Repérer d'un coup d'œil si un texte a été écrit par une machine, c'est la promesse que vend Pangram Labs, une start-up new-yorkaise dont le classifieur revendique un faux positif tous les 24 000 documents. La détection d'IA est devenue un marché où universités, revues et plateformes s'abonnent, mais chaque gain de précision affiché se paie d'un écrivain accusé à tort et d'un logiciel « humaniseur » qui remet le compteur à zéro.
Une start-up née de la panique ChatGPT
Pangram a été fondée à Brooklyn en 2023 par Max Spero et Bradley Emi. Lancé sous le nom Checkfor.ai en octobre 2023, l'outil est rebaptisé Pangram Labs en avril 2024 (Wikipedia). La société a levé 4 millions de dollars en amorçage en juin 2025, puis 9 millions en série A menée par Menlo Ventures en juillet 2026. Sur la même période, son audience est passée de 2 700 à 120 000 utilisateurs mensuels. Ses clients sont des universités, des maisons d'édition et des plateformes. L'outil s'intègre à Canvas et Google Classroom, à Substack depuis juillet 2026, et alimente depuis mars 2026 un service de vérification du fournisseur de notes de fiabilité NewsGuard. Passé sur de grands corpus, le classifieur a détecté de l'IA dans près de 9 % de 186 000 articles de presse récents et dans 21 % des relectures soumises à la conférence de recherche ICLR 2026.
Comment la machine reconnaît la machine
La plupart des détecteurs de première génération mesuraient la « perplexité », le caractère prévisible d'un texte pour un modèle de langage. Pangram prend une autre route : un classifieur entraîné. Le modèle initial a appris sur environ un million de documents mêlant textes humains publics ou sous licence et textes produits par GPT-4 et d'autres grands modèles (Pangram). Deux techniques structurent cet entraînement. Le « mirror prompting » génère, pour chaque document humain, un pendant artificiel calé sur le même ton et le même sujet, afin que le classifieur apprenne à distinguer l'origine et non le style. Le « hard negative mining » fouille de grands corpus à la recherche des textes humains que le modèle classe par erreur comme artificiels, les réinjecte dans l'entraînement, puis recommence. La boucle vise à écraser le taux de faux positifs.
Sa version 4, publiée en 2026, repose sur une architecture à « mélange d'experts » qui aiguille chaque type d'entrée vers une partie différente du réseau. Le texte est découpé en jetons, chacun converti en vecteur, puis le modèle attribue à chaque jeton trois scores — humain, assisté par IA, généré par IA — sur des fenêtres glissantes de 512 jetons (Pangram). Ce découpage fin permet de pointer les passages suspects dans un document mixte plutôt que de rendre un verdict global. L'outil exige au moins 50 mots de prose et reconnaît mal le code, les mathématiques et les réponses factuelles courtes.
Ce que valent les scores
Pangram 4 annonce un taux de faux positifs de 0,0041 %, soit une erreur pour environ 24 000 documents, et un taux de faux négatifs de 0,34 % mesuré sur près de 520 000 textes issus de 26 modèles. La firme dit repérer une intervention de l'IA dans 98,83 % des textes passés par un « humaniseur ». Comparée aux détecteurs commerciaux, elle revendique un taux de faux positifs trois fois meilleur que GPTZero et une précision supérieure à Originality, Copyleaks ou Turnitin.
Ces résultats ne viennent pas que de la maison. Un document de travail d'économistes des universités de Chicago et du Maryland, diffusé par le NBER en septembre 2025, a trouvé des taux de faux positifs et négatifs proches de zéro sur plusieurs genres et longueurs. Une autre étude a fait de Pangram le seul détecteur automatique à égaler des relecteurs humains experts, qui avaient bien classé 299 articles sur 300. La comparaison la plus parlante reste l'échec d'OpenAI : lancé en janvier 2023, son propre classifieur ne reconnaissait que 26 % des textes artificiels et taxait à tort 9 % des textes humains, avant d'être fermé six mois plus tard (TechCrunch).
Les faux positifs ont un nom
Un taux de 1 sur 24 000 reste un taux, et à l'échelle de millions de copies scolaires il produit des accusés. En 2026, Pangram a classé comme « 100 % machine » « The Serpent in the Grove », nouvelle du Trinidadien Jamir Nazir couronnée par le Commonwealth Short Story Prize et publiée dans Granta. Nazir, atteint de neuropathie, dicte ses textes à la synthèse vocale de son téléphone et les corrige ligne à ligne. La Commonwealth Foundation a examiné ses brouillons horodatés et ses notes manuscrites, puis confirmé qu'aucune IA n'avait servi (The Walrus). Quatre des dix lauréats régionaux avaient été signalés. La journaliste Taylor Lorenz a elle aussi été visée, une erreur que Spero a reconnue.
Le biais le mieux documenté frappe les non-anglophones. Une étude de Stanford a montré que sept détecteurs classaient les rédactions d'étudiants non natifs comme artificielles dans 61 % des cas, avec un verdict unanime pour un cinquième des copies, alors qu'ils se trompaient rarement sur les natifs (The Markup). En cause : ces textes présentent un vocabulaire plus restreint et une syntaxe plus simple, des traits que les modèles associent à l'écriture générée.
La course à l'humaniseur
Face au détecteur, une industrie de contournement a grandi. Les « humaniseurs » réécrivent un texte d'IA pour tromper les classifieurs, et ils fonctionnent souvent. Un rapport du Reuters Institute a estimé en juillet 2026 que Pangram étiquetait comme humains 86 % des échantillons passés par ces techniques d'évasion ; une prépublication de Notre-Dame lui a fait manquer plus de 96 % de résumés académiques « humanisés » ; une évaluation d'Epoch AI a relevé 10,1 % de passages ratés quand l'IA imite un auteur précis. Chaque nouveau modèle rouvre la brèche, dans une course-poursuite que Pangram admet en partie.
Cette fragilité rejoint le débat sur le marquage à la source, où les outils de contournement du filigrane de Claude fleurissent déjà. Les critiques pointent aussi la boîte noire : le score dit ce qui est signalé, pas pourquoi, ce qui le rend difficile à opposer comme preuve dans une procédure disciplinaire. En milieu scolaire, une partie des enseignants renonce au détecteur et repense plutôt les consignes. Pangram n'ouvre son classifieur ni aux étudiants ni aux auteurs qu'il accuse ; les 9 millions levés en juillet 2026 doivent financer sa prochaine version.