Comment savoir si une image est générée par IA

Pour savoir si une image est générée par IA, croisez sa source, les données de provenance signées (Content Credentials), les filigranes pris en charge et les traces présentes dans les pixels. Aucun indice n’est disponible dans tous les fichiers. Fileverity réunit ces contrôles dans une même analyse : la vérification gratuite présente le niveau de risque et l’action recommandée ; le rapport complet donne accès aux preuves détaillées. Ce guide explique comment documenter le constat pour une revue de sinistre, de conformité, de modération ou de rédaction.

Posez une seconde question, distincte de celle de l’origine : cette image étaye-t-elle l’affirmation qui l’accompagne ? Une photo prise avec un appareil peut montrer le mauvais objet ou un incident antérieur. Une illustration ouvertement générée peut convenir parfaitement à l’usage prévu. Intervention de l’IA et tromperie sont deux constats distincts.

Par où commencer

Pour une image isolée, commencez par le détecteur d’images IA de Fileverity : la vérification gratuite évalue le risque de génération par IA ou de retouche, et le rapport complet détaille les traces détectées et les données de provenance lues dans le fichier. Servez-vous du résultat pour choisir l’étape suivante : contrôle de l’origine, examen d’une zone retouchée ou demande d’un meilleur fichier source. Un résultat sur l’origine de l’image doit encore être rattaché à l’affirmation examinée. Si vous n’avez reçu qu’une capture d’écran ou une copie compressée, lisez aussi ce que la compression change pour un détecteur.

1. Définir ce que l’image doit établir

Rédigez une phrase qui précise l’objet, le moment et le contexte. « Ce vélo à assistance électrique a été livré mardi avec un cadre fissuré » donne à l’analyste quelque chose à vérifier. « Cette image est-elle vraie ? » mélange plusieurs questions qui appellent des éléments différents.

Pour ce vélo, distinguez quatre questions : l’image provient-elle d’un appareil photo, une fissure a-t-elle été ajoutée, l’objet photographié est-il celui de la commande, et quand le dommage est-il apparu ? La détection de la génération d’une image entière répond à la première ; l’analyse locale traite la deuxième ; les éléments de transaction et de livraison répondent aux deux dernières. Séparer ces tâches rend chaque contrôle plus utile.

Fixez la règle de décision avant de lire le résultat d’un détecteur. Par exemple : « Une demande de remboursement pour dommage exige une image nette du défaut et un élément qui rattache l’objet photographié à la transaction. » Un score élevé ne pourra alors pas se substituer, sans que personne ne le remarque, à l’exigence réelle. Choisissez une suite proportionnée : une mention d’origine peut suffire pour une illustration, alors qu’une transaction contestée demandera une autre vue et un identifiant qui corresponde à l’article.

2. Remonter à la source et conserver la version reçue

Conservez la pièce jointe reçue sans la modifier, avec son expéditeur, son heure de réception et le contexte de prise de vue déclaré. Attribuez à chaque version une référence stable : une empreinte SHA-256 identifie les octets exacts qui ont été analysés. Rattachez à cette référence les pièces reçues ensuite et les résultats d’analyse.

Si vous ne disposez que d’une capture d’écran ou d’un aperçu de messagerie, demandez la pièce jointe d’origine ou l’export le plus ancien disponible, en précisant ce que vous attendez : « Merci d’envoyer le fichier en pièce jointe, et non une capture d’écran. » Un export d’origine peut lui-même provenir d’un générateur : cette demande sert à obtenir de meilleurs éléments, elle ne constitue pas un test d’authenticité.

Distinguez la traçabilité de la source et la réputation de l’expéditeur. Un interlocuteur connu peut transférer de bonne foi une image trompeuse. Le joindre par un canal déjà connu permet d’établir d’où il la tient, mais sa confiance ne remplace pas l’historique du fichier. Demandez-lui s’il a pris la photo, s’il l’a reçue d’un tiers ou s’il l’a téléchargée, et notez ce qu’il peut confirmer personnellement.

Lorsque la nature du contenu s’y prête, utilisez une recherche d’image inversée pour retrouver des publications antérieures. Ouvrez la page trouvée et comparez des détails distinctifs plutôt que de vous fier à une miniature : un autre recadrage du même défaut est plus parlant qu’un produit visuellement semblable. Consignez l’URL et la date que la page établit réellement, car une date de publication affichée n’est pas une date de prise de vue. Une recherche sans résultat est une recherche infructueuse ; elle ne démontre pas que l’image est inédite. N’envoyez pas de pièces confidentielles ou de données personnelles à des services publics de recherche ou d’analyse sans y être autorisé.

3. Distinguer métadonnées ordinaires et provenance signée

Les métadonnées offrent des pistes : appareil, horodatages, auteur. EXIF, IPTC et XMP sont des formats établis, mais lire un champ « appareil photo » ne revient pas à vérifier une signature. Le NIST traite ces formats séparément des mécanismes qui protègent les données de provenance (NIST AI 100-4, section 3.1.2).

Lisez le nom exact du champ avant d’interpréter une date : date de modification du fichier, date d’export et date de prise de vue répondent à des questions différentes. Notez l’incohérence telle quelle, sans l’interpréter. N’en déduisez pas qu’un nom de logiciel signifie une retouche générative, ni que l’absence de champs d’appareil signifie qu’aucun appareil n’a été utilisé. Un champ absent est un élément particulièrement faible lorsque le circuit de transmission est inconnu.

Les Content Credentials (identifiants de contenu C2PA) ajoutent des déclarations signées associées à un fichier. La validation peut vérifier l’intégrité de l’enregistrement, son lien avec le fichier et la confiance accordée au signataire : c’est autre chose que lire des métadonnées. La documentation C2PA rappelle elle-même que l’ajout de provenance est facultatif, que l’historique peut être incomplet, que les métadonnées de provenance peuvent être supprimées et que la provenance seule ne dit pas si un contenu est vrai, exact ou factuel (C2PA 2.2, Explainer, sections 2 et 7).

Dans la pratique, conservez le résultat du validateur et identifiez précisément ce qu’il décrit. L’enregistrement porte-t-il sur une prise de vue, une génération, une retouche ou un export ultérieur ? Couvre-t-il cette pièce jointe ou un élément antérieur qui a servi à la produire ? Le signataire est-il reconnu par le validateur ? Ces détails transforment un badge en élément exploitable.

Distinguez « absent », « validation impossible » et « validé, avec ces déclarations » : ce sont trois observations différentes. Si la validation échoue, conservez le diagnostic au lieu de traduire chaque échec en falsification délibérée. Si l’enregistrement décrit une génération par IA, rapportez cette déclaration et son statut de validation, sans laisser entendre que toute la scène représentée est démentie.

4. Photo générée par IA : examiner l’image pour formuler des questions vérifiables

Une photo générée par IA se reconnaît rarement à l’œil nu : l’examen visuel sert surtout à désigner ce qu’il faut vérifier ensuite, pas à conclure. Inspectez, à une taille d’affichage suffisante, les zones qui comptent pour l’affirmation : le défaut, l’étiquette ou le numéro de série, les repères d’arrière-plan, les reflets, les limites entre objets. L’agrandissement aide à voir les pixels disponibles ; il ne crée pas l’information manquante.

Voici les indices que l’on contrôle le plus souvent. Chacun a une explication ordinaire à écarter avant d’y voir un signe de génération :

Un guide de recherche de la Northwestern University regroupe ces indices en invraisemblances anatomiques, stylistiques, fonctionnelles, physiques et socioculturelles. Ses auteurs précisent que ces artefacts ne sont pas toujours présents dans les images générées et que les pixels seuls ne suffisent souvent pas à établir l’origine sans contexte (Kamali et al., « How to Distinguish AI-Generated Images from Authentic Photographs », en anglais).

Écrivez « le numéro de cadre est illisible » ou « le bord de la roue et le sol semblent discontinus » plutôt que « cela ressemble à de l’IA ». La première formulation consigne une observation qu’un tiers peut contrôler. La seconde agrège apparence, cause et degré de confiance dans un verdict sans fondement.

Envisagez les explications ordinaires avant d’attribuer une bizarrerie à la génération : mouvement, faible profondeur de champ, reflets, compression ou retouche courante peuvent modifier ce qui est visible. À l’inverse, l’absence des défauts familiers sur les mains, le texte ou les ombres ne tranche pas la question de l’origine. Une liste de défauts visuels ne doit pas devenir votre seul critère d’acceptation.

Une demande complémentaire utile cible l’incertitude. Si l’étiquette est illisible, demandez une vue rapprochée qui la rattache aussi à l’objet. Si le détail contesté n’occupe qu’une petite surface, orientez-vous vers l’examen d’une retouche locale plutôt que de supposer qu’une classification de l’image entière saura la localiser ou l’expliquer.

5. Choisir le contrôle qui répond à la question restante

La vérification d’un filigrane et la détection apprise sont deux mécanismes différents. La première recherche un signal intégré précis ; la seconde évalue des motifs présents dans le contenu. Le NIST présente le suivi de la provenance et la détection fondée sur le contenu comme des approches distinctes, et souligne qu’aucune technique n’est complète à elle seule (NIST AI 100-4, sections 3.1 et 3.2).

Exemple concret : SynthID, de Google DeepMind, intègre un filigrane imperceptible dans les contenus générés par les outils pris en charge. Une vérification positive fournit une piste précise sur une sortie de cet écosystème. Une vérification négative laisse ouvertes les autres sources de génération et de retouche. Vérifiez les produits pris en charge et les conditions d’entrée du vérificateur (présentation de SynthID par Google DeepMind).

Associez chaque contrôle à la question à laquelle il peut répondre :

La détection apprise est utile lorsque l’historique de la source manque ou pour vérifier que le contenu concorde avec l’origine annoncée. Choisissez un détecteur adapté à la tâche : génération de l’image entière, retouche locale, ou les deux. Vérifiez que son évaluation couvre le type de fichier reçu, export d’origine ou pièce jointe compressée. Pour une décision lourde de conséquences, demandez des éléments de performance au seuil de revue prévu ; le NIST insiste sur les faux positifs et sur l’évaluation à des seuils définis (NIST AI 100-4, section 4.2.2). Le guide sur la fiabilité des détecteurs détaille ces notions.

Consignez le nom de l’outil, sa version si elle est disponible, la date d’exécution, l’identifiant du fichier soumis, le libellé du résultat et le seuil. Ne réinterprétez pas un nombre en « probabilité que cette personne ait triché ». Sauf si le fournisseur documente la signification et la calibration de son score pour l’usage concerné, gardez le nombre dans les termes de l’outil. Deux services concordants ne valent pas automatiquement deux confirmations indépendantes : vérifiez qu’ils apportent des éléments réellement différents avant d’accroître votre confiance.

Les verdicts de Fileverity suivent cette logique de périmètre : Aucune génération par IA ni retouche constatée, Photo modifiée localement, Générée par IA ou Indéterminé, avec un niveau de risque de L0 à L5 et une action recommandée. Un résultat Indéterminé est un constat à part entière ; il appelle une pièce supplémentaire, pas une conclusion par défaut.

Ce que prévoit l’article 50 de l’AI Act

Les obligations de transparence de l’article 50 du règlement européen sur l’IA (AI Act) s’appliquent depuis le 2 août 2026. La Commission européenne en résume l’objet : les sorties des systèmes d’IA doivent être marquées dans un format lisible par machine et détectables comme générées ou manipulées artificiellement, et les déployeurs doivent signaler les hypertrucages (deepfakes). Un code de bonnes pratiques accompagne ces règles ; l’adhésion au code est volontaire, alors que les obligations de l’article 50 sont légales (Commission européenne, code de bonnes pratiques sur la transparence des contenus générés par IA).

Pour un analyste, il en découle deux conséquences pratiques. D’abord, davantage d’images devraient porter un marquage IA ou des données de provenance : lisez-les, validez-les lorsque c’est possible et consignez-les comme des déclarations. Ensuite, l’absence de marquage ne démontre toujours rien : générateur qui ne marque pas ses sorties, métadonnées supprimées, capture d’écran ou export qui n’a pas conservé le marquage.

Quant à la « mention obligatoire » souvent recherchée, l’obligation de signalement des déployeurs vise, pour les images, les hypertrucages, et non chaque image produite avec l’aide de l’IA. Ces éléments décrivent le contexte réglementaire ; ils ne constituent pas un avis juridique sur votre situation. Fileverity lit les marquages IA lisibles par machine et les Content Credentials des fichiers reçus ; les obligations de l’article 50 pèsent sur les fournisseurs et les déployeurs de systèmes d’IA générative.

Dans le détail : comment un détecteur transforme des pixels en indices

L’analyse de Fileverity fait appel, parmi d’autres contrôles, à la classification apprise. Le principe général est de transformer l’image reçue en une représentation qui permet une distinction définie, par exemple entre contenu généré et prise de vue par un appareil. Une formalisation générale s’écrit z = φ(T(x)) ; s = h(z) : x est l’image soumise, T la prépare pour l’analyse, φ en extrait des attributs numériques appris (caractéristiques) et h en tire un score de classification. Il s’agit d’un modèle général de classification ; les détails de mise en œuvre de Fileverity ne sont pas publiés.

La représentation est l’étape décisive. Une caractéristique ne correspond pas forcément à un objet reconnaissable ou à une erreur visible. L’apprentissage peut rendre utiles des combinaisons de motifs pour séparer des catégories étiquetées, même lorsqu’une personne juge les deux catégories visuellement plausibles. Le score qui en résulte porte sur cette distinction apprise ; il ne restitue pas l’historique de création. Wang et ses coauteurs ont montré, dans leurs travaux présentés à CVPR 2020, qu’un classifieur entraîné sur les images d’un seul générateur pouvait se généraliser à des architectures non vues à l’entraînement, ce qui illustre l’existence d’indices apprenables au-delà d’une liste de défauts visuels (Wang et al., CVPR 2020).

Deux questions d’ingénierie en découlent. D’abord, la préparation modifie les éléments dont dispose la représentation. Réduire une image de 4 032 × 3 024 pixels à 1 008 × 756 divise chaque dimension par quatre et le nombre de pixels par seize. Un détail large de seize pixels dans la source ne mesure plus qu’environ quatre pixels de large. L’interpolation détermine les valeurs obtenues : le tableau réduit n’est pas une copie aussi informative que l’original.

Ensuite, le modèle peut apprendre des corrélations qui ne se vérifient pas sur les fichiers réellement reçus. Imaginez une évaluation composée de JPEG d’appareils photo et d’images générées au format PNG. Une bonne séparation peut refléter des indices de génération, des différences liées au format, ou les deux. Pour le savoir, conservez des étiquettes connues et comparez les deux catégories dans les mêmes conditions de transmission : originaux d’appareil et originaux générés, puis leurs exports respectifs par messagerie. Gardez ensemble toutes les versions d’une même source lorsque vous séparez les jeux de développement et de test ; sinon, une scène familière rend la généralisation plus facile qu’elle ne l’est.

Pour un acheteur, cela explique pourquoi « l’image paraît parfaitement réelle » est un cas d’essai utile, mais pas un protocole d’évaluation complet. Vérifiez que les indices du détecteur résistent aux canaux par lesquels vous recevez les fichiers, et que les fichiers légitimes transmis par ces mêmes canaux restent distinguables. L’historique de la source et le recoupement rattachent ensuite cette classification à l’usage annoncé de l’image. La page fonctionnement présente les catégories d’éléments examinées par Fileverity.

6. Résoudre les contradictions avant de choisir une étiquette

Une déclaration d’origine « appareil photo » et une alerte IA ne portent pas forcément sur la même étape de l’historique d’un fichier. Établissez d’abord si les deux résultats concernent la même pièce jointe. Examinez ensuite les actions enregistrées et la tâche du détecteur. Une retouche ultérieure, un historique incomplet, un fichier hors du périmètre de l’outil ou une erreur de classification sont des hypothèses à vérifier, pas des explications à supposer.

Un journal des contradictions tient en trois colonnes : observation, explication possible, élément qui permet de trancher. Par exemple, « la pièce jointe antérieure porte des Content Credentials, la capture d’écran non » invite à comparer les versions et le circuit de transmission ; cela ne permet pas de conclure à la mauvaise foi de l’expéditeur. « Filigrane absent, détecteur positif » peut simplement associer un contrôle limité à un écosystème et un classifieur plus large.

Ne faites pas la moyenne de résultats sans rapport pour obtenir un pourcentage d’authenticité maison. Obtenez l’élément qui peut lever le désaccord : la pièce jointe antérieure exacte, le diagnostic du validateur, l’historique d’export documenté par l’auteur ou une vue indépendante du sujet contesté. Si aucun élément disponible ne départage les explications, consignez un constat non résolu.

Exemple : un vélo à assistance électrique déclaré livré avec un cadre fissuré

Examen fictif, à titre d’illustration. Sur une place de marché, un acheteur envoie par la messagerie de la plateforme une capture d’écran montrant le cadre fissuré d’un vélo à assistance électrique et affirme l’avoir reçu dans cet état. Le vendeur conteste la photo. La politique d’examen exige un élément établissant le dommage et le rattachant à l’article livré.

Le constat provisoire défendable est le suivant : « La capture d’écran soumise ne suffit pas à établir un dommage à la livraison. Une photographie correspondante est antérieure à l’achat. L’origine IA reste non résolue ; un élément complémentaire rattache le défaut au vélo commandé, sans établir à quel moment il est apparu. »

Ici, la recherche de la source et les éléments de transaction répondent à des questions que les contrôles automatisés laissent ouvertes. Dans un autre dossier, une déclaration de génération validée et émise par un signataire de confiance pourrait suffire, selon la politique d’examen, à étayer un constat d’origine IA. L’étape suivante consisterait alors à établir si l’illustration soumise était acceptable pour l’usage déclaré. Choisissez le contrôle suivant en fonction du fait manquant : un second score de détecteur n’est utile que s’il apporte un élément pertinent.

Comment savoir si un dessin ou une illustration a été généré par IA

Pour savoir si un dessin ou une illustration a été généré par IA, l’image terminée ne suffit presque jamais : demandez des preuves du processus de création, lisez ce que le fichier déclare de lui-même et ne voyez dans le score d’un détecteur qu’un indice parmi d’autres.

Les illustrations et les peintures numériques sont plus difficiles à juger que les photographies. Surfaces lisses, éclairages impossibles et décors imaginaires relèvent souvent d’un choix artistique : la plupart des indices visuels de l’étape 4 disent peu de chose d’un dessin. Un style proche de celui d’un illustrateur connu n’identifie pas non plus l’auteur : une personne comme un modèle peut imiter un style.

Demandez des preuves du processus plutôt que de vous fier à l’aspect de l’image finale :

• Fichiers de travail. Le fichier source du logiciel de dessin, avec des calques d’esquisse, de trait et de couleur qui construisent progressivement l’image finale.
• États intermédiaires. Des croquis datés, des versions antérieures montrées à un client ou publiées avant l’œuvre définitive.
• Enregistrement du processus. Beaucoup de logiciels de dessin peuvent enregistrer la création (timelapse) ; un enregistrement continu est plus difficile à produire après coup qu’un simple fichier.

Ces preuves peuvent elles aussi être fabriquées, par exemple en repeignant par-dessus une image générée ou en assemblant des calques après coup. Vérifiez leur cohérence : les premiers croquis doivent annoncer la composition finale, et chaque calque doit contenir le type de travail qu’il prétend contenir.

Lisez ensuite ce que l’image déclare d’elle-même. Meta appose une étiquette « AI info » lorsque la plateforme détecte des indicateurs d’IA reconnus par le secteur ou lorsque la personne qui publie déclare avoir utilisé l’IA (Meta, étiquetage des contenus générés par IA, en anglais). Les outils compatibles avec les Content Credentials peuvent consigner une action d’IA dans la provenance du fichier, grâce au champ « type de source numérique » (C2PA 2.2, Explainer, section 7.4.4, en anglais). Le vocabulaire IPTC associé distingue « Created using Generative AI » (créé avec l’IA générative) de « Edited using Generative AI » (modifié avec l’IA générative) (vocabulaire IPTC Digital Source Type, en anglais). L’absence d’étiquette ou de Content Credentials ne prouve pas que l’œuvre est humaine : la provenance peut être supprimée, et beaucoup d’outils n’en ajoutent jamais.

Si vous utilisez un détecteur sur une illustration, demandez si l’évaluation du fournisseur porte aussi sur des illustrations et des peintures numériques, et pas seulement sur des photographies, puis ce que signifient son score et son seuil. Dans une comparaison universitaire entre œuvres humaines et images générées, un détecteur commercial et des artistes experts ont tous deux très bien réussi, mais en se trompant différemment ; les auteurs concluent qu’une équipe mêlant humains et outils automatiques offre le meilleur compromis entre exactitude et robustesse (Ha et al., « Organic or Diffused: Can We Distinguish Human Art from AI-generated Images? », en anglais). Le guide sur la fiabilité des détecteurs explique comment lire ces résultats.

Avant un concours, une commande ou une publication, fixez par écrit la règle d’usage de l’IA et les preuves de processus que vous accepterez (règlement du concours, cahier des charges ou contrat de commande). C’est plus équitable pour les illustrateurs que de juger une image terminée sur un seul score.

Une fiche d’analyse réutilisable et une règle d’arrêt

Conservez assez de détails pour qu’un second analyste puisse refaire le raisonnement :

• Affirmation et exigence : ce que l’image doit établir et les critères d’acceptation applicables.
• Fichier et source : version reçue, expéditeur, heure de réception, versions antérieures et identifiants.
• Observations : détails visibles, métadonnées, diagnostics du validateur et résultats exacts des outils.
• Recoupement : liens vers les sources, pièces concordantes ou vues indépendantes, avec leurs limites.
• Constat et action : conclusion étayée, questions non résolues, analyste et étape suivante.

Cessez d’ajouter des outils lorsqu’une nouvelle analyse ne peut pas répondre à la question restante. Si le fait manquant est la date de prise de vue ou la propriété de l’objet, cherchez des éléments sur la date ou la propriété. Si le fichier disponible ne convient pas à l’analyse choisie, consignez cette limite. Faites remonter les désaccords non résolus et lourds de conséquences par la procédure d’examen prévue, plutôt que de transformer l’incertitude en refus.

Pour un résultat défendable, écrivez selon le cas « la génération par IA est étayée par une déclaration d’origine validée », « le détecteur a signalé ce fichier pour examen » ou « l’origine reste non résolue ». Évitez de réduire ces constats à une seule étiquette « faux ».

Passer à la pratique

Pour une image dont vous devez établir l’origine, analysez-la avec le détecteur d’images IA et gardez le contexte de sa source à côté du résultat : le compte gratuit comprend une vérification d’image gratuite. Le rapport de vérification d’images ajoute la localisation des zones retouchées, la distinction entre photo réelle retouchée par IA et image entièrement générée, et un rapport vérifiable (voir les tarifs).

Si la question porte sur une zone précise de la photographie, poursuivez avec le guide «  Photo modifiée par IA : comment repérer une retouche locale » ; pour comparer provenance, filigranes et détection, avec «  C2PA, filigranes IA et détecteurs d’images : quel contrôle pour quelle question ? ». Les fichiers sont supprimés après l’analyse et ne servent jamais à entraîner les modèles ; le détail figure sur la page Sécurité.

Par Yang Zheng