L'enquête EDUCAUSE : un détecteur IA ne voit qu'un côté de l'examen
EDUCAUSE, l'association américaine à but non lucratif qui étudie comment les universités utilisent la technologie, a publié le 1er juin 2026 « The Impact of AI on Learning Assessment ». Le rapport repose sur une enquête auprès de 438 enseignants et membres du personnel universitaire. Zoom, partenaire 2026 de l'association, l'a parrainé.
La plupart des enseignants interrogés utilisent l'IA pour construire et mener l'évaluation. La plupart estiment que les étudiants utilisent l'IA pour passer cet examen.
C'est le même examen. Quelqu'un qui a utilisé un modèle est assis des deux côtés de la table. Le travail qui passe par un détecteur de contenu IA est celui de l'étudiant — un schéma qui revient aussi dans les cas universitaires de tricherie à l'IA.
Deux autres constats expliquent ce qui maintient cette configuration. Les enseignants veulent conserver le droit de décider eux-mêmes quand l'utilisation de l'IA est appropriée. Les étudiants signalent qu'il leur manque des politiques claires expliquant quand l'IA est autorisée. Le côté non contrôlé garde son pouvoir discrétionnaire. Le côté contrôlé reçoit l'absence de règle claire.
Relecture par les pairs : les relecteurs sont pris au piège, pas par un détecteur IA
En publication académique, c'est l'auteur qui est contrôlé. Le manuscrit passe par des outils de détection IA, est filtré pour le plagiat et est soumis avec une déclaration IA obligatoire. Le relecteur qui lit ce manuscrit est contrôlé autrement.
Un manuscrit en relecture est inédit et traité comme confidentiel — c'est pourquoi NeurIPS interdit aux relecteurs de téléverser les articles qu'ils évaluent dans des chatbots IA. Pour savoir qui ignore l'interdiction, les organisateurs ont caché des instructions dans les articles envoyés pour relecture. Une personne qui lit le manuscrit ne les voit pas. Un modèle de langage les suit — et la relecture revient avec les phrases insérées.
ICML 2026 a utilisé la même tactique en premier, en injectant des prompts cachés dans chaque article soumis. Nihar Shah, responsable de l'intégrité scientifique de la conférence, indique que l'effort a identifié des centaines de relecteurs ayant enfreint la politique — leurs relectures ont été rejetées. ICML a rejeté au bureau près de 500 articles pour violation de cette politique, environ 2 % de l'ensemble des soumissions (The Transmitter, 1er juillet 2026).
L'auteur est contrôlé par une procédure établie dont il est informé à l'avance. Les relecteurs ont été pris dans un piège dont personne ne leur avait parlé.
Sören Auer, informaticien à l'université Leibniz de Hanovre, a lui-même trouvé les prompts cachés en relisant pour NeurIPS — parce qu'il convertit les PDF en Word et que cela rend certains visibles. Il a rejeté le premier article qu'il a relu. Il pensait que les auteurs avaient inséré le prompt, et n'a retiré le signalement qu'après avoir trouvé le même texte dans un second manuscrit.
Un auteur a failli perdre un article à cause d'un piège conçu pour les relecteurs. L'objection d'Auer, publiée sur LinkedIn, mérite d'être lue deux fois :
On ne construit pas une culture de relecture saine en traitant ses relecteurs comme des suspects.
— Sören Auer, université Leibniz de Hanovre, 2026
Il a raison. Personne ne le dit quand l'auteur est le suspect par défaut.
La rétractation au Journal of Medical Ethics : l'article a été retiré, pas le processus de relecture
Le 28 mai 2026, le Journal of Medical Ethics, titre du BMJ, a rétracté un article publié en ligne en septembre 2025 — dans la lignée des 764 articles IA rétractés. La revue a vérifié les références et constaté que plusieurs n'existent pas. L'auteur avait utilisé un modèle de langage pour trouver et lire les sources citées, sans les vérifier avant la soumission. L'avis de rétractation — le document public où une revue explique ce qui s'est mal passé — cite aussi des indices de manipulation de la relecture par les pairs.
La revue a donc consigné deux problèmes : des références inventées et un processus de relecture manipulé sur le même article. L'article a été rétracté. La revue annonce qu'elle informera l'institution de l'auteur. Le processus de relecture continue.
Décisions de justice : le juge est sur la même liste que la partie
Damien Charlotin, chercheur au Smart Law Hub de HEC Paris, maintient une base de données ouverte sur les affaires judiciaires où quelqu'un a cité un précédent inventé par un modèle de langage. La base classe chaque affaire selon qui a utilisé l'IA. Les parties non représentées arrivent en tête, avec une large avance. Viennent ensuite les avocats. Les juges figurent sur la même liste (AI Hallucination Cases Database).
L'affaire la plus récente de cette liste est parvenue à la Cour suprême de l'Inde. Les litiges commerciaux y sont entendus par le NCLT, un tribunal spécialisé en droit des sociétés ; ses décisions sont portées en appel devant le NCLAT, le tribunal d'appel du même système ; au-dessus, il n'y a que la Cour suprême. Le 2 juillet 2026, la Cour suprême a entendu Pooja Ramesh Singh c. Jammu and Kashmir Bank Ltd. et a annulé les décisions des deux tribunaux. Tous deux avaient fondé leur raisonnement sur des précédents inexistants et des paragraphes attribués à de vrais jugements. Un modèle de langage les a générés — du côté du tribunal. La Cour suprême a qualifié cela de subversion de l'État de droit et a déclaré une tolérance zéro (Cour suprême de l'Inde) — un cas parmi d'autres d'hallucinations IA devant les tribunaux.
Elle a demandé au Bar Council of India d'élaborer des mesures disciplinaires. Le Bar Council accrédite et discipline les avocats. L'erreur dans cette affaire n'a pas été commise par des avocats.
Ce que disent les quatre documents sur la détection IA
Dans aucun des quatre cas la partie qui contrôle n'utilise l'IA moins que la partie contrôlée. EDUCAUSE le dit directement. Les trois autres, à travers la violation.
Un contrôle qui ne va que dans un sens ne mesure pas l'honnêteté. Il mesure lequel des deux ne peut pas refuser.
Un détecteur IA n'est un instrument d'intégrité que lorsque l'institution soumet aussi ses propres documents au contrôle. L'énoncé d'examen, pas seulement le travail rédigé en réponse. La relecture, pas seulement le manuscrit. Faire passer le travail étudiant par It's AI et jamais vos propres supports de cours — vous apprendrez quelque chose sur les étudiants et rien sur vous-même. Une détection IA équitable en éducation commence exactement là.
Rien de tout cela n'est coûteux. La déclaration IA d'un relecteur tient sur une ligne d'un formulaire. L'obstacle n'est pas technique.
Que faire face à une détection IA unilatérale aujourd'hui
Si vous êtes celui qui est contrôlé, demandez la politique par écrit, avant de soumettre :
- quels usages de l'IA sont autorisés
- lesquels ne le sont pas
- avec quel détecteur IA vous êtes contrôlé
- comment contester un résultat
Une règle qui n'existe pas sur papier ne peut pas être suivie à l'avance. Elle peut quand même servir à expliquer une décision après coup — comme dans les cas d'accusation IA et de recours.
Si vous êtes celui qui contrôle, soumettez votre propre document à la même procédure. L'énoncé, la grille d'évaluation, la relecture. Un contrôle que vous n'appliquerez pas à votre propre texte ne dit rien sur celui des autres.
FAQ : la détection IA en pratique
Comment détecter un texte généré par IA ?
La détection de texte IA fonctionne statistiquement, pas de façon forensique. Un détecteur mesure la prévisibilité de chaque mot compte tenu des mots précédents — les modèles de langage choisissent des continuations à haute probabilité plus systématiquement que les humains. Le résultat est une probabilité, pas un verdict. Les scores au niveau de la phrase et du paragraphe comptent plus qu'un score global unique, car un document mixte moyenne et masque les passages générés parmi les passages humains. Rien dans la méthode ne dépend de qui a rédigé le document ou du rôle qu'il occupe. La même procédure appliquée à une dissertation étudiante s'applique à un énoncé d'examen, une relecture par les pairs ou un projet de jugement.
Quelle est la précision de la détection IA sur un texte édité par un humain ?
La précision de la détection IA est maximale sur la sortie brute du modèle et diminue quand une personne réécrit. L'édition modifie exactement ce que le détecteur mesure : le choix des mots, la longueur des phrases et la prévisibilité de chaque continuation. Les brouillons IA fortement révisés sont le cas le plus difficile — tout comme les textes rédigés par des non-natifs, dont le vocabulaire est souvent plus prévisible que celui d'un locuteur natif. Tout résultat présenté comme un oui ou un non net surestime ce que la méthode peut faire. Lisez le score comme un élément qui invite au dialogue, pas comme une preuve — et demandez quel seuil l'institution considère comme un constat.
Un détecteur IA est-il la même chose qu'un détecteur de plagiat ?
Non. Un détecteur de plagiat compare votre texte à un corpus de documents existants et signale les recouvrements. Un détecteur IA compare votre texte à la façon dont un modèle de langage écrit et signale une probabilité. Un passage peut être entièrement original et être classé comme généré par IA — et un passage copié mot pour mot d'une source humaine peut être classé comme humain. Les institutions exécutent souvent les deux et présentent un verdict combiné unique — c'est là que commencent la plupart des litiges. Demandez lequel des deux a produit le chiffre qu'on vous montre.
Peut-on appliquer un détecteur IA à un devoir d'enseignant ou à un rapport de relecteur ?
Oui. Un détecteur IA pour enseignants, étudiants, relecteurs et éditeurs est le même outil ; le texte ne porte pas le titre professionnel de l'auteur. Rien de technique n'empêche une institution de soumettre un énoncé d'examen, une grille de notation ou un rapport de relecture par les pairs à la même procédure qu'un travail soumis. Là où ce n'est pas fait, c'est un choix de politique, pas une limite de la méthode. Une politique écrite qui indique quels documents sont contrôlés et lesquels ne le sont pas est le moyen le plus rapide de découvrir quel type de choix votre institution a fait.
Peut-on contester le résultat d'un contrôle de détection IA ?
Cela dépend de ce que dit la politique — d'où l'intérêt de la demander par écrit avant de soumettre quoi que ce soit. Demandez le rapport complet plutôt que le pourcentage affiché en titre — scores par paragraphe et seuil que l'institution considère comme un constat inclus. Demandez quel détecteur a produit le résultat et quand il a été mis à jour, car la sortie des modèles change et les détecteurs sont réentraînés en conséquence. Demandez si la même procédure a été appliquée au document qui vous a été remis. Un contrôle auquel une seule partie est soumise est difficile à défendre comme preuve.
