Détecteur IA, filigrane et C2PA : ce que change la politique 2026

Détecteur IA, filigrane et C2PA : trois niveaux distincts

Le bon modèle tient en trois images : une étiquette produit, un fil de sécurité et un bordereau d’expédition signé.

1. Le libellé visible s’adresse au public. Il indique qu’un contenu a été généré ou modifié avec l’IA. Dans le cadre de l’article 50 de l’UE, cette obligation incombe au déployeur pour les deepfakes et certains textes d’intérêt public. Google Ads affiche désormais les mentions relatives à l’IA dans My Ad Center partout dans le monde et ajoute une surimpression visible dans l’Union européenne, en Inde et à New York pour les contenus qu’un annonceur déclare créés ou modifiés par IA.
2. Le filigrane intégré est destiné à un détecteur. Google SynthID dissimule un signal lisible par une machine dans les images, les contenus audio, les textes et les vidéos compatibles. Anthropic indique que les modèles Claude pris en charge inscrivent, au niveau même du modèle, un filigrane imperceptible dans le texte généré.
3. Les métadonnées de provenance signées assurent la chaîne de traçabilité. C2PA est une norme ouverte qui permet d’associer à un fichier des informations signées sur son origine et ses éventuelles modifications. Google applique un balisage C2PA et SynthID aux images et vidéos produites dans les outils Google Ads. Anthropic joint des métadonnées C2PA signées aux fichiers compatibles, notamment SVG, PNG et JPG.

Le libellé de premier plan explique à une personne ce qui s’est passé. Le fil de sécurité aide un scanner compatible à repérer un signal persistant. Le bordereau fournit des informations plus riches, mais il peut disparaître si une plateforme supprime les métadonnées. Un workflow sérieux conserve donc ces trois niveaux.

Cette distinction est désormais explicite dans le Code de bonnes pratiques de l’UE. Les fournisseurs sont responsables des marquages lisibles par machine et de la détection. Les déployeurs — les entreprises qui publient ou distribuent le contenu — doivent assurer la mention visible dans les situations prévues par la loi. Le code reste volontaire, mais les obligations de transparence de l’article 50 s’appliquent depuis le 2 août 2026.

Ce que Google et Anthropic ont changé

Google a dissocié le libellé destiné au public de la preuve invisible intégrée à un contenu publicitaire.

Le paramètre de libellé IA de Google Ads permet à un annonceur de déclarer qu’un contenu a été créé ou modifié avec l’IA. Cette indication apparaît partout dans le monde dans le panneau « Comment cette annonce a été créée ». Dans l’Union européenne, en Inde et à New York, elle peut aussi faire apparaître une surimpression visible sur l’annonce. Les annonceurs peuvent à la place intégrer leur propre mention au visuel ; Google précise qu’elle ne contreviendra pas à ses restrictions habituelles sur les surimpressions de texte et les filigranes.

Sous cette couche visible, Google place des filigranes SynthID non visibles et un balisage C2PA dans toutes les images et vidéos générées avec les outils Google Ads. C’est toute la différence entre information et preuve : le public voit le libellé, tandis que les systèmes compatibles peuvent inspecter le signal caché et les métadonnées signées.

Google avertit également que ce paramètre ne garantit pas la conformité juridique. Une mention personnalisée placée près d’un angle peut disparaître au recadrage pendant le rendu ; les améliorations d’image peuvent elles aussi la couper. C’est un problème de workflow, pas de case à cocher.

Anthropic applique la même séparation au texte. D’après le plan de marquage d’Anthropic, les modèles Claude compatibles lancés dans l’UE à compter du 2 août 2026 marquent le texte dès le premier jour. Le filigrane est inscrit dans le texte au niveau du modèle, reste présent lors d’un copier-coller et peut résister à certaines modifications. Les fichiers générés compatibles reçoivent des métadonnées C2PA signées.

Ces marquages s’appliquent dans le monde entier partout où un modèle compatible est proposé, notamment sur Claude Platform API, Claude, Claude Code, Claude Cowork, Claude Tag et les déploiements cloud pris en charge. La compatibilité des métadonnées de fichiers peut néanmoins varier selon la plateforme.

La limite essentielle passe facilement inaperçue. Un marquage Claude signifie que le contenu a peut-être été traité par Claude. Il ne prouve ni que Claude est à l’origine des idées, ni qu’il a rédigé le premier jet. Un communiqué de presse écrit par une personne puis envoyé à Claude pour relecture peut revenir marqué. Même constat pour un document traduit ou un fichier converti. La provenance consigne une opération de traitement, pas la paternité du contenu.

Comment organiser le workflow opérationnel

Le workflow le plus sûr commence dès la création et se termine après la livraison, car c’est au cours de ce parcours que les métadonnées et les libellés se perdent le plus souvent.

Une nouvelle équation économique

Les abonnements à un détecteur IA couvrent actuellement une fourchette d’environ $14.95 à $179 par mois dans les offres publiées par Originality.ai. Copyleaks affiche des forfaits mensuels personnel et pro à $16.99 et $99.99. Ces licences répondent à une question utile, mais limitée : dans quelle mesure ce contenu ressemble-t-il à la sortie d’un modèle ?

La provenance fournie par les éditeurs répond à une autre question : un signal provenant d’un fournisseur compatible est-il réellement présent ? Pour les sorties Google et Claude prises en charge, le marquage fait partie du workflow de génération. Aucun des deux fournisseurs ne publie de frais de marquage distincts sur les pages citées plus haut. Le nouveau coût est opérationnel : préserver le fichier maître, conserver les métadonnées au fil des transformations, ajouter le libellé destiné au public et garder la preuve de la relecture.

La ligne budgétaire change donc de nature. Un détecteur peut rester utile en dernier recours pour un contenu inconnu, mais il ne doit plus servir de système de référence. Ce rôle revient au journal de provenance. Pour comparer la catégorie actuelle des classificateurs, consultez le comparatif des détecteurs IA. Le workflow de politique décrit ici commence là où s’arrête un score en pourcentage.

Sept cas d’usage, classés selon leurs bénéficiaires

1. Les agences média qui déploient des campagnes internationales

Une agence de performance peut décliner une seule séance photo de produit en des dizaines de bannières et de vidéos modifiées par IA. Le workflow rentable consiste à identifier chaque contenu source dès sa création, à préserver les preuves C2PA et SynthID générées par Google, à déclarer l’usage de l’IA dans la campagne et à contrôler l’annonce rendue dans chaque marché cible. Si l’agence ajoute sa propre mention, elle teste les recadrages et désactive les améliorations susceptibles de la supprimer.

À la clé : moins de reconstructions en urgence après un contrôle de conformité et un dossier défendable pour le client. L’agence peut indiquer quel modèle est intervenu sur un contenu, quel libellé a été affiché et qui a autorisé la publication, sans fouiller dans les conversations et les espaces de stockage partagés.

2. Les éditeurs de textes d’intérêt public

Un éditeur qui utilise Claude pour résumer un rapport municipal ou traduire un décryptage électoral doit distinguer le traitement par le modèle de la responsabilité éditoriale. Le marquage Claude peut être présent même si le texte source vient d’un journaliste. L’éditeur consigne la source, la transformation par IA, l’identité du rédacteur humain et la validation finale.

Le résultat est une politique plus précise et plus honnête. Les orientations de l’UE prévoient une exception à cette obligation spécifique de mention visible pour les textes d’intérêt public relus par une personne qui en assume la responsabilité éditoriale. La piste d’audit prend alors toute sa valeur, puisque le filigrane ne peut pas prouver à lui seul que cette relecture a eu lieu.

3. Les équipes de communication qui confient les retouches courantes à Claude

Une équipe de communication peut faire passer les notes de ses dirigeants dans Claude pour en ajuster le ton, les traduire ou les mettre en forme. Un scanner ultérieur pourrait détecter un signal Claude et déclencher un débat sur la paternité du texte. Pour l’éviter, l’équipe conserve la source humaine, décrit le rôle de Claude comme un « traitement » et archive la version finale approuvée avec sa trace de relecture.

Le bénéfice : moins de fausses accusations dans l’entreprise. Un marquage détecté devient un fait au sein d’une chaîne de traçabilité, et non un verdict sur l’auteur du message.

4. Les marques e-commerce qui produisent des visuels synthétiques

Un commerçant peut générer des arrière-plans, redimensionner des images principales ou animer des photos de produits dans une plateforme publicitaire. Chaque exportation et chaque recadrage risque de supprimer les métadonnées C2PA ou de couper un libellé visible. La marque conserve un fichier maître intact, teste les formats finaux et consigne si le libellé de la plateforme ou sa propre mention a survécu.

Le bénéfice est de pouvoir réutiliser sans perdre la mémoire. La bibliothèque de contenus conserve les informations d’origine même lorsque l’équipe de campagne crée de nombreuses variantes adaptées aux différents canaux.

5. Les marketplaces qui acceptent les images et vidéos des vendeurs

Une marketplace peut rechercher des métadonnées signées et des filigranes compatibles dans les médias téléversés, demander au vendeur de déclarer les retouches par IA et soumettre les contradictions à une vérification. L’absence de preuve doit être considérée comme une inconnue, jamais comme une preuve d’authenticité.

Le bénéfice est une modération ciblée. Les équipes concentrent leurs efforts sur les signaux contradictoires et les usurpations à haut risque, au lieu d’examiner manuellement chaque contenu.

6. Les rédactions et cellules de vérification

Une rédaction peut inspecter les médias reçus à la recherche de données C2PA et de filigranes disponibles, préserver le fichier transmis à l’origine et consigner chaque conversion effectuée par ses propres systèmes. Si une capture d’écran détruit les métadonnées, la cellule conserve malgré tout la preuve antérieure et l’empreinte du fichier dans son dossier.

Elle peut ainsi fournir une explication plus solide à ses lecteurs : préciser quel signal a été trouvé et où, sans prétendre que le silence prouve l’authenticité.

7. Les réseaux de créateurs et studios de production

Dans un studio, un même contenu peut passer par la génération d’image, la retouche, le sous-titrage, le redimensionnement et la programmation sur les réseaux sociaux. Le studio peut imposer à chaque transfert de conserver l’identifiant de la source et effectuer un dernier contrôle du libellé visible avant publication.

Le bénéfice : moins de litiges entre créateurs, clients et plateformes. Le studio sait à quelle étape l’IA est intervenue et à quelle étape les données de provenance ont disparu.

Trois produits qui méritent d’être construits

1. Une passerelle de provenance centrée sur la preuve

C’est l’opportunité la plus solide. Construisez une couche de téléversement et d’API qui vérifie C2PA, appelle les systèmes de vérification disponibles chez les fournisseurs, enregistre le résultat, pose à l’opérateur les quelques questions de politique auxquelles un détecteur ne peut pas répondre, puis génère le bon libellé visible avec une piste d’audit.

La demande est déjà massive, mais elle vise la mauvaise catégorie de produits. « AI detector » représente environ 5,000,000 de recherches Google par mois, et les internautes interrogent les assistants IA à ce sujet environ 1,995 fois par mois. Lors de cette analyse, le point de terminaison de citations de ChatGPT n’a renvoyé aucune source citée agrégée pour cette tâche. Les offres de détecteurs existantes vont de $14.95 à $179 par mois, preuve que les équipes paient déjà pour obtenir une réponse.

La plus petite version commercialisable a besoin de cinq éléments : le téléversement de fichiers, l’analyse C2PA, des connecteurs vers les services de vérification réellement disponibles, un résultat à trois états — détecté, non détecté ou non pris en charge — et une piste d’audit téléchargeable. N’ajoutez les règles propres aux juridictions et aux canaux qu’une fois la couche de preuve opérationnelle.

La difficulté tient à l’accès aux fournisseurs. Anthropic indique que son mécanisme de détection sera proposé ultérieurement. Le SynthID Detector généraliste de Google reste en phase de test auprès de journalistes et de professionnels des médias, même si Gemini peut inspecter les médias compatibles. Le produit doit vendre la gestion des preuves et la maîtrise du workflow, pas la promesse d’une détection universelle.

2. Un DAM et un moniteur CDN qui préservent la provenance

Construisez un plugin pour les gestionnaires de ressources numériques et les pipelines média qui compare la provenance avant et après le redimensionnement, la conversion de format, l’optimisation et la diffusion. Il alerte lorsque les métadonnées C2PA disparaissent, préserve l’original et confirme que le libellé visible subsiste dans chaque déclinaison.

Google enregistre environ 60,500 recherches mensuelles pour « ai image detector », avec une tendance annuelle de 173% dans les données de suggestions. Cette demande traduit un besoin plus profond : les équipes veulent savoir ce qu’est devenue une image après son passage d’un outil à l’autre.

Le MVP peut surveiller un seul bucket de stockage et un seul service de transformation d’images. Calculez l’empreinte de la source, analysez C2PA avant et après la transformation, affichez les différences et bloquez une mise en ligne si le libellé obligatoire a été recadré.

La difficulté vient de la fragmentation. Aucun plugin ne peut lire tous les filigranes propriétaires, et certaines transformations supprimeront toujours les métadonnées. Son avantage défendable réside dans le journal de preuves et les intégrations aux pipelines, pas dans une prétendue détection parfaite.

3. Un assistant de gestion des mentions pour les équipes éditoriales

Construisez un assistant de politique qui demande ce que représente le contenu, où il sera publié, s’il a été généré ou modifié par IA, si une personne l’a relu et qui assume la responsabilité éditoriale. Il produit ensuite une consigne de transparence et archive la décision avec le contenu.

« AI content detector » représente environ 18,100 recherches Google par mois, tandis que « AI checker » totalise environ 711 demandes mensuelles auprès des assistants IA. Beaucoup de ces utilisateurs cherchent un classificateur alors que leur véritable problème tient à une règle d’approbation.

Le MVP repose sur un formulaire, une table de règles versionnée, des liens vers les sources officielles et des intégrations avec un CMS et une plateforme publicitaire. Il ne doit jamais se présenter comme un conseil juridique.

La difficulté est la maintenance. Les règles, le comportement des plateformes et les orientations d’application évoluent. Google précise explicitement que son paramètre de libellé IA ne garantit pas la conformité ; le produit doit donc afficher la date de sa source et conserver la décision de l’opérateur.

Ce que ces dispositifs ne résolvent pas

Les filigranes ne prouvent pas la paternité. Anthropic est particulièrement clair : un marquage peut apparaître après une relecture, une traduction, un résumé ou une conversion. Il indique seulement que Claude a peut-être traité le contenu.

L’absence de marquage ne prouve pas une création humaine. Des modifications importantes, une reformulation, une traduction, un passage court, une capture d’écran, un changement de format, un fichier non pris en charge ou un ancien modèle peuvent tous empêcher la détection d’un signal Claude. OpenAI formule le même constat pratique pour son outil de vérification : l’absence de signal ne constitue pas un résultat négatif définitif.

Les métadonnées sont plus riches, mais plus fragiles. C2PA peut transporter un contexte signé ; pourtant, les téléversements, redimensionnements, captures d’écran et conversions de format peuvent le supprimer. Les filigranes intégrés résistent parfois mieux, mais ils fournissent généralement moins de contexte et exigent un détecteur compatible.

Les libellés visibles peuvent être erronés ou incomplets. Une mention peut être recadrée, s’appliquer à un contenu sur lequel l’IA n’a joué qu’un rôle mineur, ou manquer là où le public en aurait besoin. Sa présence transmet une information ; elle n’authentifie pas chacune des affirmations sous-jacentes.

La politique honnête est donc simple : conservez trois champs distincts pour la preuve trouvée, la relecture humaine effectuée et la mention visible appliquée. Ne les fusionnez jamais dans un score unique « IA ou humain ».

L’action à lancer dès lundi

Choisissez une campagne active, pas toute l’entreprise. Suivez un contenu touché par l’IA depuis son fichier d’origine jusqu’à l’annonce effectivement diffusée. Sauvegardez le fichier maître, examinez ses preuves lisibles par machine, consignez l’identité de la personne qui l’a relu, appliquez le libellé du canal et inspectez chaque emplacement après rendu. Les lacunes découvertes dans cette seule chaîne définissent les besoins de votre workflow de provenance.

Pour mettre en place l’un de ces workflows de provenance dans votre entreprise, découvrez les services adaptés.