Peut-on encore faire confiance à une photo ?
04 Peut-on encore faire confiance à une photo ?
Moins que ce que la plupart des outils admettent. Même des détecteurs d'images IA solides perdent une précision significative dès qu'une photo est recompressée ou renvoyée - ce qui arrive à presque tout ce qui est partagé en ligne. Une étude de Microsoft a révélé que les humains eux-mêmes ne faisaient la distinction entre une image réelle et une image générée par IA que 62 % du temps - à peine mieux que pile ou face. Il n'existe pas de bouton fiable "est-ce réel ?", ni le nôtre ni celui de quiconque étant honnête à ce sujet. Ce que cet outil fait à la place : montrer les preuves visibles - compression étrange, miniatures ne correspondant pas, régions dupliquées - clairement étiquetées comme un indice, jamais comme un verdict.
Aller plus loin : comment la détection fonctionne vraiment, et où elle échoue
Il existe trois approches générales, et chacune a un véritable angle mort :
- Détection basée sur des classificateurs - un modèle entraîné à reconnaître les empreintes statistiques laissées par des générateurs spécifiques (Midjourney, DALL-E, Stable Diffusion, etc.). Elle prend du retard à chaque nouveau générateur, puisqu'elle n'a vu que ce sur quoi elle a été entraînée.
- Analyse forensique des pixels - analyse du niveau d'erreur, vérifications de cohérence du bruit, détection de copier-déplacer. C'est la catégorie à laquelle appartiennent les "indices forensiques" optionnels de cet outil : un signal réel, mais les artefacts JPEG ordinaires et les vraies textures répétitives déclenchent les mêmes motifs qu'une manipulation authentique.
- Provenance cryptographique (C2PA/SynthID) - la plus fiable en principe, puisqu'elle ne devine pas. Le hic : elle ne couvre que les images issues d'outils participants, est fragile face aux métadonnées (C2PA) ou nécessite le vérificateur du fournisseur d'origine (SynthID), et ne prouve rien sur des images qui n'ont jamais été signées en premier lieu - y compris la plupart des sorties de générateurs open source.
Des tests indépendants menés en 2026 ont révélé que des taux de précision dans les 90 % semblent solides sur des images de test impeccables, mais chutent significativement dès qu'une image est compressée, capturée en tant que capture d'écran, ou passée dans un agrandisseur - exactement la condition dans laquelle se trouve en réalité n'importe quelle image partagée en ligne au moment où vous la voyez.
Comment les propres indices forensiques de cet outil s'inscrivent dans ce tableau
La fonctionnalité "indices forensiques" (niveau Pro) exécute une analyse du niveau d'erreur et une vérification approximative de copier-déplacer - la même catégorie de technique décrite ci-dessus. Elle vient avec la même honnêteté que défend toute cette page : chaque résultat porte une réserve qui fait partie de la structure de données elle-même, pas un ajout de dernière minute dans l'interface, et aucune des deux techniques ne prétend détecter spécifiquement la génération par IA. Elle est là pour signaler quelque chose qui mérite un second regard, de la même façon qu'un détecteur de fumée signale "vérifiez ceci", pas "c'est définitivement un incendie".
Pour aller plus loin
Malwarebytes sur la fonctionnalité Muse Image de Meta (en anglais) et les sources citées sur la page d'entraînement de l'IA couvrent le côté provenance plus en profondeur.