Cette photo existe-t-elle vraiment ? Pourquoi nos yeux ne suffisent déjà plus à reconnaître une image générée par IA

Pendant quelques années, reconnaître une image générée par intelligence artificielle ressemblait presque à un jeu : compter les doigts, inspecter les dents, lire les panneaux, suivre les reflets ou chercher un objet impossible dans l’arrière-plan.

Cette méthode devient de moins en moins fiable. Les générateurs d’images progressent sur les détails mêmes qui servaient de détecteurs improvisés. Une scène peut désormais présenter des mains plausibles, du texte lisible, des matières cohérentes et une lumière suffisamment crédible pour ne déclencher aucun doute immédiat.

Le problème change donc de nature. La question n’est plus seulement « est-ce que cette image a l’air vraie ? ». Elle devient : d’où vient ce fichier, comment a-t-il été créé, a-t-il été modifié et peut-on vérifier son historique ?

Le premier piège : croire que notre œil est un détecteur

Le cerveau humain juge une image en fonction de nombreux signaux : perspective, anatomie, lumière, texture, familiarité du décor et cohérence générale. Mais il ne dispose pas d’un accès direct à l’origine du fichier.

Une image synthétique suffisamment cohérente peut donc être perçue comme photographique. À l’inverse, une vraie photographie peut paraître artificielle après retouche, compression, éclairage inhabituel ou traitement logiciel.

L’apparence seule ne fournit pas une preuve d’origine.

Notre propre V1 est un piège assumé

Les deux scènes A et B présentées en ouverture de cette Storie sont générées. Aucune n’a été prise par un appareil photo. Le visuel le dit explicitement en bas de l’image.

Le test n’est donc pas de deviner laquelle est fausse. Il consiste à constater qu’avant de lire cette information, les deux scènes peuvent adopter les codes visuels d’une photographie de voyage crédible.

C’est exactement le changement de paradigme : l’image ne porte plus nécessairement à sa surface les indices permettant de connaître son mode de production.

Mains, dents, textes, reflets : les vieux indices restent utiles, mais ne suffisent plus

Les erreurs anatomiques ou typographiques n’ont pas disparu. Une main impossible, un reflet incohérent ou une inscription absurde restent des raisons légitimes de douter.

Mais l’absence de ces erreurs ne permet pas de conclure qu’une image est réelle. Les modèles peuvent produire des scènes où plusieurs de ces détails sont simultanément plausibles.

Les détecteurs automatiques ne constituent pas non plus une preuve universelle

Une autre stratégie consiste à envoyer le fichier à un détecteur qui estime s’il a été généré. Ces outils peuvent être utiles dans certains contextes, mais leurs performances dépendent des modèles, des transformations appliquées au fichier et des données utilisées pour entraîner le détecteur.

Compression, recadrage, capture d’écran, retouche ou apparition d’un nouveau générateur peuvent modifier les résultats. Un score de détection doit donc être interprété comme un signal, pas comme un verdict absolu.

La solution la plus prometteuse change la question : vérifier la provenance

C2PA est une spécification technique ouverte destinée à associer à un contenu numérique des informations de provenance authentifiables. Les Content Credentials sont l’une des façons de rendre ces informations accessibles aux utilisateurs.

Selon le fichier et les outils utilisés, ces informations peuvent indiquer comment le contenu a été créé, quels outils ont participé à son historique, quelles modifications ont été enregistrées et si les déclarations sont liées au fichier par des mécanismes cryptographiques.

Cette logique ressemble davantage à un passeport qu’à un détecteur : on ne cherche pas une anomalie dans les pixels, on examine une chaîne d’informations attachée à l’histoire du contenu.

Attention : provenance ne signifie pas vérité

C’est la nuance la plus importante. Une chaîne de provenance peut aider à vérifier l’origine et l’historique déclarés d’un fichier. Elle ne prouve pas que la scène photographiée raconte toute la vérité.

Une vraie photographie peut être prise hors contexte, mise en scène ou accompagnée d’une légende trompeuse. Un appareil authentifié peut photographier une situation volontairement fabriquée.

Inversement, l’absence de Content Credentials ne signifie pas qu’une image est fausse. De nombreux appareils, logiciels, plateformes et fichiers n’utilisent pas encore ce type de mécanisme, et les métadonnées peuvent être perdues au cours de certaines transformations.

Le web va devoir apprendre à montrer l’histoire des images

Si les systèmes de provenance se diffusent, les interfaces pourraient progressivement afficher non seulement une image, mais aussi des informations sur son origine : capturée par un appareil compatible, générée par un outil, modifiée, exportée ou signée.

Cela ne supprimera pas la désinformation. Mais cela peut donner au lecteur une information supplémentaire que l’œil seul ne peut fournir.

La compétence à apprendre n’est peut-être plus de repérer les faux

Pendant longtemps, l’éducation aux images consistait en partie à apprendre à regarder plus attentivement. Cette compétence reste nécessaire, mais elle doit être complétée par une autre : apprendre à vérifier la source, le contexte et la provenance.

Pour une image importante, la bonne démarche devient alors plus proche du fact-checking : retrouver la publication d’origine, examiner qui diffuse le contenu, rechercher d’autres prises de vue ou sources indépendantes et consulter les informations de provenance lorsqu’elles existent.

Nos yeux ne deviennent pas inutiles. Ils cessent simplement d’être suffisants.

À mesure que photographie et synthèse deviennent visuellement indiscernables dans davantage de situations, la confiance devra moins reposer sur l’apparence d’une image que sur la possibilité de retracer son histoire.