Note : Ceci est une note de recherche complétant le livre L’ère de la post-pénurie, désormais disponible à l’achat. Ces notes approfondissent les concepts du texte principal. Commencez ici ou procurez-vous le livre.

La provenance n’est pas la paternité : les limites du marquage du travail des machines

Les deux entreprises qui ont le plus investi dans les filigranes invisibles viennent d’expliquer, par écrit, la seule question à laquelle leurs filigranes ne peuvent pas répondre. C’est celle que tout le monde pose.

Les fournisseurs l’ont dit les premiers

Le 14 août 2026, Anthropic a publié une note explicative sur le filigrane invisible qu’elle insère désormais dans les textes de Claude pour satisfaire à la loi européenne sur l’IA. L’essentiel relève de l’ingénierie rassurante. Un paragraphe résume toute l’histoire :

« Un filigrane peut seulement établir que Claude a probablement participé au contenu à un moment donné. Il ne peut pas distinguer “Claude a écrit ceci” de “Claude a lourdement édité ceci”. »

Et, quelques lignes plus bas : « Il ne dit rien sur la propriété ni sur la paternité. »

Sept semaines plus tard, le 5 octobre, OpenAI a publié sa propre version pour la même loi. Même conclusion, mots plus crus :

« Un filigrane ne mesure pas la contribution humaine. Il peut indiquer qu’un système d’OpenAI a généré ou traité une partie d’un passage, mais pas quelle part de jugement, d’édition ou de créativité humaine y est entrée. »

Puis deux phrases que chaque service d’intégrité académique devrait encadrer : « Un filigrane n’établit ni la propriété ni la responsabilité. » Et : « L’absence de filigrane détecté ne prouve pas une paternité humaine. »

Relisez ces lignes et notez ce qu’elles ne sont pas. Ce ne sont pas des critiques. Ce sont les gens qui ont construit les marques, décrivant les marques avec exactitude. La provenance, le fait qu’une machine a touché le texte, est une question à laquelle la technologie peut répondre, mal mais honnêtement. La paternité, la répartition du crédit et du blâme entre une personne et une machine qui ont travaillé sur le même paragraphe, est une autre question, et rien de ce qu’on peut attacher à l’objet n’y répond.

L’ennui, c’est que personne en dehors d’une direction générale bruxelloise ne pose vraiment la première question. Les écoles, les tribunaux, les employeurs et les revues posent la seconde. Depuis trois ans, ils braquent des outils de provenance sur un problème de paternité, et les dégâts sont désormais bien documentés.

Ce que la marque peut dire

Commençons par ce qu’est la technologie, parce qu’elle vaut mieux que sa réputation et moins que son marketing.

Le filigrane de Claude est une version de SynthID-Text, que Google DeepMind a décrit dans Nature en octobre 2024. L’idée est un pouce statistique posé sur la balance : quand le modèle choisit le mot suivant, il oriente légèrement son choix parmi des options quasi équivalentes selon une clé secrète, de sorte que sur un passage assez long, le motif des choix devient détectable par quiconque possède la clé, et invisible pour tous les autres. Google l’a testé dans Gemini sur près de 20 millions de réponses : le taux de « pouce levé » entre réponses marquées et non marquées différait de 0,01 %. Les lecteurs ne voient rien. Cette partie-là fonctionne.

L’article est tout aussi clair sur ce qui l’affaiblit. Les textes courts portent peu d’indices. Les textes à faible entropie, ceux où il n’y a qu’un seul mot suivant possible, n’en portent presque aucun. La paraphrase le dégrade. Et « l’essor des modèles open source pose un défi, car imposer le filigrane à ces modèles déployés de manière décentralisée est difficile », façon polie de dire que tout modèle dont vous pouvez télécharger les poids fera ce que son opérateur voudra.

Les chiffres publiés par OpenAI en octobre 2026 mettent des nombres sur cette dégradation. À un taux cible de faux positifs de 1 %, son détecteur a retrouvé la marque dans environ 80 % des passages de 200 tokens et environ 95 % des passages de 400 tokens. Remplacez 10 % des mots par des synonymes et la détection tombe d’environ 92 % à 66 %. Remplacez-en un quart et elle tombe à 17 %. Anthropic dit la même chose sans les chiffres : « Une édition légère n’effacera probablement pas complètement le filigrane ; une réécriture complète où chaque mot est remplacé l’effacera. » Et elle ajoute que lorsque Claude relit le brouillon d’une personne, presque tous les mots restent ceux de la personne, si bien qu’« il n’y a que très peu de choses (voire rien) à quoi le filigrane puisse s’accrocher ».

La marque est donc solide exactement là où personne ne conteste la paternité, sur les longs passages que le modèle a écrits seul, et faible exactement là où vit la dispute, dans le document édité, mélangé, relu, moitié-moitié, qui est désormais la façon normale d’écrire quoi que ce soit. OpenAI l’avait déjà découvert une fois. En 2024, l’entreprise a révélé avoir construit un filigrane textuel qu’elle jugeait « très précis », puis l’avoir laissé dans un tiroir : il était trivial à contourner par une traduction ou un second modèle, et « il pourrait stigmatiser l’usage de l’IA comme outil d’écriture utile pour les non-anglophones ». Son classificateur antérieur, qui devinait sans filigrane, repérait 26 % des textes d’IA et accusait à tort 9 % des textes humains ; il a été débranché le 20 juillet 2023 « en raison de son faible taux de précision ».

Google, de son côté, a déplacé ses efforts là où la marque fonctionne. Le 7 octobre 2026, l’entreprise a ouvert son détecteur SynthID à tout le monde et annoncé plus de 180 milliards d’images et de vidéos marquées, plus 240 000 années d’audio. Elle n’a publié aucun chiffre pour le texte. Ce n’est pas un oubli.

Ce que la loi demande

La loi qui a produit toutes ces notes explicatives pose une question étroite, et il vaut la peine d’être précis, parce que c’est la seule institution qui pose la question à laquelle la marque peut répondre.

L’article 50, paragraphe 2, de la loi européenne sur l’IA impose aux fournisseurs de systèmes qui génèrent du texte, de l’audio, des images ou des vidéos synthétiques de veiller à ce que les sorties « soient marquées dans un format lisible par machine et détectables comme étant générées ou manipulées artificiellement ». L’obligation est entrée en vigueur le 2 août 2026. L’omnibus numérique, le règlement (UE) 2026/1744, a accordé aux systèmes déjà sur le marché avant cette date une transition de quatre mois, jusqu’au 2 décembre 2026. Un code de bonnes pratiques sur la transparence des contenus générés par l’IA a été publié le 10 juin 2026 et comptait environ 190 signataires fin juillet, Anthropic et OpenAI compris. La loi californienne sur la transparence de l’IA est devenue applicable le même 2 août, avec des obligations pour les grandes plateformes en 2027 et pour les appareils photo en 2028.

Regardez le verbe. La loi dit détectables comme générées artificiellement. Elle ne dit pas attribuables, notables ou punissables. Le législateur européen veut savoir si la chose devant vous est sortie d’une machine, pour la traiter en conséquence : un deepfake d’un responsable politique, une voix synthétique au téléphone, un article que personne n’a écrit. Pour cet usage, une marque qui dit « un modèle est intervenu quelque part » est utile, et un faux négatif sur un paragraphe légèrement édité est tolérable. Le règlement et la technologie s’emboîtent, parce qu’ils ont été conçus ensemble. (L’article compagnon sur la liberté réciproque raconte ce que l’omnibus a fait du reste de la loi.)

Le décalage commence à l’instant où la même marque quitte Bruxelles et entre dans une salle de classe.

Ce que tous les autres demandent

Un enseignant ne veut pas savoir si une machine est intervenue. En 2026, une machine est intervenue dans presque tout. L’enquête 2026 du Higher Education Policy Institute auprès de 1 054 étudiants britanniques de premier cycle montre que 94 % utilisent l’IA générative pour leurs travaux notés, que 12 % y collent désormais directement du texte généré (contre 8 % en 2025 et 3 % en 2024) et que 65 % disent que l’évaluation a déjà changé de façon significative en réponse. L’enquête de Sonar auprès des développeurs trouve que l’IA écrit 42 % du code livré. Graphite, qui mesure avec trois détecteurs d’IA et se lit donc avec l’ironie de rigueur, estime que les articles principalement générés par l’IA représentent environ la moitié de tout ce qui se publie sur le web depuis début 2025.

Dans ce monde, la question de l’enseignant est celle de la paternité : cet étudiant a-t-il fait le travail de réflexion, ou l’a-t-il sous-traité en gardant la note ? Et l’outil qu’on a vendu à l’enseignant n’essaie même pas d’y répondre. Il répond à la question de Bruxelles, et il y répond en devinant, parce qu’aucun filigrane ne survit au mixeur.

Turnitin a activé son détecteur d’écriture par IA le 4 avril 2023 en annonçant un taux de faux positifs inférieur à 1 % par document. Son directeur produit a ajouté les petits caractères six semaines plus tard : au niveau de la phrase, le taux de faux positifs était d’environ 4 %, et les documents notés à moins de 20 % d’IA montraient « une incidence plus élevée de faux positifs ». L’université Vanderbilt a fait le calcul que tout service d’intégrité aurait dû faire. Elle avait soumis 75 000 copies à Turnitin en 2022 ; à 1 %, « environ 750 copies d’étudiants auraient pu être étiquetées à tort ». Le 16 août 2023, elle a désactivé le détecteur « pour un avenir prévisible », en notant que Turnitin « ne donne aucune information détaillée sur la façon dont il détermine si un texte est généré par l’IA ou non ». Turnitin a continué à compter. En mars 2024, l’entreprise avait passé en revue plus de 200 millions de copies et en avait signalé 11 % comme écrites au moins pour un cinquième par l’IA ; en février 2026, elle rapportait que depuis octobre 2025, environ 15 % des dissertations étaient générées par l’IA à plus de 80 %, contre 3 % au lancement de l’outil.

Les erreurs ne sont pas aléatoires. En 2023, Weixin Liang et ses collègues de Stanford ont fait passer sept détecteurs populaires sur 91 dissertations du TOEFL rédigées par des non-anglophones et 88 dissertations d’élèves américains de quatrième. Les détecteurs étaient quasi parfaits sur les collégiens. Ils ont signalé en moyenne 61 % des dissertations du TOEFL comme générées par l’IA, et 89 sur 91 ont été signalées par au moins un détecteur. Un vocabulaire simple ressemble à une machine. La raison pour laquelle OpenAI a remisé son filigrane, le stigmate sur les non-anglophones, est la même découverte vue de l’autre côté du comptoir.

Bloomberg Businessweek a testé GPTZero et Copyleaks sur 500 lettres de candidature universitaire soumises à Texas A&M à l’été 2022, avant que ChatGPT n’existe. Un à deux pour cent sont revenues comme probablement écrites par l’IA, certaines avec des scores proches de la certitude. Environ deux tiers des enseignants ont dit au magazine qu’ils utilisent régulièrement ces outils. Multipliez, comme Vanderbilt l’a fait. Le cas principal du magazine était Moira Olmsted, étudiante à la Central Methodist University, dont le devoir est revenu du détecteur et dont la note est revenue à zéro.

Les tribunaux ont vu la question à leur tour, et ce qui instruit, c’est ce qu’ils ont utilisé pour trancher. Quand l’université du Minnesota a exclu un doctorant en 2024 pour avoir utilisé l’IA à un examen où elle était interdite, la commission disciplinaire s’est appuyée sur quatre correcteurs qui avaient comparé ses réponses à celles d’un chatbot, et sur des témoignages ; la cour d’appel du Minnesota a confirmé le 2 février 2026 qu’il avait « plus probablement qu’improbablement utilisé l’IA ». Pas de filigrane, pas de score de détecteur : un jugement humain sur un processus, éprouvé lors d’une audience. À Yale, un étudiant d’executive MBA suspendu un an après qu’un professeur a passé son travail dans GPTZero a un procès fédéral en treize chefs en cours depuis février 2025 ; le motif officiel de l’université est un manque de franchise, et Yale elle-même a dit que contrôler l’usage de l’IA par des outils de détection n’est pas faisable. Une affaire tranchée sans l’outil, une affaire enlisée à cause de lui.

Les revues y sont arrivées les premières et l’ont dit le mieux. L’éditorial de Nature du 24 janvier 2023 a posé deux règles : aucun modèle de langage ne sera crédité comme auteur, « parce que toute attribution de paternité emporte avec elle une responsabilité pour le travail, et les outils d’IA ne peuvent pas assumer cette responsabilité », et les chercheurs doivent documenter leur usage de ces outils. C’est une règle de paternité fondée sur la responsabilité plutôt que sur la détection, et elle a tenu. La politique 2023 d’ICML a interdit le texte généré par un modèle dans les articles, exempté « l’édition légère de leur propre texte », et dit sans détour que la conférence « ne prévoit pas de mettre en place de système automatisé ou semi-automatisé » pour attraper les contrevenants, parce qu’« il est difficile de détecter si un extrait de texte donné a été produit par un modèle de langage ». La science disposait déjà d’un vocabulaire pour la question difficile : la taxonomie CRediT, norme ANSI/NISO depuis 2022, décompose la paternité en quatorze rôles de contributeur, dont « Rédaction – version initiale » et « Rédaction – relecture et édition ». Elle enregistre un processus. Elle est aussi, vous l’aurez remarqué, entièrement déclarative.

Pourquoi l’objet ne peut pas vous le dire

Assemblez les pièces et la forme apparaît.

Un signal de provenance est une propriété de l’objet. Il voyage avec le fichier, ou avec la texture statistique des mots, et il dit une chose : une machine particulière est passée par ici. Les meilleures versions, comme la norme Content Credentials que la coalition C2PA développe depuis que Adobe, Arm, la BBC, Intel, Microsoft et Truepic l’ont fondée en février 2021, en disent plusieurs : d’où vient le fichier, quels outils l’ont modifié, dans quel ordre. Le Pixel 10 de Google est devenu, en septembre 2025, le premier téléphone à attacher ces attestations à chaque photo prise par son appareil. C’est une vraie réussite, et c’est toujours un registre d’outils, pas de personnes. Il survit d’ailleurs rarement au contact du monde : la revue 2025 du World Privacy Forum note que les fichiers téléversés « sont souvent dépouillés de leurs métadonnées » et que « plusieurs implémenteurs de C2PA ont reconnu que la suppression des métadonnées est un obstacle à son efficacité et à sa robustesse ». Le filigrane est le plan B pour quand l’attestation a disparu. C’est un plan B qui en dit moins.

La paternité n’est pas une propriété de l’objet. C’est une affirmation sur un processus : qui a eu l’idée, qui a tranché entre les options, qui a écrit la phrase, qui l’a vérifiée, qui est prêt à en répondre. Deux documents peuvent être identiques au mot près, l’un écrit par un étudiant qui a réfléchi une semaine et poli avec un modèle, l’autre collé depuis un prompt en quarante secondes, et aucun instrument appliqué à la page ne peut les distinguer, parce que ce qui diffère n’est pas sur la page. Les fournisseurs le savent. Le « ne peut pas distinguer » d’Anthropic et le « ne mesure pas la contribution humaine » d’OpenAI sont le même aveu, et OpenAI va un pas plus loin en disant « explorer des moyens de distinguer plus finement l’assistance de l’IA de la paternité de l’IA ». Toute institution qui lit un score de détecteur comme un verdict sur une personne demande à une photographie si le photographe a du talent.

C’est la même erreur que commet le monde de la biosécurité avec le criblage contre un catalogue du déjà-vu : une porte qui inspecte l’objet à la recherche d’une signature, construite pour un monde où les objets étaient rares et les signatures stables, face à un monde où ni l’un ni l’autre n’est vrai. Et c’est l’image inversée du blanchiment de responsabilité, où une décision prise par une personne est habillée en décision de la machine. Ici, la participation de la machine sert à refuser son crédit à une personne, ou à lui coller le blâme, à partir de la même preuve manquante.

Ce qui remplace la détection

Les institutions qui ont le plus réfléchi à la question sont arrivées au même endroit, et ce n’est pas un meilleur détecteur.

Le régulateur australien de l’enseignement supérieur, la TEQSA, a publié fin 2023 son document de réflexion sur la réforme de l’évaluation avec une phrase qui pourrait tenir lieu de politique entière : le devoir devient « un recueil de preuves des processus de l’étudiant plutôt qu’un produit final : l’accent est mis sur la façon dont le produit est obtenu, pas sur la façon dont l’IA générative en simule l’obtention ». Sa suite de septembre 2025 abandonne la diplomatie : « Plutôt que d’investir d’abord dans des mécanismes de détection, les établissements doivent mettre l’accent sur la refonte de l’évaluation pour capter des démonstrations authentiques de la capacité et de la compréhension des étudiants. » Sécuriser les quelques moments qui doivent appartenir à l’étudiant seul ; laisser le reste être ouvertement co-écrit et jugé sur un raisonnement que l’étudiant peut défendre. La version de l’université de Sydney, deux voies, l’une sécurisée et l’autre ouverte, se diffuse : l’université de Bath a remplacé ses règles en feu tricolore par ce modèle pour l’année 2026-27.

Le Russell Group britannique a adopté cinq principes en juillet 2023, dont le troisième est d’« adapter l’enseignement et l’évaluation pour intégrer l’usage éthique de l’IA générative » et le quatrième de maintenir la rigueur ; les 24 universités ont revu leurs règles de conduite. Et la réponse la plus brutale est venue de Princeton. Le 11 mai 2026, son corps enseignant a voté, à une voix contre, qu’à partir du 1er juillet tous les examens en classe seraient surveillés pour la première fois depuis l’instauration du code d’honneur en 1893. Les examens oraux sont de retour à Cornell, Penn, NYU et UC San Diego, où les étudiants défendent leurs devoirs à voix haute. Aucune de ces institutions ne détecte quoi que ce soit. Elles déplacent l’évaluation là où le processus est visible, et laissent l’objet tranquille.

C’est la refonte honnête, et elle se généralise au-delà de l’école. Une revue qui veut de la responsabilité demande un humain nommé qui répond de l’article, pas un scan. Un employeur qui veut savoir si un candidat sait réfléchir le met dans une pièce avec un problème. Un tribunal qui doit décider si un étudiant a triché écoute les correcteurs qui ont lu les réponses, comme celui du Minnesota l’a fait. Dans chaque cas, l’institution cesse d’interroger la page et se met à interroger la personne.

La lecture post-pénurie

La deuxième loi du livre, La Vérité Doit Être Vue, se lit d’ordinaire comme une règle sur les sorties : des décisions sur un registre, du code à découvert. L’épisode du filigrane montre pourquoi elle doit être une règle sur le processus. Une sortie visible avec un processus invisible, c’est exactement le document qui trompe un détecteur, et qui tromperait aussi une Couche Civique. Ce que le cadre enregistre, c’est la contribution, et la contribution est un verbe.

C’est à cela que sert le registre de l’Impact. Il ne déduit pas qui a fait le travail à partir de l’objet fini, le tour de passe-passe que personne ne sait exécuter. Il enregistre la contribution au moment où elle a lieu, par qui, avec une décroissance dans le temps, et la Garde de la Diversité audite le registre plutôt que le produit. Les quatorze rôles déclaratifs de CRediT en sont une version artisanale ; la différence est que l’Impact est écrit par le système qui a vu la contribution, pas par le contributeur après coup. « Qui a écrit ceci » se dissout en deux questions auxquelles on peut répondre : qui peut le défendre, à voix haute, devant quelqu’un qui connaît le domaine, et qui en répondra si c’est faux. La règle de responsabilité de Nature, c’est ce principe appliqué à une signature.

L’article sur la prime de vérifiabilité soutenait que là où la preuve est bon marché, la confiance migre vers ce qui peut être vérifié. Un filigrane est un certificat de provenance, et il certifie la seule chose qu’il peut : que des mots sont sortis d’une machine. Une preuve en Lean certifie l’énoncé. Un examen oral certifie la personne. Les institutions des années 2020 apprennent, à grands frais, quel certificat elles voulaient vraiment. Celles qui voulaient la provenance l’ont déjà, et sont les seules satisfaites. Celles qui voulaient savoir si un humain avait compris quelque chose n’allaient jamais l’obtenir de la page, et l’école-usine qui a noté des pages pendant 180 ans est l’institution qui a le plus à refondre.

Demandez-vous ce que votre propre organisation essaie de protéger. Si c’est le fait de savoir qu’une machine est intervenue, la marque suffit. Si c’est la responsabilité, concevez pour une signature. Si c’est l’apprentissage, concevez pour un processus. Seule la première se lit sur l’objet, et c’est celle dont presque personne ne se soucie.

Sources

Anthropic: How Claude’s text watermark works (14 août 2026, mis à jour le 1er septembre)
OpenAI: Text provenance and the EU AI Act (5 octobre 2026) ; Understanding the source of what we see and hear online (mai 2024, mis à jour le 4 août 2024) ; New AI classifier for indicating AI-written text (31 janvier 2023, retiré le 20 juillet 2023)
Dathathri, S. et al., « Scalable watermarking for identifying large language model outputs », Nature, 23 octobre 2024
Google: SynthID detector now available to everyone (7 octobre 2026)
Loi européenne sur l’IA, article 50 ; règlement (UE) 2026/1744 (omnibus numérique sur l’IA, article 111, paragraphe 4 : transition jusqu’au 2 décembre 2026) ; Commission européenne : code de bonnes pratiques sur la transparence des contenus générés par l’IA, FAQ
Troutman: California AI Transparency Act amendments signed into law (octobre 2025)
HEPI: Student Generative AI Survey 2026 (12 mars 2026) ; Graphite: AI now writes as many online articles as humans do (15 mai 2026)
Turnitin: AI writing detection update from the chief product officer (mai 2023) ; first anniversary of the AI writing detector (avril 2024) ; Turnitin data shows transparency about AI use benefits students (24 février 2026)
Vanderbilt University: Guidance on AI detection and why we’re disabling Turnitin’s AI detector (16 août 2023)
Liang, W., Yuksekgonul, M., Mao, Y., Wu, E. et Zou, J., « GPT detectors are biased against non-native English writers », Patterns 4(7), juillet 2023 (prépublication)
Bloomberg Businessweek: Do AI detectors work? Students face false cheating accusations (18 octobre 2024)
Cour d’appel du Minnesota, A25-0342, Yang v. University of Minnesota (2 février 2026) ; Ars Technica: How a Yale AI cheating dispute became a 13-count federal lawsuit (31 juillet 2026)
Nature: Tools such as ChatGPT threaten transparent science; here are our ground rules for their use (24 janvier 2023) ; ICML 2023 LLM policy ; CRediT contributor roles
Microsoft: Technology and media entities join forces to create standards group aimed at building trust in digital content (22 février 2021) ; C2PA: About ; Google: Pixel 10 brings C2PA Content Credentials to every photo (10 septembre 2025) ; World Privacy Forum: Privacy, Identity and Trust in C2PA (septembre 2025)
TEQSA: Assessment reform for the age of artificial intelligence (2023) ; Enacting assessment reform in a time of artificial intelligence (septembre 2025)
Russell Group: Principles on the use of generative AI tools in education (3 juillet 2023)
Princeton Alumni Weekly: After 133 years, Princeton going back to proctoring exams (12 mai 2026) ; AP: Perfect homework, blank stares: why colleges are turning to oral exams to combat AI (25 mars 2026) ; University of Bath: Two-Lane, a simpler way of knowing where GenAI fits in your assessments (20 août 2026)

La machine n’a pas pris la paternité. Elle en a fait la seule chose qui reste à demander, puis a montré que la page n’a jamais été l’endroit où vivait la réponse. Lisez le livre ou commencez par le préambule.

La provenance n'est pas la paternité : les limites du marquage de l'IA