Comment savoir si une image est générée par IA

Les générateurs d'images par intelligence artificielle (Midjourney, DALL·E, Stable Diffusion, Adobe Firefly, voire Sora pour la vidéo) produisent aujourd'hui des visuels d'un réalisme saisissant. En quelques secondes, n'importe qui peut créer un portrait, une scène d'actualité ou un document d'apparence authentique sans posséder aucune compétence technique. Cette accessibilité rend la circulation d'images fabriquées plus rapide et plus massive que jamais. Repérer une image générée par IA est donc devenu un geste de vérification à part entière, que nous abordons ici dans le cadre plus large de notre guide sur les deepfakes et contenus générés par IA.

Les indices visuels

Pendant longtemps, les images générées par IA présentaient des anomalies caractéristiques faciles à repérer. Certaines persistent, d'autres se raréfient avec l'amélioration des modèles. Voici les plus significatives.

Les mains et les doigts

C'est l'indice le plus cité, et toujours valable pour de nombreux générateurs. L'IA peine à représenter correctement les extrémités du corps humain : les mains comportent trop ou trop peu de doigts (six, ou trois), les articulations sont fondues, les ongles disproportionnés, les poignets tordus de façon anatomiquement impossible. Examinez systématiquement les mains visibles sur une image suspecte, en zoomant si nécessaire. Les pieds, les oreilles et les dents présentent des distorsions similaires : oreilles asymétriques ou partiellement absorbées dans la chevelure, rangées de dents aux formes irrégulières ou trop nombreuses.

Le texte intégré à l'image

Les générateurs traitent le texte comme un motif visuel, non comme une suite de caractères codés. Résultat : les panneaux, enseignes, journaux ou t-shirts affichant du texte dans une image IA affichent souvent des lettres déformées, des mots sans signification, un mélange d'alphabets ou une typographie qui semble « presque » lisible sans l'être vraiment. Ce détail est particulièrement utile lorsque l'image est censée montrer un document officiel, une une de journal ou une affiche publicitaire.

Les arrière-plans et les symétries

L'IA génère souvent des arrière-plans incohérents : une foule floue dont les visages se répètent légèrement d'un individu à l'autre, des architectures aux fenêtres asymétriques, des motifs de tissu qui se dissolvent à leurs extrémités. Regardez les bords de l'image et les zones périphériques, là où l'IA consacre moins de « ressources » lors de la génération. Les reflets dans les lunettes ou les miroirs ne correspondent pas à la scène représentée, les ombres tombent dans des directions contradictoires.

Les textures de peau et les détails aberrants

Les portraits générés par IA présentent souvent une peau dont la texture semble trop uniforme, trop lisse, presque plastique, en particulier sur le front et les joues. Les bijoux (boucles d'oreilles, colliers, bagues) ont tendance à se fondre dans la peau adjacente ou à perdre leur structure métallique. Les cheveux, les poils ou les mèches à la limite du visage manquent souvent de naturel : ils sont soit trop parfaits, soit flous de façon suspecte.

Ces indices restent pertinents pour les images issues de modèles moins récents ou peu optimisés. Les modèles de dernière génération (Midjourney v6, DALL·E 3, Flux) ont considérablement réduit ces artefacts, ce qui rend l'analyse visuelle seule insuffisante pour trancher avec certitude. Elle doit être complétée par d'autres méthodes.

Filigranes et métadonnées

Au-delà de l'analyse visuelle, des mécanismes techniques ont été développés pour marquer les images générées dès leur création.

SynthID de Google DeepMind

SynthID est un système de filigrane invisible développé par Google DeepMind et intégré aux produits de la suite Google (Imagen, Gemini). Il insère dans les pixels de l'image un signal imperceptible à l'œil nu, mais détectable par un algorithme dédié. L'avantage est que ce filigrane résiste à certaines modifications courantes comme le recadrage ou la compression légère. L'inconvénient majeur est qu'il est propriétaire et limité aux seuls outils Google : une image générée par Midjourney ou Stable Diffusion ne portera pas de SynthID. De plus, des modifications importantes (conversion de format, filtres agressifs) peuvent le dégrader.

Le standard C2PA et Content Credentials

La Coalition for Content Provenance and Authenticity (C2PA), dont font partie Adobe, Microsoft, Sony, la BBC et d'autres acteurs majeurs, a développé un standard ouvert de métadonnées de provenance. Une image certifiée C2PA embarque un manifeste signé cryptographiquement qui indique son origine (appareil photo réel, logiciel de retouche, générateur IA) et les modifications successives subies. Adobe Firefly, par exemple, génère des images estampillées « Content Credentials » visibles via le site contentauthenticity.org.

Les limites de ces marqueurs

Ces technologies sont prometteuses, mais souffrent d'un problème fondamental de déploiement. La plupart des plateformes de réseaux sociaux suppriment les métadonnées EXIF lors du chargement d'une image, emportant avec elles les Content Credentials. Un utilisateur mal intentionné peut aussi capturer l'image générée (une simple capture d'écran suffit) pour effacer toute trace de son origine technique. Enfin, les marqueurs dépendent de la bonne volonté des éditeurs de logiciels pour les implémenter : les outils open source ou les générateurs moins connus ne les incluent pas. En l'état, l'absence de filigrane ne prouve donc rien, et leur présence ne garantit pas l'intégrité de l'image si elle a transité par les réseaux sociaux.

Les détecteurs automatiques

De nombreux services en ligne proposent d'analyser une image pour déterminer si elle est générée par IA : Hive Moderation, Illuminarty, AI or Not, ou encore les fonctionnalités intégrées à certains antivirus et navigateurs. Ces outils s'appuient sur des algorithmes qui analysent les motifs statistiques du bruit numérique et certaines caractéristiques fréquentielles propres aux images synthétiques.

Ils constituent un point de départ utile, mais présentent des limites sérieuses. Leur taux de faux positifs est documenté : des photographies argentiques numérisées, des images HDR ou certains styles de retouche artistique déclenchent régulièrement une alerte. À l'inverse, les images issues des générateurs les plus récents passent parfois inaperçues. Ces outils évoluent dans une course permanente contre les modèles de génération. Pour un panorama complet de leurs performances et de leurs usages, consultez notre analyse sur les détecteurs d'images IA.

Photo réelle détournée ou image IA ?

Un piège fréquent consiste à confondre deux types de manipulation très différents : une vraie photographie sortie de son contexte et une image entièrement générée par IA. Dans le premier cas, la photo est authentique (un accident, une manifestation, une catastrophe naturelle), mais elle date d'un autre événement, d'un autre pays ou d'une autre époque. Dans le second, aucun lieu réel ni aucune personne existante ne sont représentés.

La recherche d'image inversée est le geste clé pour distinguer les deux situations. En soumettant l'image à Google Images, TinEye ou Yandex, vous pouvez retrouver les premières occurrences de cette image sur le web et son contexte d'origine. Si l'image est réelle mais décontextualisée, elle réapparaîtra avec sa légende d'origine ; si elle est générée, aucune occurrence antérieure ne devrait exister. Notre guide sur la recherche d'image inversée détaille cette procédure étape par étape. Notons que les mêmes réflexes s'appliquent aux contenus vidéo : notre article sur reconnaître un deepfake vidéo couvre les spécificités liées aux séquences animées.

La méthode globale

Face à une image suspecte, aucun indice unique ne suffit à conclure. La bonne pratique consiste à croiser méthodiquement plusieurs niveaux d'analyse :

1. Analyse visuelle : mains, texte, arrière-plan, textures, ombres et reflets.
2. Vérification des métadonnées : consulter les Content Credentials sur contentauthenticity.org si l'image semble provenir d'un outil compatible.
3. Recherche d'image inversée : vérifier si l'image existe déjà avec un contexte différent.
4. Détecteur automatique : utiliser un outil de détection à titre indicatif, jamais comme verdict définitif.
5. Recoupement contextuel : la source qui diffuse l'image est-elle fiable ? Le contenu accompagnant l'image est-il cohérent avec des faits vérifiables ?

Ne concluez jamais sur la base d'un seul signe. Un visuel peut présenter des anomalies mineures sans être généré par IA, et inversement, une image synthétique parfaitement rendue ne déclenchera aucune alerte visuelle évidente. C'est la convergence des indices qui permet de formuler un jugement fondé.