SynthID-Text tourne dans Gemini et Claude. Il n'existe toujours aucune API de détection.

Deux des trois plus grands fournisseurs de modèles de langage tatouent désormais le texte qu'ils produisent. Google le fait dans Gemini depuis 2024. Anthropic l'a activé pour Claude le 14 août 2026. Les deux utilisent la même méthode, SynthID-Text, publiée dans Nature par Google DeepMind.

Si vous voulez vérifier qu'un paragraphe donné porte l'un de ces tatouages, vous ne le pouvez pas. Ni par une API, ni par un portail, ni avec un outil open source. La marque est là, elle est en principe lisible par une machine, et les seules machines capables de la lire appartiennent aux deux entreprises qui l'ont apposée.

Cet écart pèse plus lourd qu'il y a un an, parce que le règlement européen sur l'IA impose maintenant une échéance de marquage avec une date précise, et parce qu'un certain nombre de gens ont commencé à acheter des outils censés combler cet écart et qui ne le comblent pas.

Ce que fait réellement SynthID-Text

La précision compte ici, car l'essentiel de ce qui s'écrit sur le tatouage de texte par IA est faux de la même manière.

SynthID-Text n'ajoute rien au texte. Pas de caractères de largeur nulle, pas d'Unicode exotique, pas de marqueurs invisibles, pas de ponctuation révélatrice, pas de jetons supplémentaires. Anthropic le dit noir sur blanc, et c'est vrai de la méthode en général. Si vous avez déjà lu le conseil de supprimer les caractères invisibles pour déjouer un tatouage d'IA, ce conseil vise une chose qui n'existe pas ici.

Ce que la méthode fait, c'est modifier la façon dont le modèle choisit ses mots.

Quand un modèle de langage produit du texte, il calcule une distribution de probabilité sur le jeton suivant et y effectue un tirage. SynthID-Text intervient exactement à cette étape. Une fenêtre glissante sur les derniers jetons, quatre en général, est hachée avec une clé de tatouage secrète pour produire une graine. Cette graine pilote un ensemble de fonctions de score pseudo-aléatoires, les fonctions g. L'algorithme tire des jetons candidats et les fait passer par plusieurs couches de tournoi : chaque couche note les candidats en compétition avec une fonction g, le gagnant passe au tour suivant. Le jeton qui remporte le tournoi est celui qui sort.

Sur un passage suffisamment long, les jetons produits se retrouvent corrélés aux valeurs g d'une façon qu'un choix de mots humain ne produirait pas. La détection est alors un test statistique : on recalcule les valeurs g sur le texte et on demande si la moyenne dépasse ce que le hasard autorise. Les détecteurs publiés existent en trois versions, une moyenne simple, une moyenne pondérée, et un détecteur bayésien entraîné sur des échantillons tatoués et non tatoués, le plus performant des trois.

Deux propriétés découlent de cette conception et expliquent presque tout le reste.

D'abord, la détection n'a pas besoin du modèle. Vous n'avez pas à faire tourner Gemini pour vérifier du texte Gemini. C'est ce qui rend le procédé assez économique pour être déployé, et c'est un vrai progrès par rapport aux classificateurs a posteriori.

Ensuite, la détection a besoin de la clé. Les fonctions g en dépendent. Sans la clé de tatouage, les valeurs g que vous calculez n'ont aucun rapport avec celles utilisées à la génération, et le test ne renvoie que du bruit. Ce n'est pas une lacune d'implémentation que quelqu'un finira par combler. C'est la propriété de sécurité qui empêche de forger le tatouage de Google sur un texte que Google n'a jamais écrit.

Tout le problème de la détection tient dans cette seconde propriété.

Qui tatoue du texte aujourd'hui

L'état des lieux en août 2026, limité à ce que les fournisseurs confirment eux-mêmes :

Google Gemini. Tatoué depuis l'article de Nature qui décrivait le premier déploiement à grande échelle, sur Gemini et Gemini Advanced. Des employés de Google ont confirmé sur le forum officiel des développeurs que le texte produit via l'API Gemini, Google AI Studio et Antigravity est également tatoué. Cette réponse est venue après une première réponse inverse et erronée, ce qui donne une bonne idée du peu de documentation existante.

Anthropic Claude. Actif dans le monde entier depuis le 14 août 2026, sur les modèles Claude sortis le 2 août 2026 ou après, les modèles plus anciens devant suivre. Anthropic le décrit comme une variante de l'approche SynthID-Text et fait remonter l'idée à une proposition de Scott Aaronson de 2022. Anthropic joint par ailleurs des certificats C2PA signés aux fichiers image produits, ce qui est un mécanisme distinct.

OpenAI. Pas de tatouage de texte. OpenAI en a construit un, jugé très précis selon le Wall Street Journal en 2024, et l'a laissé au placard. Les réserves invoquées : il résistait mal à la traduction et à la réécriture globale, et il risquait de signaler de façon disproportionnée les personnes dont l'anglais n'est pas la langue maternelle. OpenAI joint bien des Content Credentials C2PA à ses images.

Tous les autres. Les modèles à poids ouverts ne portent aucun tatouage, sauf si celui qui les exécute en ajoute un, et rien ne l'empêche de le retirer. C'est le trou structurel que l'article de Nature nomme lui-même : le tatouage ne fonctionne que là où les fournisseurs coopèrent, et on ne peut pas forcer les modèles ouverts à coopérer.

L'alignement des deux déploiements sur le 2 août 2026 n'est pas un hasard. C'est la date à laquelle l'article 50 du règlement sur l'IA est devenu applicable.

Les outils qui existent, et à quoi chacun sert

Cette partie mérite d'être exacte, car les résultats de recherche sur le sujet sont fortement pollués.

google-deepmind/synthid-text sur GitHub. L'implémentation de référence issue de l'article de Nature, sous Apache 2.0. Elle tatoue et détecte, et elle inclut le code d'entraînement du détecteur bayésien. Elle prend en charge Gemma et GPT-2 via des classes mixin. Le README dit explicitement qu'il s'agit de reproductibilité de la recherche, que les mixins ne sont pas conçus pour la production, et que la fonction de hachage n'offre aucune garantie de sécurité cryptographique. Utile, honnête, et ce n'est pas un détecteur pour le texte des autres.

Hugging Face Transformers. La voie de production vers laquelle Google renvoie. SynthIDTextWatermarkingConfig et SynthIDTextWatermarkLogitsProcessor permettent de générer du texte tatoué depuis un modèle que vous contrôlez, en passant une liste de clés et une longueur de n-gramme. Si vous détenez les clés, vous détectez. C'est la seule voie par laquelle une équipe technique ordinaire obtient aujourd'hui un tatouage de texte de bout en bout, et elle ne couvre que le texte produit par votre propre système.

MarkLLM. Une boîte à outils académique de THU-BPM qui implémente de nombreux algorithmes de tatouage derrière une interface unique, dont KGW, Unigram, EXP et SynthID-Text avec ses détecteurs moyenne, moyenne pondérée et bayésien. Si vous évaluez des schémas plutôt que d'en déployer un, commencez ici.

Le portail SynthID Detector. L'outil de Google où l'on téléverse pour vérifier, ouvert aux testeurs précoces lors de I/O en mai 2026 via une liste d'attente pour journalistes, chercheurs et professionnels des médias. La documentation d'aide de Google sur la vérification mentionne images, vidéo et audio. Le texte ne figure pas dans la liste, et le fil du forum développeurs sur le tatouage via l'API indique clairement que le portail ne l'accepte pas.

L'API Content Detection de Google. Proposée en avant-première en 2026 sur la plateforme Gemini Enterprise à des partenaires nommés, dont Shutterstock, Snap, Canva et Fox Sports. Images uniquement, JPEG, PNG et WebP. Pas de texte, pas de date de disponibilité générale, pas de tarifs publiés.

L'API de détection d'Anthropic. Annoncée comme à venir, sans calendrier ni détails de mise en œuvre. Quand elle sortira, elle répondra vraisemblablement pour le texte de Claude et pour rien d'autre.

Les Content Credentials C2PA. Pas un tatouage du tout, et complémentaire plutôt que concurrent. Ce sont des métadonnées de provenance signées cryptographiquement : qui a créé ceci, avec quel outil, quand, et un système d'IA était-il impliqué, consigné dans un champ digitalSourceType. La version 2.3 a ajouté les manifestes pour les documents en texte brut, ce qui est nouveau et pertinent. La faiblesse est l'image inversée de celle du tatouage : les métadonnées se perdent au moindre copier-coller, et c'est exactement ainsi que le texte circule.

Et puis il y a ce qui n'est pas un outil.

Un grand nombre de sites se positionnent sur « SynthID detection API » et décrivent un produit que l'on activerait dans la console Google Cloud, avec une tarification à la requête et une latence de moins d'une seconde sur le texte. Aucun produit de ce genre n'apparaît dans la documentation Google Cloud. L'un de ces sites au moins fait du marketing de contenu pour un service de suppression de tatouages. Séparément, les sites qui proposent de vérifier un texte pour SynthID font tourner des détecteurs statistiques d'IA, qui ne lisent pas le tatouage et ne le peuvent pas, faute de clé. Ils notent l'écriture selon sa prévisibilité et son rythme. C'est autre chose, sous le même mot.

Quelle est l'efficacité réelle

La réponse honnête : cela fonctionne bien sur du texte long, non retouché et à forte entropie, et se dégrade vite en dehors de ces conditions. Les chiffres sont publics et ils ne sont pas flatteurs.

La longueur. La détection est un test statistique, donc les preuves s'accumulent avec les jetons. Une analyse théorique de SynthID-Text publiée en 2026 situe la détection autour de 0,3 de taux de vrais positifs pour 1 pour cent de faux positifs sur des textes de 50 jetons, et mène ses propres expériences sur des séquences de 100 à 400 jetons. Un message social, une fiche produit ou une réponse au support, ce n'est pas assez de texte.

L'entropie. Le tatouage vit de la liberté de choix du modèle. Là où il n'y a qu'une bonne réponse, il n'y a pas de place pour encoder quoi que ce soit. Anthropic le dit directement : la marque est plus clairsemée sur les passages factuels, et sur le code où la syntaxe et l'arithmétique doivent être exactes. Demandez à un modèle de corriger votre grammaire et le tatouage ne peut loger que dans la poignée de corrections, ce qui peut être trop peu pour se manifester.

La reformulation. C'est le point faible. Une évaluation de robustesse a mesuré la chute du taux de vrais positifs de SynthID de 0,998 sur texte propre à 0,498 sous reformulation modérée. Le SRI Lab de l'ETH Zurich rapporte plus de 90 pour cent de réussite d'effacement par simple paraphrase, montant à près de 100 pour cent avec l'aide du vol de tatouage, et note que l'échantillonnage par tournoi, pourtant une mesure de sécurité, rend le renforcement des jetons plus sensible aux réécritures, donc moins robuste que des schémas plus simples. Une évaluation de 2026 face aux standards de la criminalistique a mesuré 98,3 pour cent d'effacement par paraphrase préservant le sens, la similarité sémantique restant autour de 0,83.

Les faux positifs. La même évaluation criminalistique a mesuré un taux de faux positifs de 5,4 pour cent sur du texte humain propre, avec 93,6 pour cent d'instabilité du verdict sous de petites variations du seuil de détection, et a vu une phrase standard de test de dactylographie franchir le seuil. Sa conclusion : aucune des trois méthodes testées, KGW, Unigram et SynthID-Text, ne satisfait plus de deux des cinq critères Daubert applicables à la preuve par expert.

L'usurpation. SynthID-Text tient mieux ici que ses concurrents. Les travaux du SRI Lab font état de 4 pour cent de réussite d'usurpation avec les paramètres par défaut, contre 80 pour cent ou plus pour les schémas rouge-vert, ce taux montant toutefois à 15 pour cent lorsque les requêtes de l'attaquant passent de 30 000 à 90 000. Les mêmes travaux montrent aussi que la présence du tatouage se détecte par simples requêtes en boîte noire : garder un déploiement secret n'est donc pas une option.

Au total : un résultat positif sur un long passage constitue une preuve sérieuse. Un résultat négatif ne veut presque rien dire, car il est aussi compatible avec de l'écriture humaine, avec un modèle non tatoué, avec un échantillon trop court ou avec une paraphrase. Quiconque bâtit un processus là-dessus doit avoir intégré cette asymétrie avant de dessiner l'interface.

Ce que demande le droit

Trois régimes exigent désormais quelque chose dans ce domaine, et aucun ne correspond tout à fait à ce qui est déployé.

Règlement sur l'IA, article 50, paragraphe 2. Les fournisseurs de systèmes d'IA générant du contenu synthétique audio, image, vidéo ou texte doivent marquer les sorties dans un format lisible par machine permettant de les détecter comme artificiellement générées. Le marquage doit être efficace, interopérable, robuste et fiable dans la mesure du possible techniquement. L'article 50 est devenu applicable le 2 août 2026, et les exigences de marquage et d'étiquetage prennent effet le 2 décembre 2026, date à laquelle expire aussi la période de grâce pour les systèmes déjà mis sur le marché avant le 2 août 2026. Le code de bonnes pratiques préconise une approche en couches combinant métadonnées, tatouage et journalisation. Il ne nomme pas C2PA, mais en décrit les propriétés d'assez près pour que des observateurs relèvent que C2PA est aujourd'hui la seule technologie déployée qui corresponde. Nous avons traité le tableau d'ensemble de l'article 50 dans notre guide de transparence du règlement sur l'IA.

Notez le mot interopérable. Un tatouage que seul son auteur peut lire s'accorde étrangement avec cette exigence, et cette tension n'est pas résolue.

La Chine. Les mesures d'étiquetage des contenus synthétiques générés par IA sont entrées en vigueur le 1er septembre 2025 et sont les plus concrètes des trois. Elles imposent à la fois une étiquette explicite, visible par l'utilisateur, et une étiquette implicite dans les métadonnées du fichier. Le texte entre dans le champ. Les plateformes doivent fournir des fonctions d'étiquetage, et les utilisateurs qui publient du contenu généré par IA doivent le déclarer.

La Californie. L'AI Transparency Act, SB 942 modifié par AB 853, est applicable depuis le 2 août 2026 aux fournisseurs comptant plus d'un million d'utilisateurs mensuels. Il impose un outil de détection gratuit, une divulgation visible et une divulgation latente intégrée portant le nom du fournisseur, le nom et la version du système, un horodatage et un identifiant unique. Lisez le champ d'application de près : l'obligation de divulgation latente vise l'image, la vidéo et l'audio. Le texte n'y figure pas. À partir du 1er janvier 2027, les grandes plateformes en ligne devront exposer les données de provenance et ne pourront pas les supprimer sciemment.

Le motif est le même partout. Le droit réclame des marques détectables, et les marques de texte déployées ne sont détectables que par leurs auteurs. Soit la détection s'ouvre, soit les obligations relatives au texte seront satisfaites par des métadonnées de type C2PA qui ne survivent pratiquement jamais à un copier-coller.

Ce que cela implique quand on construit du logiciel

L'essentiel n'est pas un projet de conformité. Ce sont quelques décisions techniques peu coûteuses maintenant et coûteuses à rattraper plus tard.

N'achetez pas un détecteur comme un verdict. Si un fournisseur prétend détecter SynthID dans un texte quelconque, il ne le peut pas, et vous devriez lui demander la clé. Si vous appliquez déjà une détection d'IA aux contenus soumis, traitez le score comme un tri qui déclenche une revue humaine, jamais comme une conclusion. Les preuves contre un usage à conséquences sont solides : une étude de Stanford a constaté que les détecteurs classaient à tort plus de la moitié des copies TOEFL d'auteurs non anglophones comme générées par IA, et une liste croissante d'universités a désactivé ces outils après qu'ils ont signalé des travaux humains avec 100 pour cent de certitude. Bâtir une politique là-dessus est un risque juridique, pas un contrôle.

Cessez de supprimer les métadonnées de provenance. C'est la blessure auto-infligée la plus courante. Les chaînes de traitement d'images réencodent, redimensionnent et normalisent en routine, et la plupart jettent au passage les manifestes C2PA et le XMP. Au regard de l'article 50, paragraphe 2, c'est vous qui retirez le marquage que la loi veut préserver, et à partir de janvier 2027 c'est une obligation de plateforme en Californie. Auditez la chaîne, préservez le manifeste ou resignez après transformation. Maintenant que C2PA 2.3 prend en charge les documents en texte brut, la même discipline va s'appliquer au texte.

Tenez votre propre registre de provenance. C'est la partie qui fonctionne vraiment. Quoi que fasse le tatouage, votre système sait quel modèle a produit quoi, quand, avec quelle invite, et qui a relu. Stockez-le comme un champ de l'enregistrement. C'est la preuve de l'exemption de revue humaine de l'article 50, c'est ce que vous présentez à un régulateur ou à un client, et cela ne dépend de la livraison d'aucune API par personne.

Qui héberge lui-même dispose de la boucle complète. Une équipe qui fait tourner son propre modèle sur Hugging Face Transformers peut tatouer à la génération et détecter ensuite, puisqu'elle détient les clés. Si vous produisez du contenu en volume et devez reconnaître votre propre sortie plus tard, c'est disponible aujourd'hui et personne ne vous le vend.

Posez aux fournisseurs la bonne question. Pas « tatouez-vous », dont la réponse est désormais souvent oui et n'apprend rien. Demandez si la marque est lisible par vous ou seulement par eux, ce qu'elle devient sous édition et traduction, si des métadonnées C2PA sont jointes et à quels formats, et ce qu'ils s'engagent contractuellement à dire sur l'article 50, paragraphe 2, après le 2 décembre 2026.

Où cela mène

La technologie est réelle et le résultat publié dans Nature est une vraie pièce d'ingénierie : un tatouage qui coûte un demi pour cent de latence, qui traverse une évaluation portant sur environ 20 millions de réponses Gemini réelles sans modifier mesurablement la satisfaction des utilisateurs, et qui se détecte sans toucher au modèle. Ce n'est pas rien.

Le déploiement est aussi, pour l'instant, fermé. Deux fournisseurs tatouent le texte, aucun ne laisse quiconque lire la marque, le troisième en a construit une et l'a rangée, et les modèles ouverts restent entièrement hors du système. L'écart entre ce que réclament les règles de marquage et ce qu'une personne extérieure à ces entreprises peut réellement vérifier est le problème intéressant, et il n'est pas technique.

Notre conseil aux clients : ne rien dépenser en détection et quelque chose en provenance. Une détection que vous ne pouvez ni exécuter ni croire n'est pas un contrôle. Un registre propre de ce que vos propres systèmes ont produit, et une chaîne d'actifs qui cesse de détruire les métadonnées déjà présentes, voilà du travail que vous maîtrisez, et voilà ce que l'échéance du 2 décembre 2026 touche réellement. Pour situer cela parmi tout ce qui arrive d'ici 2028, voyez notre guide de la conformité numérique européenne 2026.

Nous intégrons des fonctions d'IA dans les produits d'entreprises actives en Europe, ce qui veut dire que les champs de provenance, les chaînes d'actifs qui préservent les certificats et les pistes d'audit font partie de la livraison normale et non d'un exercice à part. Si vous voulez examiner où le contenu généré par IA entre dans votre produit et ce qu'il advient de sa provenance à la sortie, écrivez à office@c9group.dev.

Nous sommes ingénieurs, pas juristes. Savoir si une obligation précise vous vise comme fournisseur ou comme déployeur relève de votre conseil juridique. Nous faisons en sorte que le système corresponde à la réponse.