Larssen Consulting
Sûreté et règles

Filigrane de texte

Text watermarking

Le filigrane de texte est une technique qui marque de façon invisible le texte produit par un modèle de langage, en orientant subtilement ses choix de mots, afin qu’un outil de détection puisse ensuite établir qu’il a probablement été généré par ce modèle.

  • Lecture : 5 minutes
  • Mis à jour le 12 novembre 2026
  • 5 sources

En clair

Les billets de banque portent un filigrane : invisible à l’usage courant, il apparaît quand on sait où regarder. Le filigrane de texte suit la même idée, avec une différence de taille : il n’ajoute ni signe caché, ni caractère spécial, ni mention en bas de page. La marque est dans les mots eux-mêmes.

Quand un modèle écrit, il a presque toujours le choix entre plusieurs mots acceptables : « débuter » ou « commencer », « important » ou « essentiel ». Le filigrane consiste à pencher discrètement, à chaque mot, vers certaines options désignées par une règle secrète. Pris un par un, ces choix passent inaperçus et le texte reste naturel. Sur quelques paragraphes, leur accumulation forme une signature que seul celui qui connaît la règle sait repérer, un peu comme un dé légèrement pipé ne se trahit qu’après de nombreux lancers.

Ce n’est pas une preuve absolue. Plus le texte est court ou retouché, plus le signal s’affaiblit, et un texte réécrit par une autre personne ou un autre outil peut le perdre. Le filigrane donne une forte présomption d’origine, pas un certificat.

Un exemple

Un groupe de presse régional utilise un assistant d’IA pour rédiger des brèves à partir de dépêches et de communiqués, relues ensuite par un journaliste. Le fournisseur du modèle applique un filigrane à tous les textes générés. Quand un lecteur signale qu’une brève « sent la machine », la rédaction peut vérifier si le texte porte la marque et retrouver la chaîne de production correspondante.

Le groupe en tire une règle interne : toute brève produite avec l’assistant porte une mention visible pour les lecteurs, sans compter sur le filigrane, que personne ne voit. Il note aussi qu’une brève très réécrite par le journaliste peut ne plus être reconnue, et ne s’appuie donc jamais sur l’absence de marque pour affirmer qu’un texte a été écrit par un humain.

Niveau technique

Comment ça marche

L’idée est rendue publique en novembre 2022 par Scott Aaronson, alors chercheur invité chez OpenAI : lors d’une conférence à l’université du Texas à Austin, il décrit un outil qui, au lieu de tirer le token suivant au hasard, le choisit au moyen d’une fonction cryptographique pseudo-aléatoire dont seul le fournisseur détient la clé ; un prototype avait été réalisé par l’ingénieur Hendrik Kirchner, et quelques centaines de tokens semblaient suffire pour obtenir un signal fiable 1. En 2023, John Kirchenbauer et ses coauteurs de l’université du Maryland publient une méthode ouverte : avant chaque mot, une partie du vocabulaire est désignée comme liste « verte » à partir des tokens précédents, et le modèle est légèrement poussé vers ces tokens 2. La détection compte les tokens verts et applique un test statistique ; elle fonctionne sur un court passage, sans accès au modèle ni à son interface, avec un effet négligeable sur la qualité selon les auteurs 2.

  1. Clé secrèteLe fournisseur définit une clé qui pilote une règle pseudo-aléatoire de sélection des mots.
  2. BiaisÀ chaque mot, la règle favorise une partie des tokens possibles, calculée à partir des mots précédents.
  3. GénérationLe modèle écrit normalement, en penchant légèrement vers les tokens favorisés, sans effet visible sur le texte.
  4. DétectionUn outil muni de la clé compte les tokens favorisés et un test statistique indique si leur proportion trahit la marque.

Schéma de la méthode publiée par Kirchenbauer et al. ; les filigranes commerciaux, comme ceux de Google ou d’Anthropic, suivent le même principe avec des variantes non toutes publiées.

En 2024, Google DeepMind publie dans Nature SynthID-Text, un filigrane fondé sur un nouvel algorithme d’échantillonnage, le « tournament sampling », et l’intègre à son assistant Gemini 3. Une expérience portant sur près de 20 millions de réponses n’a pas montré de baisse de qualité perçue par les utilisateurs 3. En août 2026, Anthropic annonce à son tour un filigrane pour le texte de Claude, version de l’approche SynthID-Text adoptée pour se conformer à l’AI Act : il n’ajoute ni token ni caractère caché, une retouche légère ne l’efface probablement pas complètement mais une réécriture complète, si, et une interface de détection est ouverte en accès restreint 5.

Les limites sont connues. Le signal ne porte que sur les mots effectivement choisis par le modèle : un texte humain que le modèle s’est contenté de corriger porte trop peu d’indices, et un texte entièrement réécrit n’en garde plus 5. Les réponses très contraintes, comme du code ou une liste de faits, laissent peu de choix au modèle et donc peu de place à la marque 25. Le filigrane se distingue des détecteurs d’IA, qui devinent l’origine d’un texte d’après son style sans coopération du fournisseur, et des métadonnées de provenance signées, réservées aux fichiers comme les images. L’article 50 de l’AI Act impose aux fournisseurs de systèmes génératifs de marquer leurs contenus, texte compris, dans un format lisible par machine et détectable 4.

Ce que ça change pour une entreprise

Pour l’entreprise, le filigrane change surtout la traçabilité des contenus publiés. Les textes produits par un assistant ou une chaîne d’agents chez un fournisseur qui marque ses sorties peuvent être reconnus comme générés, y compris après copier-coller, par les régulateurs, les médias ou les clients disposant d’un outil de détection. L’AI Act fait du marquage une obligation des fournisseurs de systèmes génératifs 4 ; l’entreprise qui se contente d’utiliser ces outils n’a rien à installer, mais doit savoir que ses textes peuvent porter une marque et rester transparente lorsqu’elle publie de l’IA sur des sujets d’intérêt public.

Le marquage n’a pas de coût direct pour l’utilisateur, mais il ne doit pas servir de preuve à lui seul. Une marque détectée indique une probabilité, pas une certitude, et son absence ne démontre pas qu’un humain a écrit le texte : il suffit d’un autre modèle ou d’une réécriture approfondie 5. Utiliser le filigrane pour sanctionner un salarié, un candidat ou un étudiant serait donc risqué. Il vaut mieux l’intégrer à une politique d’ensemble : mention visible des contenus générés, relecture humaine, journalisation des productions.

Idées reçues

  • « Le filigrane, c’est un caractère caché dans le texte. »

    Les filigranes modernes n’ajoutent aucun caractère : la marque tient dans la répartition statistique des mots choisis par le modèle [2][5].

  • « Si le texte n’est pas marqué, c’est qu’un humain l’a écrit. »

    Non. Le texte peut venir d’un modèle sans filigrane, avoir été reformulé ou être trop court pour porter un signal exploitable.

  • « Le filigrane dégrade la qualité des réponses. »

    Les méthodes publiées visent un effet négligeable ; une expérience de Google DeepMind sur près de 20 millions de réponses n’a pas montré de baisse perçue [3].

Sources

  1. Aaronson, « My AI Safety Lecture for UT Effective Altruism », 2022
  2. Kirchenbauer, Geiping, Wen, Katz, Miers et Goldstein, « A Watermark for Large Language Models », 2023
  3. Dathathri, See et al., « Scalable watermarking for identifying large language model outputs », Nature, 2024
  4. Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle, article 50, EUR-Lex, 2024
  5. Anthropic, « How Claude’s text watermarking works », 2026

Voir aussi