri machine : dédoublonnage, regroupement des reprises, pondération des sources, mise à l'écart des domaines déjà identifiés comme fermes de contenus. Ce premier passage règle l'essentiel du volume et ne demande aucune décision humaine.

Ensuite une qualification humaine, réservée à ce qui a survécu au tri et qui compte : remonter à la source première, vérifier l'antériorité, contrôler qu'au moins un élément factuel engageant résiste à la vérification. Cette étape est coûteuse, ce qui impose de la réserver aux informations susceptibles d'entrer dans un livrable de décision.

Enfin une règle de restitution : ce qui n'a pas été qualifié ne disparaît pas, il est signalé comme tel. Écrire « information non recoupée, source unique sans antériorité établie » est une information utile pour le décideur, alors que taire l'incertitude la transforme en fait. La valeur d'une veille ne tient pas seulement à ce qu'elle affirme, mais à la précision avec laquelle elle qualifie ce qu'elle n'a pas pu établir.

Questions fréquentes

Comment savoir si un article a été généré par une IA ? Aucun test unique ne le détermine avec certitude. On raisonne par faisceau : régularité stylistique inhabituelle, absence d'éléments factuels engageants, site sans historique ni spécialisation, impossibilité de remonter à une source première datée. C'est la convergence de ces indices, et non l'un d'eux, qui fonde une conclusion.

Faut-il écarter systématiquement les contenus générés d'une veille ? Non. Un contenu généré exact et sourcé reste exploitable, et beaucoup de communiqués ou de résumés professionnels sont aujourd'hui assistés par des modèles. Le critère de sélection n'est pas le mode de production, mais l'apport informationnel et la vérifiabilité.

Peut-on se fier aux scores des détecteurs de texte généré ? Ils constituent un tri de premier niveau, pas un verdict. Ils produisent des faux positifs sur les écritures très normées et des faux négatifs sur les textes retouchés par un humain. Un score doit déclencher une vérification, jamais fonder à lui seul une décision de publication ou de rejet.

Quelle est la parade la plus efficace au quotidien ? Le test d'antériorité, appliqué de façon systématique : chercher la première occurrence d'une affirmation, la dater, vérifier si elle renvoie à un document primaire. Cette méthode ne coûte presque rien, ne dépend d'aucun outil de détection, et tranche la majorité des cas douteux avant toute analyse stylistique.