315 personnes ont classé 128 visages, un par un, en disant lesquels étaient réels. Leur score moyen est tombé à 48,2 %, sous le niveau du hasard.
L’étude est parue dans PNAS en 2022, sous la plume de Sophie Nightingale et Hany Farid. Elle ne portait que sur des visages, ce qui reste le cas le plus favorable à l’œil humain, parce qu’on en regarde tous les jours.
Une image générée par IA est une image produite, en tout ou partie, par un modèle de génération à partir d’un texte, d’une photo source ou d’un croquis. Elle peut n’avoir jamais existé et pourtant passer pour un document.
Le réflexe « compter les doigts » ne tient plus. Les traces qui restent sont ailleurs, dans les fichiers et dans la façon dont ils ont été fabriqués. Elles se lisent dans le fichier, pas dans l’image.
L’œil nu ne suffit plus
Dans cette expérience, les visages synthétiques ont même été jugés plus dignes de confiance que les vrais. Le protocole était sérieux, 315 participants, 128 images chacun, avec un entraînement préalable pour écarter les erreurs grossières.
Le chiffre date de 2022. Les générateurs ont progressé depuis, et les indices qu’on enseignait il y a trois ans, mains à six doigts, texte illisible, oreilles asymétriques, ont largement disparu des images récentes. Un doute visuel ne prouve donc rien. Il faut une trace.
Comment reconnaître une image générée par IA ?
Cinq vérifications, à faire dans cet ordre. Les deux premières prennent une minute. Les suivantes dépendent de ce que vous voulez savoir.
- Retrouver la source avant de regarder l’image. Une recherche d’images inversée sur une capture récente indique souvent la première publication, parfois un compte qui l’a reprise sans crédit. Si l’image apparaît partout le même jour, sans auteur identifiable, le doute augmente.
- Lire les métadonnées du fichier. Un fichier d’origine garde des informations invisibles à l’écran, dont un manifeste C2PA quand l’appareil ou le logiciel le prend en charge. Un lecteur dédié comme le vérificateur de Content Credentials les affiche.
- Tester le filigrane. Les images produites par Google et plusieurs de ses partenaires portent un filigrane numérique détectable par le SynthID Detector, ouvert à tous depuis octobre 2026.
- Recouper avec le contexte. Un lieu, une date, un photographe nommé, une série d’autres photos du même reportage. Une image isolée, sans série, sans auteur et sans lieu vérifiable, ne vaut rien comme preuve.
- Se méfier des preuves visuelles. Une main réussie, un texte lisible, un reflet cohérent ne démontrent plus rien. Ce sont des indices de qualité, pas d’authenticité.
Ce que les métadonnées C2PA changent
C2PA est un standard ouvert qui attache à un fichier un manifeste signé, comme un certificat. Il décrit qui a créé l’image, avec quel appareil, et quelles retouches ont été appliquées. Google Search Central indique que ces informations peuvent apparaître dans la fonction « À propos de cette image », y compris la mention d’une modification par un outil d’IA.
Deux conditions techniques sont posées. L’outil doit appliquer C2PA 2.1 ou une version ultérieure, et le manifeste doit être signé par un certificat délivré par une autorité présente sur la C2PA Trust List. Sans ces deux éléments, Google n’affiche rien.
La faille est connue et documentée par les auteurs du standard. L’explicateur C2PA répond noir sur blanc à la question « ces métadonnées peuvent-elles être supprimées ? ». Oui, elles le peuvent. D’où le concept de Content Credentials durables, qui combine une empreinte cryptographique et un filigrane, pour retrouver la trace même si le fichier a été nettoyé.
Les filigranes invisibles tiennent mieux la copie
Le filigrane est inscrit dans les pixels au moment de la génération, pas dans un bloc de métadonnées séparé. C’est ce qui le rend plus résistant. La documentation de Google DeepMind indique qu’il est conçu pour survivre au recadrage, aux filtres, au changement de fréquence d’images et à la compression avec perte.
Le volume donne la mesure du phénomène. Le billet publié le 7 octobre 2026 annonce plus de 180 milliards d’images et de vidéos filigranées depuis 2023, et un détecteur désormais accessible à tous, en anglais, avec OpenAI, NVIDIA et Kakao parmi les partenaires, Apple étant annoncé.
| Donnée | Valeur | Source |
|---|---|---|
| Précision de l’œil humain sur des visages générés | 48,2 % (hasard : 50 %) | PNAS, 2022, 315 participants |
| Images et vidéos filigranées par SynthID | plus de 180 milliards | Google, 7 octobre 2026 |
| Vérifications SynthID via Search, Gemini et Chrome | plus d’un million par jour | Google, 7 octobre 2026 |
Une absence de filigrane ne prouve rien
Le détecteur ne reconnaît que les contenus de Google et de ses partenaires. Une image produite par un autre modèle ressortira sans filigrane détecté, même si elle est entièrement synthétique. Le silence d’un outil n’est pas un certificat d’authenticité.
Le cas des captures d’écran
Une capture d’écran supprime les métadonnées du fichier d’origine, et l’image est presque toujours recadrée au passage. Une photo authentique peut donc arriver sans aucune trace, et une image truquée conserver un contexte crédible.
Le cas des retouches mérite aussi un détour. Une photo réelle dont un élément a été ajouté par IA reste majoritairement authentique, et le vocabulaire standard le dit. Le type de source IPTC prévoit une catégorie « compositeSynthetic » pour ces mélanges, distincte de l’image entièrement générée. Un débat public sur « vraie ou fausse » rate souvent cette nuance.
Le commerce en ligne en dépend aussi. Une fiche produit illustrée par une image générée doit le dire, et le client qui reçoit un objet différent a un recours. Pour aller plus loin sur la fabrication de ces visuels, notre guide sur la création d’images avec l’IA détaille les outils et les limites. Sur la fiabilité d’un site marchand, les six points à contrôler avant d’acheter complètent cet article.
Une image sans métadonnées est-elle forcément générée par IA ?
Non. La plupart des images qui circulent ont perdu leurs métadonnées au premier transfert, par messagerie ou par capture d’écran. L’absence d’information ne renseigne que sur le parcours du fichier, pas sur son origine.
Les détecteurs d’images en ligne sont-ils fiables ?
Ils donnent une probabilité, jamais une preuve. Un score élevé peut venir d’une photo très lissée ou d’une compression forte. Un score faible ne blanchit pas une image travaillée. Ces outils servent à orienter une enquête, pas à la conclure.
Que faire d’une photo reçue par SMS ?
Demandez le fichier d’origine, pas une capture. Puis lancez une recherche d’images inversée sur ce fichier et regardez si l’image existait avant le message. Un compte récent, sans historique, qui publie une image spectaculaire, est un signal plus fort que n’importe quel défaut visuel.
Que vaut l’intuition face à une photo suspecte ?
On apprend à regarder les traces, pas à deviner. L’étude PNAS de 2022 a mesuré 48,2 % de réussite sur des visages, avec un entraînement préalable. Les progrès des modèles depuis n’ont pas rendu l’exercice plus facile.
Que faire si une image sert à une arnaque ?
Signalez le contenu à la plateforme qui l’héberge, conservez une copie avec l’URL et la date, et prévenez la personne dont l’image ou le visage est utilisé. Une image détournée se retire plus vite quand la demande vient aussi de la personne concernée.
Sources
- Nightingale S., Farid H., « AI-synthesized faces are indistinguishable from real faces and more trustworthy », PNAS, 2022
- Google, « We’re making it easier to identify AI-generated content globally », 7 octobre 2026
- Google DeepMind, SynthID, documentation technique
- C2PA, spécification 2.4, explicateur
- Google Search Central, métadonnées d’images et C2PA