Trois annonces, trois calendriers différents
Dans sa présentation officielle publiée le 5 octobre, OpenAI distingue clairement l’API, ChatGPT et Codex dans l’UE, et l’outil de détection. Depuis le jour de l’annonce, des clients de l’API peuvent activer le filigrane textuel sur une sélection de modèles, à l’échelle mondiale. Cette option reste désactivée par défaut. Pour les sorties éligibles de ChatGPT et Codex dans l’Union européenne, l’entreprise annonce une arrivée dans les semaines à venir, sans donner de date précise pour chaque pays ou abonnement. Enfin, l’accès au détecteur s’ouvre sur candidature aux chercheurs et organismes experts, après examen au cas par cas.
Ces trois étapes ne doivent pas être fondues en une formule du type « tous les textes ChatGPT sont marqués depuis le 5 octobre ». Ce serait faux. L’utilisateur français ordinaire ne reçoit pas, dans cette annonce, la confirmation qu’un message généré aujourd’hui porte déjà textGrain. Un développeur qui n’a pas activé l’option API ne doit pas non plus supposer qu’elle s’applique automatiquement à ses sorties.
OpenAI précise que le lancement n’instaure pas un marquage textuel mondial par défaut. Le choix d’un déploiement régional répond à la réglementation européenne et à la volonté affichée de mesurer la technologie en situation réelle. Les conditions exactes de couverture — modèles, types de sorties, langues et modalités d’activation dans chaque produit — devront être vérifiées au moment de l’arrivée effective du système. Le billet initial ne donne pas non plus un tarif spécifique de cette option.
Pourquoi parler de « provenance » du texte ?
Le problème est simple à formuler et difficile à résoudre : lorsqu’un paragraphe circule hors de l’interface qui l’a produit, ses lecteurs ne savent pas toujours s’il a été écrit par une personne, généré par un modèle ou composé des deux. Les images et les fichiers audio peuvent conserver certaines métadonnées ou des marques numériques adaptées à leur format. Le texte brut, lui, est facile à copier, modifier, traduire ou recomposer. L’origine de ses phrases se perd vite.
OpenAI présente textGrain dans le contexte des exigences européennes visant à rendre les contenus générés identifiables par des moyens automatiques. L’entreprise reconnaît cependant que le marquage et la détection du texte restent des technologies jeunes, avec des limites importantes. Un système de provenance n’est pas une autorisation de croire un contenu, ni une sanction automatisée pour son auteur. C’est un indice supplémentaire sur la manière dont un passage a pu être produit.
La différence avec une simple étiquette visible compte. Une mention « généré par IA » ajoutée au bas d’une page peut être supprimée au copier-coller. Un filigrane invisible cherche à laisser un signal dans le texte lui-même. Mais cette persistance est relative : si les mots changent, le signal peut se dégrader. C’est la principale difficulté propre à l’écrit.
Comment fonctionne textGrain, sans le mystifier
Selon OpenAI, textGrain introduit un signal statistique invisible dans les choix de mots du modèle. Le lecteur ne voit ni tampon, ni chaîne de caractères secrète, ni métadonnée facilement consultable dans un fichier. Un détecteur spécialisé analyse ensuite un passage pour voir si ce motif est présent. Ce n’est pas une signature qui permettrait de remonter à un compte ou à une conversation.
Le procédé exploite la marge de choix dont dispose un modèle lorsqu’il formule une réponse. Sur une question ouverte, plusieurs formulations peuvent transmettre une idée semblable ; le système peut sélectionner des mots d’une manière qui laisse une trace statistique. Sur un texte très contraint, où les formulations possibles sont moins nombreuses, la détection peut être plus difficile. Le mécanisme ne remplace donc ni l’authentification d’un document, ni la traçabilité des modifications faites après génération.
Il faut aussi distinguer textGrain des technologies utilisées pour les médias. La documentation officielle OpenAI Docs décrit, pour les images et l’audio pris en charge, des vérifications de métadonnées C2PA ou de filigranes SynthID. L’outil public de vérification de ces fichiers et l’API correspondante ne sont pas le même service que le détecteur de texte, initialement réservé à des acteurs approuvés. Les résultats et les limites d’un format ne se transposent pas tels quels à un autre.
Les chiffres publiés : encourageants sous conditions, fragiles hors laboratoire
OpenAI a partagé des résultats de test qui permettent de comprendre la portée du système. Pour des réponses comparables à des textes de psychologie, à un taux cible de faux positifs de 1 %, le détecteur reconnaît le filigrane dans environ 80 % des passages de 200 jetons et 95 % des passages de 400 jetons. Ces valeurs ne constituent pas une précision universelle. Elles décrivent un type de texte, une longueur et un seuil de décision définis.
Les contenus plus courts ou plus contraints résistent davantage à la détection. OpenAI cite notamment les mathématiques, domaine dans lequel le choix des mots est plus limité. Une formule, une courte réponse factuelle ou un extrait pris hors contexte offre moins de signal qu’une longue explication ouverte. Il serait donc erroné d’appliquer les taux annoncés à n’importe quelle copie scolaire, réponse de chatbot ou dépêche de quelques lignes.
L’édition affaiblit encore davantage le système. Dans une évaluation sur des passages de 400 jetons, le remplacement de 10 % des mots par des synonymes fait passer la détection d’environ 92 % à 66 %. À 25 % des mots remplacés, elle tombe à 17 %. Les résultats portent sur des réponses anglaises dans un protocole précis ; ils ne prédisent pas automatiquement ce qui se produira dans toutes les langues ou après une réécriture humaine complexe. Ils montrent néanmoins qu’une modification relativement limitée peut éroder fortement la trace.
La traduction ajoute un autre défi. Elle change presque tous les mots tout en conservant une partie du sens, et peut donc casser le motif statistique d’origine. Un article composé à partir de plusieurs réponses, reformulé par un journaliste ou relu par un éditeur pose des questions analogues. La détection doit être étudiée sur ces usages réels avant de devenir un outil fiable de décision individuelle.
Faux positifs et faux négatifs : deux erreurs aux conséquences différentes
Un faux négatif se produit lorsqu’un texte marqué n’est pas reconnu. Cela peut arriver parce que le passage est trop court, parce qu’il a été édité ou traduit, ou parce que le signal a été affaibli pour une autre raison. Une absence de détection ne prouve donc pas que le document est entièrement humain. Elle peut simplement dire que l’outil n’a pas trouvé de trace exploitable dans les conditions du test.
Un faux positif est l’erreur inverse : le détecteur signale un filigrane alors qu’il n’y en a pas. Dans une école, un média ou une entreprise, cette erreur peut avoir des conséquences sérieuses pour une personne soupçonnée à tort. C’est notamment pour cela qu’OpenAI limite au départ l’accès au détecteur à des chercheurs et organisations expertes. La firme veut recueillir des évaluations de fiabilité et définir des usages responsables avant d’envisager un accès plus large.
Cette prudence est cohérente avec OpenAI Docs, qui rappelle pour les vérifications de provenance déjà proposées qu’un résultat « non détecté » n’exclut pas une génération par IA et que les signaux doivent être interprétés dans un examen plus large. Pour le texte, la même logique est indispensable : un score technique ne devrait jamais être l’unique base d’une accusation ou d’une sanction.
Ce que le filigrane ne révèle pas sur une personne
OpenAI est explicite sur les limites de sa technologie. Un résultat positif ne dévoile ni le nom de l’utilisateur, ni son compte, ni sa consigne, ni sa conversation. Il n’établit pas non plus la propriété intellectuelle du texte, la légalité de son utilisation ou la responsabilité éditoriale d’une publication. Il ne mesure pas combien de travail humain est venu avant ou après la génération.
Prenons un exemple simple : une personne peut demander un brouillon, le corriger, réorganiser ses arguments et ajouter ses propres sources. Un signal textGrain pourrait encore indiquer qu’un système OpenAI a contribué à une partie du passage, sans dire quelle part de la pensée, de la recherche ou de l’écriture revient à cette personne. À l’inverse, un texte généré puis lourdement réécrit peut perdre le signal. Le filigrane n’est donc pas un compteur de créativité humaine.
Il ne dit rien non plus de la vérité. Un texte marqué peut être exact, approximatif ou faux ; un texte non marqué peut présenter les mêmes qualités ou défauts. Pour un lecteur de FLUXAI, une citation vérifiable, une source primaire, une date correcte et une distinction entre fait et hypothèse restent plus utiles à l’évaluation d’un article qu’un verdict binaire de provenance.
Quel usage raisonnable pour les médias, les écoles et les entreprises ?
Dans une rédaction, un signal de provenance pourrait déclencher une vérification : demander les versions du texte, les notes, les sources et les choix éditoriaux. Il ne devrait pas suffire à conclure qu’un auteur a trompé le public. Beaucoup d’équipes utilisent des outils d’assistance pour reformuler un titre ou corriger une phrase sans déléguer leur enquête. La bonne question est souvent celle de la transparence sur l’usage, pas celle d’une opposition simpliste entre humain et machine.
Dans une école ou une université, la prudence doit être encore plus forte. Les styles d’écriture varient, les élèves peuvent être aidés de multiples façons et les sanctions ont des conséquences directes. Un détecteur limité au départ à des organisations approuvées n’est pas une machine à juger des copies. Les établissements devront définir leurs propres règles d’usage des outils et examiner les éléments de travail disponibles avant toute conclusion.
Pour une entreprise, l’option API peut servir à documenter certaines sorties d’un produit. Mais un responsable doit d’abord savoir quels modèles sont couverts, si l’option a été activée, comment les textes seront modifiés ensuite et qui aura accès à la vérification. Sans ces informations, une politique de provenance peut donner une illusion de maîtrise. Un filigrane utile est celui dont les limites sont expliquées aux personnes qui devront l’interpréter.
Déploiement européen : les questions encore ouvertes
OpenAI dit envisager de rendre la technologie disponible en code ouvert, sans annoncer de date ferme. L’entreprise prévoit aussi de travailler avec des partenaires cloud sur l’accès au marquage de certaines sorties de ses modèles. À ce stade, les principaux points à suivre sont la date d’arrivée effective en France, la liste des sorties éligibles, la robustesse du signal en français et après édition, ainsi que les conditions d’accès au détecteur.
Les chiffres d’évaluation publiés sont un point de départ, pas la fin de l’enquête. Des tests indépendants devront regarder les textes courts, les documents multilingues, les contenus mixtes humain-IA et les pratiques ordinaires de copier-coller ou de révision. Il faudra également comprendre comment éviter qu’un signal probabiliste soit présenté à tort comme une preuve personnelle.
Au 6 octobre 2026, la formulation la plus exacte est donc celle-ci : OpenAI propose dès maintenant une option API volontaire pour certains modèles, annonce dans les prochaines semaines un filigrane invisible sur certaines sorties ChatGPT et Codex dans l’UE, et réserve initialement le détecteur aux organismes approuvés. textGrain peut apporter un indice sur l’origine d’un passage. Il ne certifie ni son auteur, ni sa qualité, ni la vérité de ce qu’il raconte.