Comment savoir si une image est générée par IA en 2026 (sans deviner)

Pendant deux ans, le conseil pour repérer une image IA a été le même : comptez les doigts, lisez le texte du panneau, cherchez les bijoux fondus. En 2026, ce conseil est un piège. La génération actuelle de modèles — Midjourney, Firefly, les derniers DALL·E et Imagen — rendent des mains à cinq doigts, une signalétique lisible et des reflets cohérents la plupart du temps. Les indices qui semblaient fiables en 2023 attrapent aujourd’hui les faux bon marché, anciens ou bâclés et laissent passer les bons sans broncher. Si votre méthode pour répondre à « cette image est-elle une IA ? » consiste à plisser les yeux, vous perdez déjà face à un modèle conçu pour battre précisément ce plissement.

La question utile n’est donc pas « ça a l’air faux ? » — c’est « que peut réellement prouver ce fichier sur son origine ? ». Ce basculement, de deviner à partir des pixels à lire des preuves, est la seule approche qui tient à mesure que les modèles s’améliorent. Ce guide explique comment vérifier n’importe quelle image honnêtement : quelles preuves chercher, comment les trouver, quand leur faire confiance et — la partie que la plupart des outils cachent — quand la seule réponse correcte est « non concluant ».

Pourquoi les détecteurs basés sur les pixels s’effondrent dans la nature

Vous trouverez des dizaines de sites qui promettent de trancher : téléversez une image, recevez « 93 % IA ». Traitez ce nombre comme une décoration, pas comme une preuve. Les évaluations validées par les pairs montrent sans cesse la même chose — des détecteurs qui obtiennent d’excellents scores en laboratoire s’écroulent sur des images contre lesquelles ils n’ont pas été entraînés. L’évaluation RAID (arXiv 2506.03988) a testé des détecteurs dits robustes sur des générateurs inconnus et a vu la précision glisser vers le pile ou face dès l’instant où les images de test provenaient d’un modèle extérieur à l’ensemble d’entraînement. Un autre travail sur l’écart de déploiement constate le même effondrement lorsque les détecteurs de laboratoire rencontrent les images désordonnées, recompressées et capturées qui circulent réellement en ligne.

Le problème est structurel, pas un bogue que quelqu’un corrigera le trimestre prochain. Chaque nouveau générateur est, en effet, entraîné à effacer l’empreinte statistique que le dernier détecteur avait appris à repérer. C’est une course à l’armement, et le camp des détecteurs a en permanence un modèle de retard. C’est pourquoi la règle la plus importante ici est celle-ci : ne faites confiance à aucun outil qui vous livre un pourcentage assuré sans aucune preuve derrière lui. Un nombre que vous ne pouvez pas vérifier est une supposition en blouse blanche.

Ce qui fonctionne vraiment : lire la provenance

Le signal fiable n’est pas dans les pixels — il est dans le fichier qui les entoure. Les générateurs, appareils photo et éditeurs modernes écrivent de plus en plus des enregistrements lisibles par machine de ce qui a créé une image et de la façon dont elle a changé. La provenance est le terme générique, et quatre types de preuves portent l’essentiel du poids :

• C2PA Content Credentials — un manifeste signé cryptographiquement, glissé à l’intérieur du fichier, qui consigne qui l’a créé, avec quel outil et comment il a été retouché. Adobe Firefly et Photoshop, DALL·E d’OpenAI, ainsi que les exports Imagen et Gemini de Google l’attachent ; les appareils Leica et Sony signent de vraies photos de la même manière. Signé veut dire vérifiable — un manifeste altéré ou supprimé échoue à la validation au lieu de mentir.
• Les blocs de paramètres Stable Diffusion et ComfyUI — les générateurs locaux, open source, inscrivent toute leur recette dans les blocs de texte d’un PNG : le prompt, l’empreinte du modèle, l’échantillonneur, la graine et le nombre d’étapes. Automatic1111, ComfyUI, SDXL, InvokeAI et NovelAI le font par défaut. Quand ces blocs survivent, l’image est passée aux aveux.
• XMP / IPTC digitalSourceType — un champ de métadonnées standard dont la valeur « trainedAlgorithmicMedia » est l’étiquette officielle, lisible par machine, de l’industrie pour « créé par une IA générative ». Firefly, DALL·E, Recraft, Leonardo et d’autres l’apposent. C’est une simple chaîne de caractères : facile à lire, difficile à falsifier de façon convaincante.
• La trace de capture EXIF — le bloc qu’un vrai appareil photo écrit : objectif, exposition, ISO, horodatage, parfois GPS. Sa présence appuie faiblement une capture authentique, et une trace cohérente est difficile à falsifier. Son absence ne prouve rien en soi, car les plateformes suppriment l’EXIF de façon routinière.

Comment vérifier n’importe quelle image, étape par étape

Voici une procédure qui fonctionne sur une capture d’écran d’une discussion de groupe, une annonce de marketplace ou une photo dans votre fil d’actualité. Faites-les dans l’ordre, et arrêtez-vous dès que vous avez une vraie preuve.

1. 01Faites une recherche d’image inversée pour trouver la source la plus ancienne. Déposez l’image dans Google Lens, TinEye ou Bing Visual Search et triez par date. La publication la plus ancienne en dit souvent plus que n’importe quel détecteur : une « photo » apparue pour la première fois sur un forum d’art IA, ou une image « de dernière minute » sans source antérieure à ce matin, répond à elle seule à la question.
2. 02Inspectez les métadonnées et les Content Credentials. Cherchez un manifeste C2PA (le verify.contentauthenticity.org d’Adobe, ou tout lecteur qui montre le manifeste signé), des blocs de paramètres PNG, un champ XMP digitalSourceType et le bloc EXIF. Un seul marqueur de générateur clair met fin à l’enquête sur-le-champ.
3. 03Lancez une vérification fondée sur les preuves sur le fichier réel que vous avez reçu. Utilisez un vérificateur qui lit la provenance et montre son raisonnement, pas un qui recrache un simple pourcentage. Testez le fichier original chaque fois que vous pouvez l’obtenir — chaque réenregistrement et chaque repartage dépouille davantage de preuves.
4. 04Pesez les indices visuels manuels en dernier, uniquement comme preuve d’appoint. Si les métadonnées ont disparu, un examen attentif des mains, du texte et des reflets peut encore orienter votre jugement — mais traitez-le comme un indice, jamais comme une preuve, et ne le laissez jamais l’emporter sur un manifeste signé.

Les indices visuels qui valent encore un coup d’œil (et pourquoi ils s’estompent)

Avant qu’aucun détecteur n’existe, vos yeux étaient le seul outil, et ils attrapent encore le faux paresseux occasionnel. Sachez simplement que chacun d’entre eux devient moins fiable à chaque nouvelle version de modèle.

• Mains, dents et petits motifs répétés — doigts en trop, dents fusionnées et bijoux dupliqués étaient des indices imparables en 2023–24. Les meilleurs modèles d’aujourd’hui les réussissent la plupart du temps, donc une main nette ne prouve rien et seul un défaut évident a un sens.
• Texte et signalétique — des lettres déformées ou absurdes en arrière-plan étaient jadis automatiques. Les modèles actuels réussissent souvent les textes courts désormais, même si les longs paragraphes et la signalétique dense les font encore trébucher.
• Physique : reflets, ombres et liquides — des miroirs qui montrent la mauvaise scène, des ombres qui pointent dans la mauvaise direction, de l’eau qui bouge bizarrement. Parmi les indices les plus durables, car une lumière physiquement cohérente est vraiment difficile à synthétiser.
• Une texture trop parfaite — peau cireuse, dégradés hyper-lisses et une absence non naturelle de bruit de capteur suggèrent une synthèse. Mais les filtres de beauté appuyés produisent le même rendu sur de vraies photos, donc cela vaut dans les deux sens.

Remarquez le schéma : chaque indice de cette liste porte désormais une note de bas de page, et les notes l’emportent. C’est exactement pourquoi l’inspection visuelle se trouve au bas de la liste de contrôle, pas en haut.

Quel verdict attendre, selon le générateur

Des générateurs différents laissent des preuves différentes, c’est pourquoi une vérification honnête donne des réponses différentes selon l’origine d’une image et ce qu’elle a traversé depuis. Voici la carte réaliste :

Les deux lignes « non concluant » sont la partie honnête. Un téléchargement Midjourney et une capture d’écran ne reviennent pas « humain » — ils reviennent « aucune preuve dans un sens ni dans l’autre », ce qui se trouve être la vérité.

Pourquoi « non concluant » est la réponse honnête, pas un échec

Il est tentant de lire « non concluant » comme l’outil qui abandonne. C’est l’inverse. L’absence de preuve n’est pas la preuve d’une absence : un fichier dépouillé peut être une vraie photo de vacances qui a perdu ses métadonnées sur WhatsApp, ou une image IA capturée précisément pour cacher son origine. Tout ce qui transforme cette véritable incertitude en un « 91 % réel » d’allure décisive fabrique une assurance qu’il n’a pas méritée. Chaque détecteur honnête a un état non concluant ; la plupart l’enterrent simplement sous un pourcentage pour que le produit paraisse plus intelligent que la science ne le permet. Quand vous tombez sur « non concluant », le bon geste n’est pas de faire confiance aux pixels — c’est de revenir à la première étape et de remonter à la source et au contexte, qui survivent aux métadonnées à chaque fois.

La provenance est sur le point de devenir la norme

Voilà pourquoi le terrain bascule vers la preuve, et rapidement. À partir du 2 août 2026, l’article 50 du EU AI Act impose aux fournisseurs de systèmes d’IA générative de marquer leurs sorties de façon lisible par machine, et impose à quiconque déploie un deepfake de le divulguer — avec des amendes assez lourdes pour que les grands laboratoires s’y conforment déjà. C2PA Content Credentials, soutenu par Adobe, OpenAI, Google, Microsoft et les grands fabricants d’appareils photo, est le principal moyen qu’ils utilisent. En pratique, la part des images IA arrivant avec une provenance vérifiable grimpe de mois en mois, tandis que la devinette sur les pixels perd du terrain. Lire les marques qu’un fichier transporte n’est pas seulement la méthode honnête aujourd’hui — c’est la méthode qui se renforce à mesure que le marquage devient une loi plutôt qu’une courtoisie.

Alors la prochaine fois qu’une image vous fait demander « cette image est-elle une IA ? », ne plissez pas les yeux. Remontez à son origine, lisez ce que le fichier admet, et laissez la preuve décider — y compris la preuve qu’il n’y en a aucune. Ce dernier cas a un nom, et ce n’est ni « faux » ni « réel ». C’est « non concluant » — et accepter de le dire à voix haute, c’est toute la différence entre vérifier et deviner.