Un projet qui se présente comme le « VirusTotal du texte IA », forcément, ça a attiré mon attention. SlopTotal promet de dire si un texte a été rédigé par une intelligence artificielle en le soumettant à 23 moteurs de détection, et tout se passe sur votre propre machine : pas d'abonnement, pas de texte envoyé chez un prestataire, un code que tout le monde peut lire. Sur le papier, c'est très tentant. Dans les faits, un test publié récemment et plusieurs études sérieuses invitent à la prudence. Je fais le point sur ce que fait l'outil, comment l'installer, ce qu'il annonce et ce qu'il vaut vraiment, surtout en français.
SlopTotal, c'est quoi exactement ?
SlopTotal est un projet open source publié sous licence MIT sur GitHub. Il reprend le principe de VirusTotal, le service qui fait analyser un fichier suspect par des dizaines d'antivirus à la fois. Ici, vous collez un texte ou l'adresse d'une page web, et 23 moteurs de détection l'examinent en parallèle. Les résultats s'affichent au fil de l'eau, moteur par moteur, puis un score final calibré de 0 à 100 résume l'ensemble avec un verdict qui va de « Clean » (rien à signaler) à « Likely AI-generated » (probablement généré par une IA).
Le nom vient du mot anglais « slop », qui désigne le contenu bâclé produit en masse par l'IA : ces textes génériques et sans saveur qu'on croise désormais partout sur le web.
Les 23 moteurs se répartissent en trois familles :
- Les classifieurs neuronaux (9 moteurs)
- Ce sont des modèles de langage (RoBERTa, DeBERTa, BERT…) entraînés spécialement pour distinguer un texte humain d'un texte machine. On y trouve par exemple Desklib DeBERTa, SuperAnnotate, ReMoDetect ou encore l'ancien détecteur GPT-2 publié par OpenAI en 2019.
- Les méthodes statistiques (7 moteurs)
- Elles mesurent à quel point chaque mot était « prévisible » pour un modèle de langage. Une IA a tendance à choisir les mots les plus probables, et c'est ce que captent la perplexité, GLTR, Binoculars ou Fast-DetectGPT.
- Les heuristiques linguistiques (7 moteurs)
- Elles traquent les tics d'écriture : tirets longs à répétition, phrases de longueur trop régulière, expressions chouchoutes des chatbots, introductions et conclusions toutes faites. Le développeur reconnaît lui-même qu'elles sont faibles prises isolément et qu'elles servent surtout à départager les autres moteurs.
Le score final n'est pas une simple moyenne. Il s'appuie d'abord sur quatre classifieurs qui, d'après les mesures du projet, ne pénalisent pas les textes anciens, puis pondère chaque moteur selon sa précision mesurée. La confiance affichée dépend aussi de l'accord entre les moteurs : quand des familles différentes arrivent à la même conclusion, le verdict est jugé plus solide que l'avis d'un seul moteur très sûr de lui.
SlopTotal reste un projet communautaire jeune : début octobre 2026, son dépôt GitHub comptait une vingtaine d'étoiles et quelques forks. C'est un outil d'expérimentation, pas un service commercial avec support et garanties.
Installer SlopTotal sur sa machine ou son serveur
Pas besoin de carte graphique : tous les moteurs tournent sur le processeur, une carte compatible CUDA servant seulement à accélérer les analyses. Au démarrage, SlopTotal détecte le matériel disponible et choisit l'un des trois profils suivants.
| Profil | Mémoire vive | Processeur | Carte graphique | Pour qui ? |
|---|---|---|---|---|
| Lite | 4 Go | 2 cœurs | Aucune | Tous les moteurs, mais plus lentement |
| Standard | 8 Go | 4 cœurs | Aucune | La plupart des ordinateurs portables |
| Performance | 16 Go et plus | 6 cœurs et plus | CUDA en option | Serveurs et usage intensif |
| Prévoyez aussi environ 2 Go d'espace disque pour les modèles téléchargés au premier lancement. | ||||
Côté logiciel, il faut Python 3.10 ou plus récent, la version 3.11 étant recommandée. Attention sous macOS : le Python livré avec le système est en version 3.9, trop ancienne.
Installation avec Python
git clone https://github.com/pablocaeg/sloptotal.git
cd sloptotal
python3.11 -m venv venv
source venv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt
cp .env.example .env
./start.sh
Le script start.sh analyse le matériel et télécharge les modèles au premier lancement. Il reste ensuite à ouvrir http://localhost:8000 dans le navigateur. Le premier scan complet prend une à deux minutes, le temps de charger les modèles en mémoire, puis les suivants vont beaucoup plus vite.
Sous Windows, le plus simple est de passer par WSL ou par Docker, car le script de démarrage est écrit pour un shell Linux ou macOS. Vous pouvez aussi lancer le serveur à la main avec la commande uvicorn app.main:app --host 0.0.0.0 --port 8000.
Installation avec Docker
git clone https://github.com/pablocaeg/sloptotal.git
cd sloptotal
docker compose up -d
L'option -d lance le conteneur en arrière-plan, et docker compose logs -f permet de suivre le téléchargement des modèles au premier démarrage. Pensez à vérifier le port exposé dans le fichier docker-compose.yml avant d'ouvrir l'interface. Si Docker n'est pas encore installé sur votre machine, c'est par là qu'il faut commencer.
Sur un serveur maison ou un NAS
C'est selon moi l'usage le plus intéressant. Un mini-PC ou un NAS capable de faire tourner Docker suffit, avec au moins 8 Go de RAM pour rester à l'aise. L'interface devient alors accessible depuis tout le réseau local, à l'adresse IP de la machine. Je déconseille en revanche de l'exposer directement sur Internet : passez par un VPN comme WireGuard ou par un reverse proxy avec authentification.
Sur une machine bien dotée en mémoire, des variables d'environnement permettent d'exploiter davantage de ressources, par exemple SLOPTOTAL_PROFILE=performance ou SLOPTOTAL_TORCH_THREADS=8. Pour vérifier que les 23 moteurs sont bien chargés :
curl -s http://localhost:8000/health | python3 -m json.tool
La réponse doit afficher "status": "healthy" et "engines": 23.
Démo en ligne, extension Chrome et API
Pour tester sans rien installer, une démo est disponible sur sloptotal.com. Dans ce cas, le texte part sur un serveur distant, ce qui annule l'argument de confidentialité. Le développeur propose aussi une extension Chrome qui affiche des badges de probabilité IA dans les résultats Google et sur le fil LinkedIn, et qu'on peut brancher sur sa propre instance. Enfin, une API permet d'intégrer la détection à un outil maison : /api/quick-score interroge 6 moteurs en quelques centaines de millisecondes, tandis que /api/analyze lance l'analyse complète en 3 à 8 secondes.
Ce que promet le projet
Bon point pour SlopTotal : le README explique sur quoi ses chiffres ont été mesurés, ce que beaucoup de détecteurs commerciaux évitent soigneusement. Le développeur a utilisé deux corpus. Le premier, tiré du jeu de données RAID, réunit 110 textes (40 humains et 70 générés par GPT-4, ChatGPT, Llama, Mistral, Cohere ou GPT-3) : articles de presse, prose, poésie et résumés scientifiques. Le second sert de contrôle, avec 26 extraits littéraires du Projet Gutenberg publiés entre 1532 et 1915 (Machiavel, Jane Austen, Melville, Kafka). Ces textes précèdent les modèles de langage d'au moins un siècle, donc tout signalement y est forcément une erreur.
| Indicateur | Résultat annoncé |
|---|---|
| AUC global | 0,974 |
| Textes IA classés « Suspicious » ou au-dessus | 90 % |
| Textes humains classés « Likely AI » à tort | 1 sur 66 |
| Extraits littéraires signalés | 0 sur 26 |
| L'AUC mesure la probabilité qu'un texte IA tiré au hasard obtienne un score plus élevé qu'un texte humain tiré au hasard : 1 correspond à un sans-faute, 0,5 à un pile ou face. | |
Le développeur publie aussi ce qui ne marche pas, et c'est assez rare pour être signalé. Il a découvert trois moteurs qui notaient à l'envers et deux autres qui chargeaient un réseau initialisé au hasard tout en pesant dans le score final. Il a également rétrogradé le moteur Fakespot, excellent sur les textes modernes mais qui attribuait à Machiavel un score de 62,5.
Limites reconnues par le projet : en dessous d'environ 80 mots, le résultat n'est pas fiable, et il ne se stabilise qu'autour de 200 mots. Un texte d'IA retouché à la main perd ses « empreintes » à chaque passe de réécriture. Quant au code source, les moteurs ne savent pas le juger, ni dans un sens ni dans l'autre.
Un détail compte beaucoup pour nous, francophones : les deux corpus sont entièrement en anglais. Les chiffres du README ne disent donc rien de la fiabilité de l'outil sur un texte en français.
Un test indépendant sur 36 textes qui refroidit
C'est justement ce qu'a voulu mesurer un test publié récemment. Son auteur a soumis 36 textes à sa propre instance de SlopTotal. Vingt-quatre avaient été rédigés par Claude, ChatGPT et Gemini, moitié en français, moitié en anglais, avec deux consignes de style : un ton neutre pour certains, un ton de blogueur pour les autres. Les douze restants étaient humains, sans ambiguïté possible : six articles de blog écrits par l'auteur du test entre 2018 et 2021, et six billets de blogs tech anglophones publiés en 2020 et 2021. Tous datent donc d'avant l'arrivée de ChatGPT, fin 2022.
| Type de texte | Nombre | Mal classés | Taux d'erreur | Langue des erreurs |
|---|---|---|---|---|
| Écrits par des humains | 12 | 4, jugés « Likely AI-generated » ou pire | 33 % | Anglais pour les 4 |
| Générés par une IA | 24 | 9, jugés « Clean » | 38 % | Français pour les 9 |
| Avec 36 textes, il s'agit d'une tendance et non d'une mesure statistique solide. | ||||
Ramené à chaque langue, le constat est encore plus net. Quatre des six textes humains en anglais ont été pris pour de l'IA, soit deux sur trois. Et neuf des douze textes d'IA en français sont passés pour humains, soit trois sur quatre. On est très loin du « 1 sur 66 » annoncé.
L'échantillon est petit, et les textes testés n'ont rien à voir avec ceux du README : des billets de blog d'un côté, de la presse et de la littérature de l'autre. Mais le résultat ressemble à ce qu'on peut attendre d'outils entraînés et calibrés presque exclusivement sur de l'anglais. Mon hypothèse, que je ne peux pas démontrer : en français, les moteurs manquent de repères et trouvent un texte d'IA moins suspect qu'il ne l'est. À l'inverse, un billet tech en anglais, bien structuré et rempli de vocabulaire technique courant, peut sembler trop prévisible et se faire épingler. Pour savoir si un texte vient d'une IA, SlopTotal ne me paraît donc pas fiable, en tout cas pas en l'état et pas en français.
Les détecteurs d'IA, un problème qui ne date pas d'hier
SlopTotal n'est pas le premier à se casser les dents sur le sujet. Depuis le lancement de ChatGPT, les exemples ne manquent pas.
- OpenAI a lancé son propre classifieur en janvier 2023, puis l'a retiré en juillet de la même année faute de précision suffisante (The Register). Au lancement, l'entreprise reconnaissait déjà qu'il ne repérait correctement que 26 % des textes d'IA, avec 9 % de faux positifs.
- L'université Vanderbilt a désactivé le détecteur d'IA de Turnitin en août 2023 (annonce de l'université). Son raisonnement tient en un calcul : même avec 1 % de faux positifs, les quelque 75 000 copies soumises en 2022 auraient donné environ 750 accusations injustifiées.
- Des chercheurs de Stanford ont publié en 2023, dans la revue Patterns, une étude portant sur sept détecteurs et 91 rédactions du TOEFL écrites par des non-anglophones (étude complète). En moyenne, 61,3 % de ces textes humains ont été classés comme générés par une IA. Les sept détecteurs étaient d'accord pour en accuser 19,8 %, et 97,8 % ont été signalés par au moins l'un d'eux. Les rédactions d'élèves américains de l'équivalent de la 4e, elles, étaient presque toutes reconnues comme humaines.
L'explication des chercheurs de Stanford éclaire bien le problème. Beaucoup de détecteurs s'appuient sur la perplexité, autrement dit la prévisibilité du texte. Or quelqu'un qui écrit dans une langue qu'il ne maîtrise pas parfaitement utilise un vocabulaire plus restreint et des tournures plus simples… exactement ce que ces outils associent à une IA.
Ce que montrent les études plus récentes
Depuis, les détecteurs commerciaux ont progressé. Deux travaux récents, qui ne portent pas sur SlopTotal, se rejoignent au moins sur un point : sur des textes humains anciens, les meilleurs outils se trompent très rarement.
Le premier est un document de travail du NBER signé Brian Jabarian et Alex Imas, de l'université de Chicago, publié en septembre 2025. Ils ont comparé Pangram, Originality.ai, GPTZero et un détecteur open source basé sur RoBERTa. Sur 1 992 textes humains antérieurs à 2020, répartis sur six genres, le taux de faux positifs est quasi nul pour Pangram, de 0,1 à 0,3 % pour Originality.ai et d'environ 0,7 % pour GPTZero. Les outils commerciaux y devancent nettement l'open source, et seul Pangram respecte un plafond strict de 0,5 % de faux positifs sans perdre en capacité de détection.
Le second, publié sur arXiv en août 2026 par Jonathan Karr et ses collègues, porte sur des résumés d'articles scientifiques en anglais, dans quatre domaines, sur deux périodes : 2013-2015 et 2023-2025. Avec Pangram et GPTZero, aucun résumé de 2013-2015 n'a été signalé comme IA. Les résumés de 2023-2025, publiés tels quels, l'ont en revanche été dans 9 à 15 % des cas, bien plus souvent hors des disciplines scientifiques. Rien ne garantit que ces textes récents soient tous 100 % humains, mais les auteurs notent que les scores suivent surtout la densité de mots longs et de vocabulaire académique, pas l'intention de celui qui écrit.
| Étude | Détecteurs testés | Textes humains | Faux positifs | Face aux humanizers |
|---|---|---|---|---|
| NBER, Jabarian et Imas (2025) | Pangram, Originality.ai, GPTZero, RoBERTa | 1 992 textes d'avant 2020, six genres | Quasi nul (Pangram), 0,1 à 0,3 % (Originality.ai), environ 0,7 % (GPTZero) | Pangram continue de détecter les textes passés par StealthGPT |
| Karr et al. (2026) | Pangram, GPTZero | Résumés scientifiques de 2013-2015 et de 2023-2025 | Aucun sur 2013-2015, 9 à 15 % sur 2023-2025 | Moins de 4 % des textes encore signalés après Undetectable AI |
| Les deux études portent uniquement sur des textes en anglais. | ||||
Pangram, de son côté, annonce pour sa version 4, dans des tests publiés en juillet 2026, 41 faux positifs sur un million de textes humains en anglais, soit 0,0041 %. C'est un chiffre d'éditeur, mesuré sur ses propres données : à prendre comme tel.
Humanizers et textes retouchés : là où tout se complique
Les deux études divergent en revanche sur les « humanizers », ces services qui réécrivent un texte d'IA pour le rendre indétectable. Selon le NBER, Pangram continue de repérer les textes passés par StealthGPT. Chez Karr et ses collègues, après un passage par Undetectable AI, moins de 4 % des textes d'IA restent signalés. Humanizers différents, détecteurs différents, textes différents : impossible d'en tirer une règle générale, sinon que la course entre détecteurs et outils de contournement est loin d'être terminée.
Le résultat le plus dérangeant de l'étude de Karr va dans l'autre sens. Un résumé écrit par un humain puis simplement peaufiné par une IA, avec une consigne du genre « améliore ce résumé », est signalé comme IA dans 38 à 80 % des cas. Les chercheurs en tirent une conclusion assez cruelle : celui qui utilise honnêtement l'IA pour améliorer son texte s'expose davantage à une sanction que celui qui triche avec un humanizer.
Et les situations concernées n'ont rien d'exceptionnel :
- un texte humain passé dans un correcteur orthographique qui s'appuie sur un modèle de langage et reformule au passage ;
- un texte dicté avec un outil de reconnaissance vocale à base d'IA, qui supprime les hésitations, ajoute la ponctuation et remet les phrases d'aplomb ;
- un brouillon réorganisé ou raccourci par un chatbot, alors que les idées, les exemples et l'expérience viennent bien de son auteur.
Dans tous ces cas, le texte peut ressortir comme « IA » alors qu'il a été pensé, écrit ou dicté par une personne. Un détecteur mesure des propriétés statistiques du texte, il ne sait pas qui a eu les idées. Jabarian et Imas le relèvent d'ailleurs : certains usages de l'IA, comme la correction grammaticale, sont encouragés, mais difficiles à séparer des autres.
Et côté référencement naturel ?
La question revient souvent chez les webmasters et les rédacteurs : faut-il passer ses articles dans un détecteur avant publication pour « rassurer » Google ? Ma réponse est non. Google ne sanctionne pas un contenu parce qu'il a été produit avec une IA. Sa politique contre l'abus de contenu à grande échelle (« scaled content abuse »), en vigueur depuis mars 2024, vise la production massive de pages destinées à manipuler le classement sans rien apporter aux lecteurs, quelle que soit la façon dont elles ont été fabriquées.
Le 1er octobre 2026, Google a d'ailleurs complété sa page de recommandations sur les contenus générés par IA. Il y juge indispensable de vérifier manuellement tout contenu produit par une IA avant de le publier, y compris les balises title, les méta-descriptions, les données structurées et les textes alternatifs des images. Ce qui compte pour lui, c'est l'exactitude et la valeur ajoutée, pas un score de détection. Le temps passé à faire passer un texte sous les radars d'un détecteur serait bien mieux employé à vérifier les faits et à y ajouter votre propre expérience.
Mon avis : un outil pour comprendre, jamais pour accuser
J'aime bien la démarche de SlopTotal. Le code est ouvert, la méthode de calcul est documentée, les échecs sont publiés et tout tourne en local. Pour comprendre comment fonctionnent les détecteurs d'IA, c'est un très bon terrain de jeu. Mais je ne m'en servirais pas pour trancher la question « ce texte a-t-il été écrit par une IA ? ».
Si vous l'installez, voici comment je m'y prendrais :
- commencer par des textes dont vous connaissez l'auteur avec certitude, par exemple vos propres écrits d'avant 2022 et des textes que vous faites générer vous-même ;
- tester des textes d'au moins 200 mots, dans les langues qui vous intéressent ;
- regarder le détail moteur par moteur plutôt que le seul score final, car un désaccord entre familles de moteurs en dit long sur la solidité du verdict ;
- comparer avec un ou deux autres détecteurs, en gardant en tête qu'ils se trompent tous un jour ou l'autre.
Aucun détecteur, open source ou commercial, ne devrait servir de preuve unique pour accuser un élève, un candidat, un collaborateur ou un auteur. Un score élevé peut au mieux ouvrir une discussion : demander les brouillons, l'historique des versions, ou simplement d'expliquer le texte de vive voix.
Questions fréquentes sur SlopTotal
- SlopTotal est-il gratuit ?
- Oui. Le code est publié sous licence MIT et vous pouvez l'installer librement. Le seul coût est celui de la machine qui le fait tourner.
- Fonctionne-t-il bien en français ?
- Rien ne le garantit. Ses performances ont été mesurées uniquement sur des textes en anglais, et dans le test indépendant évoqué plus haut, trois textes d'IA en français sur quatre sont passés pour humains.
- Faut-il une carte graphique ?
- Non. Tous les moteurs fonctionnent sur le processeur, avec 4 Go de RAM au minimum et 8 Go pour un usage confortable. Une carte compatible CUDA accélère simplement les analyses.
- Mes textes sont-ils envoyés quelque part ?
- Pas avec une instance installée chez vous : l'analyse se fait entièrement en local, seuls les modèles sont téléchargés au premier lancement. La démo en ligne, elle, traite les textes sur un serveur distant.
- Quelle longueur de texte faut-il ?
- Le projet indique que les résultats ne sont pas fiables en dessous de 80 mots environ et qu'ils se stabilisent vers 200 mots.
- Un détecteur peut-il prouver qu'un texte a été écrit par une IA ?
- Non. Il donne une probabilité fondée sur des indices statistiques et stylistiques. Un texte humain corrigé ou dicté avec l'aide d'une IA peut être signalé, et un texte d'IA retravaillé peut passer inaperçu.
Comment cet article a-t-il été réalisé ? Le texte a été rédigé par mes soins, puis relu avec l'aide d'une intelligence artificielle afin de corriger d'éventuelles erreurs d'orthographe ou de grammaire. L'illustration de présentation a également été créée à l'aide de l'IA.