Le 5 octobre 2026, OpenAI a publié sur son blog un billet qui concerne directement tous ceux qui produisent ou relisent du texte assisté par IA. Dans les semaines qui viennent, les réponses de ChatGPT et de Codex destinées aux utilisateurs de l'Union européenne porteront une signature invisible, glissée dans le choix des mots eux-mêmes. Le dispositif s'appelle textGrain. J'ai recoupé les articles de ZDNet, d'IT-Connect et de Numerama pour en faire le tour, avec les chiffres, les limites et ce que cela implique pour notre métier.

Ce qu'OpenAI a réellement annoncé

L'annonce tient en trois volets.

Le premier est le marquage automatique. Il concerne les sorties texte de ChatGPT et de Codex pour les utilisateurs européens, France comprise, sur les offres gratuites comme payantes. Numerama relève un point flou : OpenAI parle de réponses « éligibles » sans préciser les critères. Je ne peux donc pas vous dire quelles réponses seront marquées et lesquelles échapperont au dispositif.

Le deuxième est l'option API. Depuis le 5 octobre, les clients de l'API, où qu'ils se trouvent dans le monde, peuvent activer le filigrane sur certains modèles. Il reste désactivé par défaut. IT-Connect ajoute qu'OpenAI prévoit de proposer la fonction via ses partenaires cloud.

Le troisième est le détecteur. Les candidatures pour y accéder sont ouvertes, mais seuls des chercheurs et des organisations sélectionnées au cas par cas y auront droit au départ. Impossible donc, pour l'instant, de coller un texte dans un champ pour savoir s'il vient de ChatGPT.

Comment textGrain glisse un signal dans les mots

Il n'y a ni mention visible ni caractère invisible qu'un rechercher-remplacer ferait disparaître. Le marquage se joue en amont, au moment où le modèle choisit sa prochaine unité de texte.

Un modèle de langage écrit par fragments, les tokens : des mots entiers ou des morceaux de mots. À chaque étape, plusieurs suites sont plausibles. Numerama donne un exemple parlant : après « La matinée était », le modèle peut aussi bien enchaîner avec « calme », « froide » ou « ensoleillée ». textGrain intervient à cet endroit. Avec une clé secrète, il pousse légèrement certaines options parmi celles que le modèle envisageait déjà, et ces préférences varient selon ce qui précède. Sur un paragraphe entier, le résultat est un biais statistique que personne ne remarque à la lecture.

Le détecteur d'OpenAI détient la même clé. Il parcourt le passage et regarde si les choix de mots épousent les préférences du dispositif plus souvent que le hasard ne le permettrait. Il n'a pas besoin de la conversation d'origine, juste du texte.

Conséquence pratique : un copier-coller conserve les mots, donc la signature. Une traduction ou une réécriture l'abîme. OpenAI a détaillé la méthode dans un rapport technique, à lire si vous aimez les mathématiques.

Numerama compare ce mécanisme à celui de Pangram, l'outil tiers qui a fait parler de lui en septembre avec l'affaire du roman accusé d'être écrit par IA. Je nuance ce rapprochement. Pangram est un classifieur entraîné sur des textes d'IA qui cherche des indices de style, sans clé secrète. textGrain, lui, repose sur un signal volontairement inséré à la source. Les deux produisent une probabilité, mais ils ne s'appuient pas sur la même chose.

D'après IT-Connect, Anthropic applique un principe voisin avec Claude, et Google fait de même avec SynthID pour le texte.

Pourquoi seulement l'Union européenne

La raison est réglementaire. L'article 50 de l'AI Act oblige les fournisseurs d'IA générative à marquer leurs contenus dans un format lisible par machine, pour qu'ils puissent être repérés comme artificiels. Selon la Commission européenne, ces obligations s'appliquent depuis le 2 août 2026. Un code de bonnes pratiques sur la transparence des contenus générés par IA a été publié le 10 juin 2026 pour accompagner le texte.

IT-Connect apporte un détail utile sur le calendrier. Les systèmes déjà commercialisés avant le 2 août disposent d'un délai supplémentaire jusqu'au 2 décembre 2026. OpenAI n'était donc pas en retard. Le manquement coûte cher : jusqu'à 15 millions d'euros ou 3 % du chiffre d'affaires annuel mondial.

Numerama précise que la règle prévoit des exceptions lorsque l'IA se contente d'assister une correction ou d'apporter des modifications qui ne changent pas le fond. Corriger trois fautes d'orthographe n'impose pas forcément de filigrane.

Autre différence avec la concurrence : toujours selon Numerama, Anthropic a choisi de marquer les textes de ses modèles compatibles partout dans le monde, alors qu'OpenAI limite pour l'instant le marquage automatique à l'Europe.

Ce que le détecteur rate, chiffres à l'appui

OpenAI publie ses propres mesures, et elles sont franches sur les limites. Les trois sources les rapportent avec des angles différents, voici la synthèse.

Taux de détection de textGrain selon la situation testée
Situation testéeTaux de détectionRemarque
Texte de psychologie, 200 tokensenviron 80 %une marque sur cinq échappe au détecteur
Texte de psychologie, 400 tokensenviron 95 %un cas sur vingt manqué
Texte de moins de 200 tokensinopérant selon ZDNettrop peu de matière statistique
Contenu mathématiquenettement plus faiblepeu de liberté dans le choix des mots
400 tokens en anglais, 10 % de mots remplacés par des synonymesenviron 66 % (contre 92 % sans retouche)test cité par Numerama et ZDNet
Même test, 25 % de mots remplacésenviron 17 %la signature s'effondre

IT-Connect précise que ces taux sont mesurés avec un taux de faux positifs visé de 1 %. Les chiffres de détection ne sortent donc pas de nulle part : ils sont le résultat d'un compromis. On peut détecter davantage, mais on accuse alors plus de textes humains à tort.

Les trois critères qui font varier la détection sont donc la contrainte du sujet (plus le vocabulaire est libre, mieux la signature s'inscrit), la longueur et la réécriture. Un article de blog de 1 200 mots sur la psychologie est un terrain idéal. Une meta description de 150 caractères, un titre ou un extrait de code n'offrent presque rien à analyser.

Pourquoi le détecteur reste fermé

ZDNet est le plus clair sur ce point : c'est le risque de faux positifs qui freine l'ouverture. Un outil public, qui donnerait un verdict sur n'importe quel texte, serait vite utilisé comme preuve par des employeurs, des enseignants ou des éditeurs. Or il peut se tromper dans les deux sens, signaler une marque absente ou passer à côté d'une marque présente.

IT-Connect va dans le même sens avec un argument que je partage : vu les marges d'erreur, mieux vaut que l'outil ne soit pas entre toutes les mains. Réserver l'accès à des chercheurs et à des organismes validés limite les accusations hâtives. L'affaire du roman de la rentrée littéraire, évoquée par Numerama, montre bien ce que peut donner un verdict algorithmique brandi comme une preuve.

Ce que le filigrane ne dit pas

Les trois sources insistent sur ce que la détection ne prouve pas, et ce passage mérite d'être lu deux fois.

ZDNet donne un exemple de bureau : un mémo généré par une IA, puis résumé ou retravaillé par un collaborateur, passera sous les radars. IT-Connect souligne le cas inverse, un texte écrit à la main et simplement poli avec l'IA, qui pourrait être pris pour une production automatique alors que le gros du travail est humain. Le même outil laisse donc passer des textes synthétiques et peut suspecter des textes humains.

Texte, images : deux logiques de traçabilité

ZDNet rappelle que le texte n'est qu'un volet de la traçabilité. Pour les images, OpenAI génère des métadonnées conformes à la norme C2PA, complétées par SynthID de Google DeepMind, qui s'insère au niveau des pixels.

Trois approches de marquage de la provenance
Métadonnées C2PAFiligrane SynthID (images)textGrain (texte)
Où se situe la marquedans le fichierdans les pixelsdans le choix des mots
Capture d'écranla marque disparaîtla marque survitsans objet
Recadrage, compression, changement de couleursfragilerésistesans objet
Réécriture, synonymes, traductionsans objetsans objetaffaiblit la marque

Pour les images, le marquage dans les pixels offre une meilleure robustesse. Pour le texte, il n'existe pas de « pixel » : tout repose sur la statistique des mots, donc sur des données que n'importe quel humain peut modifier.

Une divergence mérite d'être signalée. ZDNet indique que l'outil openai.com/verify « permet de vérifier les documents », alors que les deux autres sources affirment que le détecteur de texte n'est pas accessible au public. Je n'ai rien dans ces sources qui indique que cette adresse permette de tester un texte brut. Je la rattache plutôt à la vérification de la provenance des contenus visuels, et je vous invite à la considérer ainsi tant qu'OpenAI ne dit pas le contraire.

Qualité des réponses : le filigrane coûte-t-il quelque chose ?

IT-Connect rapporte que, selon OpenAI, la différence de qualité est négligeable. Sur GPQA Diamond, GPT-6 Astra, son dernier modèle de pointe, obtient 94,44 % sans filigrane et 93,94 % avec, soit un demi-point d'écart. C'est un chiffre du constructeur sur un benchmark scientifique, pas un test éditorial. Reste à voir si la même stabilité vaut pour l'écriture longue, mais rien dans les sources ne laisse penser à un style dégradé.

Ce que cela change pour les webmasters, rédacteurs et indépendants

Voici comment j'envisage les choses, en tant que rédacteur et référenceur.

Sur le référencement
Aucune des sources ne parle de moteurs de recherche, et je n'ai pas connaissance d'une annonce indiquant que Google utiliserait ces filigranes comme signal de classement. Je ne bâtirais donc rien sur cette hypothèse. Ce qui fait la différence dans les résultats reste la valeur du contenu, son exactitude et son utilité pour le lecteur.
Sur la relation client
Si vous livrez des textes à des clients, attendez-vous à ce que certains fassent tester vos productions dès que des outils de détection circuleront. Un filigrane positif ne prouve pas une faute, puisque l'usage d'une IA peut être parfaitement déclaré dans votre contrat. Prévoir une clause claire sur l'assistance par IA vous épargnera des discussions pénibles. À l'inverse, ne tirez pas argument d'un test négatif pour affirmer qu'un texte est « 100 % humain » : on a vu pourquoi ce serait fragile.
Sur le travail éditorial
Retoucher un texte à la marge ne sert à rien si le but est d'effacer la marque, et d'ailleurs ce n'est pas un bon objectif. Réécrire en profondeur, ajouter des exemples vécus, des chiffres vérifiés et votre propre angle améliore le contenu, et il se trouve que cela brouille aussi la signature. Un bon article est de toute façon plus qu'un texte de modèle passé au correcteur.
Sur l'API
Les intégrateurs qui branchent un modèle d'OpenAI dans un outil pour leurs clients peuvent activer le filigrane sur les modèles compatibles. Cela peut devenir un argument de conformité, surtout pour des projets européens, mais il faut le décider, puisque rien n'est actif par défaut.
Sur la veille
Les règles européennes évoluent, avec une échéance au 2 décembre 2026 pour les systèmes plus anciens. D'autres fournisseurs vont devoir se mettre à niveau, et le panorama sera sans doute différent d'ici quelques mois.

Mon avis

textGrain est une réponse honnête à une obligation légale, et OpenAI a eu le mérite de publier des chiffres peu flatteurs. Le dispositif détecte bien les textes longs et peu retouchés. Il s'effondre dès qu'une personne motivée remplace un quart des mots. Autrement dit, il attrape surtout les copier-coller paresseux, pas les usages qui cherchent à brouiller les pistes.

Pour moi, la bonne attitude consiste à le traiter comme un indice parmi d'autres, jamais comme un verdict. Tant que le détecteur reste réservé à des chercheurs, la question ne se pose pas au quotidien. Quand il s'ouvrira, ce sera le moment de défendre une règle simple : un résultat de détection ouvre une discussion, il ne la clôt pas.

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.