Détecteurs d'images IA : lesquels marchent vraiment ? (test 2026)

En quelques années, les générateurs d'images par intelligence artificielle (Midjourney, Stable Diffusion, DALL-E, Firefly) ont atteint un niveau de réalisme qui rend la détection visuelle difficile, voire impossible pour l'œil non exercé. En réponse, des dizaines de détecteurs ont vu le jour, promettant un verdict en un clic : « probablement IA » ou « probablement réelle ». Ces outils sont devenus des références pour les journalistes, les fact-checkeurs et le grand public. Mais que valent-ils réellement ? Leurs résultats peuvent-ils être utilisés comme preuves ? Ce comparatif examine leur fonctionnement, leurs performances annoncées et surtout leurs limites réelles, pour aider à les utiliser sans se faire piéger. Pour une vue d'ensemble du phénomène, consultez notre article sur les deepfakes et contenus générés par IA.

Comment fonctionnent les détecteurs d'images IA

Un détecteur d'images IA n'est pas un logiciel qui repère un filigrane caché ou une signature numérique : ces technologies existent (SynthID de Google DeepMind, le standard C2PA porté par la Content Authenticity Initiative), mais elles nécessitent que le générateur les ait intégrées dès la création, ce qui est loin d'être universel.

Les détecteurs dont il est question ici fonctionnent différemment : ils analysent des motifs statistiques, du bruit numérique et des artefacts que les modèles génératifs laissent dans les pixels, et qui sont généralement invisibles à l'œil nu. Un modèle de diffusion comme Stable Diffusion produit une distribution du bruit qui diffère légèrement de celle d'un capteur photographique réel ; un GAN (réseau génératif antagoniste) laisse des régularités dans les textures. Un classifieur entraîné sur des millions d'images (réelles d'un côté, générées de l'autre) apprend à repérer ces différences subtiles.

En pratique, l'utilisateur soumet une image (URL ou fichier), le modèle calcule un score de probabilité et restitue un résultat du type « 87 % de probabilité d'être générée par IA ». Ce score n'est pas une certitude : c'est une mesure de ressemblance avec les images du jeu d'entraînement du modèle. Si le générateur utilisé n'était pas dans ce jeu d'entraînement, ou si l'image a subi des transformations (compression, recadrage, filtre), le score peut s'éloigner significativement de la réalité.

Il est donc essentiel de distinguer ces détecteurs probabilistes des systèmes de provenance cryptographique (C2PA, SynthID) qui, eux, cherchent une signature intégrée à la création. Les deux approches sont complémentaires, mais leur niveau de certitude est radicalement différent.

Panorama des principaux outils

Le marché des détecteurs d'images IA est en évolution rapide. Voici les outils les plus souvent cités, avec leurs caractéristiques objectives au moment de la rédaction de cet article.

Sightengine est avant tout une API de modération de contenu à destination des plateformes et des éditeurs. Sa fonction de détection d'images IA est l'une de ses nombreuses fonctionnalités. Les performances annoncées sont élevées, mais elles s'appuient sur des benchmarks internes dont la méthodologie n'est pas publiée en détail.

Hive Moderation propose une démo publique accessible sans inscription. L'outil est régulièrement cité dans les tests indépendants comme l'un des plus performants sur les images récentes, mais ses résultats varient selon le générateur utilisé : il est notamment moins efficace sur les images issues de modèles plus anciens ou peu courants.

AI or Not mise sur la simplicité : déposer une image, obtenir un verdict. C'est l'outil le plus accessible pour le grand public. En revanche, il ne fournit aucune explication sur les indices qui ont conduit au résultat, ce qui en fait une boîte noire difficile à interroger de façon critique.

Illuminarty se distingue en tentant de localiser, dans l'image, les zones que le modèle juge suspectes. Cette approche est utile pour comprendre pourquoi un résultat a été produit. Ses performances se dégradent toutefois sur les images fortement compressées, comme celles diffusées sur les réseaux sociaux.

Was It AI est l'outil le plus sommaire du panorama : interface minimaliste, résultat immédiat, sans métadonnées ni explication. Sa base d'entraînement n'est pas documentée publiquement, ce qui rend difficile toute évaluation indépendante de ses performances réelles.

Ces outils évoluent rapidement, et les performances constatées aujourd'hui peuvent être différentes dans six mois. Aucun benchmark indépendant standardisé n'existe à ce jour pour comparer objectivement leur précision dans des conditions réelles : il convient donc de traiter toutes les performances annoncées avec prudence.

Pourquoi aucun détecteur n'est fiable à 100 %

La promesse d'un verdict automatique et définitif sur l'authenticité d'une image se heurte à des obstacles structurels qui expliquent pourquoi ces outils ne peuvent pas être utilisés comme preuves.

Les faux positifs sont la première limite visible. Une vraie photographie numérique peut présenter des caractéristiques statistiques qui ressemblent à celles d'une image générée, notamment si elle a été retouchée, appliquée d'un filtre, générée par un logiciel de rendu 3D ou fortement compressée. Des cas documentés montrent que des photos d'agence, parfaitement authentiques, ont été signalées comme « probablement IA » par plusieurs détecteurs.

Les faux négatifs sont tout aussi préoccupants du point de vue du fact-checking : une image générée par IA peut passer inaperçue si elle provient d'un modèle que le détecteur n'a pas rencontré lors de son entraînement, ou si elle a subi des transformations après sa génération.

La contournabilité est une limite de fond. Il suffit de capturer l'image générée via une capture d'écran, de la recompresser en JPEG à qualité moyenne, ou d'y ajouter une légère texture de bruit pour brouiller les motifs statistiques que le détecteur cherche. Ces techniques sont connues et facilement accessibles, certaines font même l'objet de tutoriels en ligne.

La course à l'armement est permanente. Chaque nouvelle version des générateurs (Midjourney v6, DALL-E 3, Flux, Stable Diffusion 3…) produit des images avec des signatures différentes de celles des versions précédentes. Les détecteurs doivent être ré-entraînés en permanence pour rester pertinents, ce qui crée un décalage structurel entre les générateurs et les détecteurs.

La dégradation sur les réseaux sociaux aggrave le problème. Une image partagée sur X (Twitter), Facebook ou WhatsApp est automatiquement recompressée et redimensionnée par la plateforme. Cette transformation altère précisément les motifs statistiques que les détecteurs cherchent, ce qui peut faire baisser leur précision de façon significative sur les images virales, qui sont pourtant les plus importantes à vérifier.

Pour approfondir la question des contenus manipulés dans leur ensemble, notre guide pour reconnaître un deepfake vidéo présente des mécanismes similaires appliqués à la vidéo.

Comment les utiliser intelligemment

Utiliser un détecteur d'images IA sans méthode, c'est risquer de tirer des conclusions erronées dans les deux sens. Voici une approche rigoureuse pour intégrer ces outils à une démarche de vérification.

Traitez le résultat comme un indice, jamais comme une preuve. Un score de 90 % « probablement IA » mérite d'être pris au sérieux comme signal d'alerte, mais il ne constitue pas en soi la démonstration que l'image est générée. À l'inverse, un score de 15 % « probablement réelle » ne garantit pas l'authenticité. Dans les deux cas, la démarche de vérification doit se poursuivre.

Croisez plusieurs détecteurs. Si Hive Moderation, Illuminarty et AI or Not produisent des résultats concordants sur la même image, cela renforce la valeur du signal, mais ne l'absolue pas. Si leurs résultats divergent, c'est un indicateur supplémentaire d'incertitude.

Combinez avec l'examen visuel. Certains indices restent perceptibles à l'œil exercé : mains aux doigts déformés ou en nombre incorrect, textes illisibles ou incohérents dans l'image, arrière-plans avec des éléments absurdes, symétrie faciale parfaite mais légèrement inquiétante. Ces indices visuels ne prouvent rien non plus, mais ils orientent l'analyse, à combiner avec l'examen des indices d'une image générée par IA.

Recherchez la provenance. La question la plus utile n'est pas « est-ce que cet outil dit que l'image est IA ? » mais « où cette image est-elle apparue en premier ? ». La recherche d'image inversée (via Google Images, TinEye ou Yandex) permet souvent de retrouver le contexte original d'une photo ou de confirmer qu'elle n'a aucun historique en ligne avant le jour où elle est devenue virale.

Vérifiez la source. Qui diffuse l'image ? Dans quel contexte ? Est-ce un compte récent, sans historique ? Ces questions de base, que l'on retrouve dans notre sélection d'outils de vérification, restent les plus décisives pour évaluer la crédibilité d'une image.