Thélyson Orélien accusé d’avoir utilisé l’IA : comment fonctionnent les détecteurs comme Pangram, Lucide ou GPTZero

Collez un de vos vieux e-mails dans un détecteur d’IA, faites l’exercice pour voir. Il existe une probabilité, faible mais bien réelle, que la machine vous prenne pour un robot.

Thélyson Orélien vient de vivre la version grandeur nature de cette expérience, le jour même où il recevait le prix du Roman Fnac pour « C’était ça ou mourir », premier roman vendu à plus de 35 000 exemplaires et présent dans les sélections du Goncourt, du Renaudot, du Femina et du Médicis.

Un compte X de 92 abonnés, « Balance ton Claude », a publié ce lundi 21 septembre au soir des captures du détecteur Pangram : les extraits testés affichent « 100 % IA ». Grasset dénonce une « campagne de haine », et l’auteur dit constituer un dossier avec ses éditeurs pour prouver qu’il a écrit son livre à la main.

Pour l’instant, aucun jury n’a écarté le roman de ses sélections. Interrogée par France Inter, la présidente du prix Femina, l’écrivaine Brigitte Giraud, juge le livre « remarquable » et refuse de se prononcer « tant que la preuve n’est pas rigoureusement établie » qu’il aurait été écrit avec l’aide d’une IA.

Qui se cache derrière ces détecteurs et comment fonctionnent-ils ?

Commençons par celui où tout a démarré. Pangram est une startup de Brooklyn fondée en 2023, elle compte environ 24 salariés, ils ont levé 13 millions de dollars dont 9 cet été auprès de Menlo Ventures.

Son détecteur s’appelle un classificateur : il a été entraîné sur des millions de textes humains et générés, il repère des régularités statistiques dans le choix des mots et le rythme des phrases.

Sa dernière version revendique 0,0041 % de faux positifs, soit une erreur tous les 24 000 documents, un chiffre mesuré sur ses propres benchmarks.

France Inter a fait tourner des extraits du roman dans l’outil, qui les attribue à l’IA entre 95 et 100 %. L’AFP a soumis les mêmes passages à sept autres détecteurs : un conclut à 100 % d’IA, deux à l’inverse, les quatre derniers hésitent selon les extraits.

Le secteur compte des dizaines d’acteurs, GPTZero en tête, le plus connu avec ses 17 millions d’utilisateurs revendiqués, mais une étude indépendante publiée en 2026 place Pangram devant lui, devant Turnitin et devant Copyleaks sur les textes générés, hybrides ou « humanisés ».

Ces détecteurs ne lisent pas réellement un texte, ils le compare. On leur a montré des millions de textes humains et des millions de textes générés, et ils ont appris les tics de chaque camp : comme des mots trop prévisibles, un rythme trop régulier, des tournures que les modèles adorent, comme le fameux « ce n’est pas X, c’est Y ».

Face à un nouvel extrait, il calcule de quel profil celui-ci se rapproche et sort un pourcentage de ressemblance, rien de plus. Ici, le compte accusateur a collé des passages du roman dans Pangram, qui les a trouvés plus proches de sa bibliothèque de textes machine que de sa bibliothèque de textes humains, un verdict que France Inter a retrouvé en refaisant le test.

Les sept outils essayés par l’AFP ont fait le même exercice avec d’autres corpus d’apprentissage, et plusieurs ont conclu l’inverse. Chaque détecteur juge donc un texte à l’aune de ce qu’on lui a montré pendant son entraînement, sans rien savoir de ce qui s’est passé devant le clavier.

Un score de probabilité n’est pas une preuve

Pour aboutir à sa quasi-certitude, le compte accusateur multipliait le taux d’erreur de Pangram par lui-même à chaque extrait testé, comme s’il s’agissait de tirages indépendants.

Vingt passages d’un même livre partagent pourtant la même plume et le même rythme : cela signifie que si le style déclenche l’outil une fois, il le déclenchera à chaque fois, et le calcul s’effondre.

Ce biais est est déjà documenté, puisqu’en 2023, des chercheurs de Stanford ont montré que des détecteurs classaient à tort 61 % de copies d’étudiants non anglophones comme générées, faute de coller à la norme statistique apprise.

Thélyson Orélien, né en Haïti et installé au Québec, écrit un français créolisé, et il estime auprès de Libération que le logiciel est surtout habitué aux traditions littéraires classiques.

Pangram, de son côté, assure que ses modèles récents résistent à ce biais comme aux « humanizers », ces services qui maquillent la prose générée, et le détecteur français Lucide affirme avoir passé le livre entier : 35 chapitres sur 35 classés générés, quand 17 romans témoins, dont quatre d’auteurs haïtiens, ressortent vierges. On a donc deux outils concurrents qui convergent, c’est effectivement une preuve solide, sauf que ces eux outils ont appris la même chose, ils vendent le même produit, et ils peuvent partager le même angle mort.

Bruxelles impose sa signature invisible

Depuis le 2 août, l’article 50 de l’AI Act oblige les fournisseurs d’IA à marquer leurs contenus dans un format lisible par machine, sous peine d’amendes pouvant grimper à 15 millions d’euros.

Google filigrane les textes de Gemini depuis 2024 avec SynthID, et Anthropic s’y est mis en août : un watermark imperceptible est glissé dans le choix des mots de Claude, et cela a été appliqué au monde entier faute de pouvoir le limiter à l’Europe. L’entreprise assume elle-même ces limites. Le marquage signale qu’un texte est passé par Claude, sans dire qui tenait le clavier, il s’efface à la paraphrase ou à la traduction, et les textes courts y échappent.

L’API de vérification reste d’ailleurs réservée aux régulateurs, médias, chercheurs et organisations soumises aux mêmes obligations. Pour les professeurs, les éditeurs ou les jurys littéraires, il faut donc prendre ça comme un indice supplémentaire. Et c’est d’ailleurs tout le sujet : ce n’est jamais un tampon d’authenticité, et pour l’affaire en cours, ça n’a d’ailleurs aucune utilité : le roman a été écrit avant tout ça.

Il faut donc garder à l’esprit qu’un détecteur peut soulever une question, mais il ne tranchera jamais. Ce qui fera foi, ce sont des brouillons datés et un historique de versions, autrement dit des preuves à l’ancienne, celles que l’auteur dit justement rassembler. En attendant, un score de probabilité aura suffi à transformer un soir de remise de prix en procès public.

Pour terminer, je me suis amusé à soumettre cet article, une fois qu’il a été écrit et relu, aux différents outils de détection que j’ai nommés dans l’article. Ils ont tous estimé que c’était « Mixed ». En gros, aucun ne peut certifier à 100 % que ce texte a été écrit par une IA.

Ce qui est logique, puisque j’ai pris l’habitude de dicter la plupart de mes textes avec l’aide d’outils spécialisés comme Wispr Flow, je les relis ensuite directement, et en effet, je finis par les faire relire par une IA pour les corrections orthographiques et enlever-modifier certains passages trop lourds à la lecture.

---