Comment reconnaître une image générée par IA ?

En 2026, il n'existe plus de méthode infaillible à l'œil nu pour reconnaître une image générée par IA : les leviers qui tiennent encore sont les indices de provenance (des métadonnées signées attachées au fichier) et le contexte de la source, pas la seule inspection visuelle. Les générateurs ont trop progressé pour qu'on se fie à un détail bizarre dans l'image.

Les indices visuels classiques, et pourquoi ils lâchent

Pendant deux ou trois ans, on traquait les ratés typiques : des mains à six doigts, des oreilles asymétriques, des dents en trop, un arrière-plan qui se déforme, des reflets incohérents, du texte illisible sur une enseigne. Ces réflexes ont servi, mais ils s'émoussent vite.

Les défauts les plus connus, mains et doigts en tête, sont largement corrigés depuis 2025 sur les modèles récents. Compter les doigts ne suffit plus. L'inspection visuelle seule devient peu fiable, et elle te rend même trop confiant : tu valides une image truquée parce que les mains sont nettes.

Un indice résiste un peu mieux : le texte DANS l'image. Ces outils sont des générateurs d'images, pas de texte. Une affiche, une étiquette, un panneau dans l'image sortent souvent avec des lettres tordues, des mots inventés, une typographie qui bave. Mais c'est un signe parmi d'autres, pas une preuve, et lui aussi s'améliore.

La vraie piste : la provenance

Plutôt que d'interroger les pixels, interroge le fichier. C'est l'idée des indices de provenance : des informations vérifiables sur l'origine et l'historique d'une image, rattachées au fichier lui-même.

Le standard montant s'appelle C2PA, avec sa déclinaison grand public « Content Credentials ». C'est une spécification ouverte portée par une large coalition (Adobe, Microsoft, Intel, Arm, BBC et d'autres, autour de la Content Authenticity Initiative). Le principe : attacher au fichier des métadonnées signées cryptographiquement, qui documentent d'où vient l'image et comment elle a été éditée. La spécification C2PA 2.x (à jour 2025-2026) est intégrée côté génération par plusieurs acteurs, dont OpenAI (pour DALL·E 3 et Sora), Adobe Firefly et Google Imagen. Quand ces métadonnées sont présentes et valides, tu peux dire « cette image a été générée par tel outil, à telle date ».

Autre approche, le filigrane invisible. Google DeepMind pousse SynthID : une marque imperceptible à l'œil, glissée dans le contenu lui-même (images, audio, vidéo et même texte), détectable par un outil dédié. Google annonce plus de 10 milliards de contenus marqués (chiffre 2025), et une détection accessible dans l'app Gemini. Attention au cadrage : SynthID est un système propre à l'écosystème Google, pas un standard universel. Une image marquée SynthID sortie d'un outil Google sera détectable ; une image d'un autre générateur, non.

Le maillon faible : ces signaux s'effacent

Voici la mauvaise nouvelle, et elle est centrale. Les métadonnées de provenance sont fragiles. La plupart des réseaux sociaux recompressent les images au moment de l'upload, ce qui retire souvent les métadonnées C2PA. Et une simple capture d'écran efface toute provenance : tu repars d'une image neuve, sans aucune trace signée. Or le contenu qui devient viral est justement celui qui a été screenshoté, recadré, ré-uploadé partout. Le contenu le plus problématique est précisément celui qui a perdu sa provenance en route.

Ne compte pas non plus sur les détecteurs automatiques d'images ou de textes générés. Leur fiabilité est médiocre : selon les outils et les corpus, les taux de faux positifs s'étalent dans une fourchette de l'ordre de 15 à 45 %, et un biais documenté pénalise les textes écrits par des personnes non anglophones, faussement signalés comme « IA ». Un détecteur qui se trompe presque une fois sur trois ne tranche rien.

Méthode	Fiabilité en 2026	Limite
Inspection à l'œil (mains, asymétries)	Faible	Défauts largement corrigés depuis 2025
Texte dans l'image	Moyenne, en baisse	Indice, jamais une preuve
C2PA / Content Credentials	Bonne quand présentes	Effacées au ré-upload ou par capture d'écran
SynthID (Google)	Bonne dans l'écosystème Google	Ne couvre pas les autres générateurs
Détecteurs automatiques	Faible	15 à 45 % de faux positifs, biais anglophone

Ce que dit la loi

Le cadre se durcit. L'AI Act européen prévoit, à son article 50 (obligations de transparence), que les contenus générés par IA soient marqués dans un format lisible par machine, et que les deepfakes soient signalés comme tels. Ces obligations s'appliquent à partir du 2 août 2026. Concrètement, cela pousse l'écosystème vers la provenance signée plutôt que vers la chasse au pixel suspect. Le mouvement de fond te donne raison : la réponse est dans le fichier et le contexte, pas dans l'œil.

Le bon réflexe, chez M&M

Le service com de Maisons&Mobilia reçoit une « photo » d'un canapé en situation dans un beau salon, transmise par un partenaire. Le rendu est superbe, presque trop. L'ancien réflexe serait de scruter les coussins à la recherche d'un défaut. Le bon réflexe en 2026 : chercher les Content Credentials du fichier d'origine, et surtout recouper la source. D'où vient cette image, qui l'a prise, peut-on remonter à l'original non recompressé ? Si le canapé n'existe pas en showroom et que personne ne peut produire la photo d'origine, le doute est légitime, indépendamment de la qualité du rendu. La règle : juge la chaîne de la source, pas la beauté de l'image.

Aller plus loin

Une image trop belle n'est pas la seule chose que l'IA invente avec aplomb : le même mécanisme produit des textes faux mais convaincants. Pour comprendre cette assurance trompeuse, lis pourquoi l'IA hallucine et comment réduire les erreurs. Si la question des images générées te mène vers les droits associés (qui possède quoi, ce qu'on a le droit de réutiliser), IA et droit d'auteur prend le relais. Et dans l'app saisir.ai, des modules courts t'entraînent à repérer ce qui sonne faux dans un contenu IA, image comme texte, en quelques minutes.