Détecteur d'IA : mon comparatif des meilleurs outils de détection de texte en 2026

Un détecteur d'IA ne lit pas un texte, il le mesure. Il estime à quel point l'enchaînement des mots est prévisible, et rend un pourcentage. C'est une estimation statistique, jamais une preuve, et c'est exactement ce qui rend son usage délicat : le chiffre a l'air d'un verdict alors qu'il n'en est pas un. Voici comment ces outils fonctionnent, ce qu'ils valent réellement, et comment choisir le vôtre.

Comment fonctionne un détecteur d'IA

Un modèle de langage produit, à chaque mot, celui qui lui paraît le plus probable compte tenu de ce qui précède. Il en résulte un texte régulier, fluide, et statistiquement plus prévisible qu'une prose humaine. Les détecteurs exploitent cette signature.

Deux mesures reviennent chez tous les outils. La prévisibilité du texte, c'est-à-dire la facilité avec laquelle un modèle aurait pu deviner le mot suivant : plus elle est élevée, plus le soupçon augmente. Et la variation d'une phrase à l'autre, en longueur comme en construction : un humain alterne les phrases courtes et les longues, une machine tend vers une régularité de métronome.

Ces deux signaux expliquent les résultats déroutants. Un texte humain très scolaire, écrit dans une langue simple et des phrases de longueur égale, ressemble statistiquement à une production automatique. À l'inverse, un texte généré puis retravaillé à la main perd sa régularité et redevient indétectable. La conséquence est directe : le score mesure une forme d'écriture, pas une origine.

Ce que valent réellement les détecteurs

C'est le point sur lequel les éditeurs communiquent le moins, et le seul qui compte avant de fonder une décision sur un score.

L'aveu le plus net vient d'OpenAI, qui a lancé son propre détecteur en janvier 2023 avant de le retirer six mois plus tard. La note ajoutée à l'annonce d'origine est sans détour : « As of July 20, 2023, the AI classifier is no longer available due to its low rate of accuracy ». L'entreprise prévenait dès le lancement qu'il était « impossible to reliably detect all AI-written text ». L'éditeur du modèle le plus utilisé au monde a donc renoncé à détecter ses propres productions.

Le second problème est un biais, et il est documenté. Une étude publiée dans Patterns a évalué plusieurs détecteurs répandus sur des textes d'anglophones natifs et non natifs. Le constat des auteurs : ces détecteurs « consistently misclassify non-native English writing samples as AI-generated », au point qu'ils risquent de « unintentionally penalize writers with constrained linguistic expressions ». Autrement dit, écrire dans une langue qui n'est pas la sienne suffit à déclencher l'alarme.

Il faut en tirer une règle d'usage, pas un rejet. Un détecteur trie utilement un volume : sur cent copies ou cent articles, il désigne les quelques-uns qui méritent un regard. Il ne tranche pas un cas individuel, et aucun score ne devrait jamais suffire à accuser quelqu'un.

Les détecteurs d'IA référencés dans notre comparateur

Notre comparateur réunit seize solutions sur cette catégorie, et la première chose à comprendre est qu'elles ne font pas toutes le même métier. Trois familles cohabitent, ce qui explique bien des déconvenues au moment de l'abonnement.

La détection pure. GPTZero, ZeroGPT, Originality-Ai, Winston-Ai, Isgen.ai, AI Detectors, Lucide et PandaPrompt.app analysent un texte et rendent une probabilité. Les plus utiles affichent le détail phrase par phrase plutôt qu'un seul pourcentage.

La détection adossée au contrôle de similitude. Compilatio, Copyleaks, Scribbr, Quetext et PlagiarismCheck.org viennent du monde de l'anti-plagiat et ont ajouté la détection d'IA à leur métier d'origine. C'est le bon choix quand les deux questions se posent ensemble, ce qui est le cas courant dans l'enseignement.

Les humaniseurs. Undetectable AI et Phrasly AI font exactement l'inverse : ils réécrivent un texte pour qu'il échappe aux détecteurs. Ils appartiennent au même marché, mais il vaut mieux savoir ce qu'on installe.

Sur ces seize solutions, onze portent une note d'utilisateurs dans notre comparateur. Les mieux notées ne sont pas les plus connues : Phrasly AI et Scribbr passent 8,3 sur 10, Quetext et GPTZero tiennent 8, quand ZeroGPT et Undetectable AI, pourtant très cherchés, restent sous 6,7.

Combien coûte un détecteur d'IA

C'est le sujet que les pages des éditeurs contournent, et il se chiffre pourtant sans difficulté.

Sur les seize solutions réunies dans notre comparateur, dix affichent un prix d'entrée chiffré, de 2 € à 14 € par mois, avec une médiane à 7,50 €. C'est un marché bon marché où le prix ne discrimine presque rien : l'écart entre la moins chère et la plus chère tient dans un abonnement de streaming. Dix des seize proposent par ailleurs un vrai palier gratuit, ce qui permet de tester avant de payer.

Ce qui varie réellement, c'est le volume compris. Les formules plafonnent en nombre de mots ou de contrôles mensuels, et c'est ce plafond, pas le prix affiché, qui décide si l'outil tient votre charge. Un détecteur à 6 € limité à quelques milliers de mots revient plus cher qu'un outil à 13 € au quota confortable, dès lors que vous contrôlez des documents entiers.

Deux coûts n'apparaissent sur aucune grille. Le dépôt de fichiers, presque toujours réservé aux offres payantes alors que c'est la fonction qui rend l'outil utilisable au-delà du paragraphe collé. Et le temps humain de vérification : un détecteur qui signale beaucoup de faux positifs coûte des heures de relecture, et cette dépense-là dépasse vite l'abonnement.

Détecteur d'IA ou logiciel anti-plagiat

La confusion est constante et elle porte sur deux métiers différents.

Un anti-plagiat compare votre texte à un corpus de documents existants, pages web, publications, travaux déjà rendus. Il répond à une question de fait : ce passage se trouve-t-il ailleurs. La preuve est vérifiable, puisqu'il affiche la source.

Un détecteur d'IA ne compare rien. Il évalue la forme du texte et rend une probabilité. Un contenu généré par IA est en général original au sens du plagiat, donc invisible pour un anti-plagiat, tandis qu'un copier-coller humain passe sans encombre devant un détecteur d'IA.

Les deux besoins coexistent souvent, ce qui explique que Compilatio et Quetext proposent les deux fonctions. Si votre sujet est la copie plutôt que la génération, notre comparatif des logiciels anti-plagiat traite cette famille pour elle-même.

Analyser un PDF ou un document entier

Beaucoup d'utilisateurs butent là-dessus, et c'est une vraie ligne de partage entre les outils.

Beaucoup de détecteurs ne prennent qu'un texte collé dans un champ, ce qui suffit pour un paragraphe et devient impraticable sur un mémoire. Le dépôt de fichier, en PDF ou en traitement de texte, appartient généralement aux offres payantes, et le traitement par lot encore davantage.

Trois points méritent d'être vérifiés avant de payer pour cette fonction. La limite de longueur par document, souvent exprimée en mots plutôt qu'en pages. Le sort des PDF scannés, qui ne contiennent pas de texte extractible et ne seront pas analysés sans reconnaissance de caractères. Et la conservation des documents déposés, qui n'a rien d'anodin quand il s'agit de copies d'élèves ou de documents internes.

À l'université : ce qu'un score vaut devant une commission

C'est l'usage le plus sensible, et le seul où la question n'est pas technique mais juridique. Personne ne le dit clairement aux étudiants comme aux enseignants.

Premier point, il n'existe pas de cadre : « aucun texte législatif ou réglementaire national ne définit spécifiquement la « fraude par IA », ses éléments constitutifs, ni les conditions dans lesquelles elle peut être prouvée », relève l'analyse d'un cabinet spécialisé dans le contentieux disciplinaire universitaire. Chaque établissement fixe donc sa propre règle, et les seuils qui circulent ne sont pas des normes officielles.

Second point, et c'est le décisif : « en droit, la preuve de la fraude doit être certaine et non probabiliste ». Or un détecteur ne produit jamais qu'une probabilité. La conséquence est explicite : « un score produit par un outil dont la fiabilité n'est pas validée, et qui n'a fait l'objet d'aucun encadrement réglementaire, ne saurait constituer, à lui seul, une preuve suffisante de fraude ».

Ce que cela change concrètement, des deux côtés de la table. Pour un enseignant ou un établissement, engager une procédure sur le seul pourcentage expose à une contestation qui a de bonnes chances d'aboutir : le score ouvre une instruction, il ne la conclut pas. Pour un étudiant mis en cause, l'historique de rédaction, les brouillons et les notes de lecture pèsent plus lourd que toute argumentation sur l'outil. Et le biais mesuré sur les rédacteurs non anglophones natifs vise précisément la population des étudiants internationaux, ce qui est un argument recevable et documenté.

Les établissements qui s'en sortent le mieux traitent donc la détection comme un signal d'entretien : on interroge l'étudiant sur son texte, sur ses sources, sur ses choix, et c'est la conversation qui tranche.

En entreprise, un sujet contractuel et non moral

Le cadre change entièrement dès qu'on sort de l'enseignement. Une rédaction externalisée, une candidature, un livrable d'agence : la question n'est pas de savoir si l'IA est légitime, mais ce qui avait été convenu.

Elle se règle donc en amont, en écrivant dans le cahier des charges ou le contrat ce qui est accepté et ce qui ne l'est pas, plutôt qu'en aval avec un détecteur. Le contrôle sert alors à vérifier un engagement pris, pas à instruire un soupçon, et la même limite probatoire s'applique : un score ne prouve rien à lui seul, il ouvre une discussion.

Que faire quand un texte est signalé comme généré

Un score élevé ouvre une vérification, il ne la conclut pas. Quatre réflexes évitent les erreurs les plus fréquentes.

Recouper avec un second outil. Les détecteurs ne partagent ni les mêmes modèles ni les mêmes seuils, et un désaccord entre deux d'entre eux est déjà une information.

Regarder le détail phrase par phrase plutôt que le pourcentage global. Un texte signalé à 80 % dont le soupçon se concentre sur une définition recopiée ne raconte pas la même histoire qu'un texte uniformément suspect.

Demander l'historique de rédaction. Un document de travail avec ses versions successives, ses notes et ses brouillons est une preuve autrement plus solide que n'importe quel score.

Tenir compte du profil du rédacteur. Une langue seconde, un style volontairement neutre ou un format très codifié font monter le score sans qu'aucune machine ne soit intervenue.

Les humaniseurs, l'autre moitié de la catégorie

La question « comment rendre un texte indétectable » est posée aussi souvent que celle de la détection, et il serait malhonnête de faire comme si ces outils n'existaient pas.

Un humaniseur réécrit un texte généré en cassant sa régularité : il varie la longueur des phrases, introduit des tournures moins probables, remplace des formulations attendues. Le résultat passe effectivement sous les seuils de la plupart des détecteurs, ce qui est logique puisque c'est précisément ce que ceux-ci mesurent.

Deux conséquences pratiques. Pour qui contrôle, cela signifie qu'un score bas ne garantit rien : la détection est perdante par construction dans cette course. Pour qui rédige, cela signifie qu'une réécriture humaine sérieuse produit le même effet qu'un humaniseur, avec un texte réellement meilleur en prime.

Détecter une image générée par IA

La recherche est fréquente et appelle une réponse franche : ce n'est pas le même outil. Les détecteurs de texte n'analysent pas d'image, et les méthodes diffèrent entièrement, entre examen des métadonnées, recherche de marquages invisibles insérés par certains générateurs et analyse des artefacts visuels.

Si votre sujet est la production d'images plutôt que leur vérification, notre comparatif des générateurs d'images par IA couvre cette famille. Et si vous cherchez à mesurer un texte que vous venez de produire, notre comparatif des générateurs de texte par IA présente les outils qui l'ont écrit.

Quel détecteur d'IA choisir selon votre besoin

Comment choisir, en résumé

Le premier tri ne porte pas sur l'outil mais sur la décision que vous comptez fonder dessus. Un score qui déclenche une relecture n'engage rien ; un score qui déclenche une sanction engage beaucoup, et aucun détecteur du marché ne supporte ce poids. Une fois cette question tranchée, le reste se compare vite : le quota mensuel, le dépôt de fichiers, le détail phrase par phrase, et la politique de conservation des documents déposés. Le prix arrive en dernier, parce qu'il varie peu : sur les dix prix d'entrée relevés, six tiennent entre 6 et 12 € par mois. Reste à confronter les seize solutions sur ces quatre points, ce que les fiches et les avis d'utilisateurs réunis dans notre comparateur permettent de faire en dessous.

Un détecteur repère-t-il autre chose que ChatGPT

La question revient dès qu'un texte a été produit avec un autre modèle que celui de OpenAI, et la réponse tient à la méthode elle-même. Un détecteur ne cherche pas la marque de fabrique d'un générateur précis, il mesure la prévisibilité de l'enchaînement des mots et la variation d'une phrase à l'autre. Ces deux signaux ne sont pas propres à un éditeur : ils découlent de la façon dont n'importe quel modèle de langage choisit le mot suivant.

Il faut en tirer deux conséquences opposées. La première rassure : un outil dont la communication met en avant un modèle populaire n'est pas aveugle aux autres, puisque ce n'est pas ce modèle qu'il reconnaît mais une forme d'écriture. La seconde tempère : rien ne garantit la même justesse d'un générateur à l'autre, et un texte produit avec des consignes de style, une longueur de phrase imposée ou une réécriture demandée au modèle ressemble davantage à de la prose humaine dès la génération.

Ce qui change vraiment le résultat n'est donc pas le générateur utilisé, mais ce qui a été fait du texte après. Retouché à la main ou passé dans un humaniseur, il perd sa régularité et redevient indétectable, quel que soit l'outil qui l'a écrit.

Sources

Retrait de l'AI Text Classifier d'OpenAI, 20 juillet 2023. Liang et al., « GPT detectors are biased against non-native English writers », Patterns. Cabinet Nausica, « Intelligence artificielle et fraude aux examens : le cadre juridique en 2026 ». Nombre de solutions, prix d'entrée et notes d'utilisateurs relevés dans notre comparateur le 21 août 2026.