Samedi de l’absurde
Comment repérer qu’une image a été générée par une IA ? Le piège, aujourd’hui, est simple : les défauts grossiers disparaissent, mais les incohérences, elles, restent. Et c’est précisément là que le cerveau humain garde encore un avantage.
L’image ci-dessus est un excellent terrain d’entraînement. On y voit un décor de studio crédible, un visage convaincant, une lumière flatteuse, un cadrage propre. Bref, tout ce qu’il faut pour créer une impression de réalité. Puis, quand on ralentit une seconde, l’illusion se fissure. Les cercles rouges vous guident, mais le vrai sujet n’est pas de “trouver l’erreur”. Le vrai sujet, c’est d’apprendre à regarder autrement. L’image fournie montre justement ce mélange très crédible et très absurde : décor de bureau réaliste, trophée mural plausible, mais aussi une chèvre dans la pièce, une autruche surgissant du cadre, un pied disproportionné et un objet de bureau difficile à identifier près du clavier.
Ça ne me dérange pas qu’une image soit générée avec une IA. Ce qui me dérange, c’est quand on essaie de me vendre une fiction synthétique comme une preuve du réel.
Pendant longtemps, on répétait les mêmes recettes : regardez les doigts, comptez les dents, cherchez les oreilles bizarres. Le problème, c’est que ces indices deviennent moins fiables. Les modèles progressent vite. Des guides récents rappellent même que les mains ne suffisent plus à elles seules pour trancher. Les indices utiles, aujourd’hui, sont plus subtils : cohérence globale, logique physique, provenance du fichier, contexte de publication, et parfois présence de métadonnées ou de marquages techniques comme les Content Credentials ou des filigranes invisibles. Les standards de provenance comme C2PA et les Content Credentials existent justement pour documenter l’origine et les modifications d’un contenu, même si cela ne règle pas tout.
Premier réflexe : traquez la cohérence, pas seulement le détail.
Une image IA peut réussir un visage et rater le monde autour. C’est souvent l’arrière-plan qui trahit la scène. L’AP recommande de vérifier la cohérence des ombres, des lumières et du décor, parce qu’un sujet principal peut paraître très net alors que le fond devient illogique ou “trop lisse”. Le Guardian souligne aussi les motifs incohérents, les objets mal raccordés et les éléments textuels encore fragiles dans beaucoup d’images synthétiques.
Deuxième réflexe : cherchez la logique physique.
Dans notre image, tout semble propret, mais l’ensemble raconte une scène qui bascule dans l’impossible. Une chèvre dans un studio, une autruche qui regarde la caméra, un pied mis en avant avec une taille et une perspective volontairement dérangeantes, un objet noir sur le bureau qui ressemble à quelque chose sans être clairement identifiable. L’IA adore fabriquer des objets “presque vrais”. Elle donne au cerveau assez de signal pour reconnaître une catégorie, mais pas assez de précision pour valider l’objet. C’est là qu’il faut résister à notre réflexe naturel de compléter les trous. Dans mon livre, chapitre 6, j’explique justement combien notre cerveau se laisse piéger par ses biais de cadrage et ses raccourcis mentaux quand une scène paraît globalement plausible. Ici, l’IA exploite exactement cette faille cognitive.
Troisième réflexe : méfiez-vous de la perfection cosmétique.
Les experts interrogés par AP News évoquent souvent une texture anormalement polie, une peau trop propre, une matière trop homogène, comme si le réel avait été passé au papier de verre. Ce lissage ne concerne pas seulement la peau. Il touche les murs, les tissus, les lampes, les reflets, les meubles. Le réel a du bruit, de la friction, de la micro-imperfection. L’IA, elle, a longtemps préféré la version “trop bien finie” du monde, et même si elle s’améliore, cette esthétique reste un signal faible utile.
Quatrième réflexe : regardez ce qui est censé être banal.
L’IA est parfois plus crédible sur le spectaculaire que sur l’ordinaire. Un visage dramatique, une scène de science-fiction ou une image hyper-stylisée peuvent mieux passer qu’une simple plaque murale, qu’un texte imprimé, qu’un interrupteur, qu’une couture, qu’une articulation de lampe. Dans notre visuel, la plaque YouTube au mur paraît plausible à première vue, puis devient étrange dès qu’on s’y attarde. Même chose pour l’objet noir posé sur le bureau : l’image vous suggère une fonction, sans vous en donner une lecture nette. Quand le banal devient flou, l’alarme doit s’allumer.
Cinquième réflexe : vérifiez la provenance avant de commenter.
Une image seule, sortie de son contexte, vous manipule plus facilement. D’où vient-elle ? Qui la publie ? Existe-t-il d’autres vues de la scène ? Y a-t-il un historique éditorial crédible ? Des initiatives comme SynthID chez Google cherchent à intégrer des filigranes invisibles détectables dans certains contenus générés par IA. Adobe, Microsoft et l’écosystème C2PA poussent aussi les Content Credentials pour associer à un fichier une histoire technique de création et de modification. Cela ne signifie pas que tout contenu sans marquage est faux, ni que tout contenu marqué devient automatiquement fiable. Cela signifie simplement qu’à l’avenir, la question ne sera plus seulement “que vois-je ?” mais “quelle trace vérifiable accompagne ce que je vois ?”
Sixième réflexe : acceptez que la détection devienne un exercice probabiliste.
L’époque du “je sais à 100 %” touche à sa fin. Le NIST travaille justement sur l’évaluation des systèmes de détection et de forensique appliqués aux contenus générés et manipulés, ce qui montre bien que l’identification robuste reste un chantier technique sérieux, pas un jeu de devinettes de comptoir
Septième réflexe : entraînez votre culture visuelle.
Plus vous regardez des images générées, plus vous repérez leurs tics. Le problème n’est pas uniquement technique. Il est culturel. Une personne qui comprend la narration visuelle, la photographie, la perspective, la matière, la lumière, l’intention de mise en scène et les limites des générateurs verra plus vite les coutures. Dans mon livre, chapitre 14, je parle de l’application de l’intelligence artificielle avec une idée simple : l’outil impressionne facilement quand on l’observe de loin ; c’est l’usage, la méthode et le discernement qui font la différence.
Le point le plus important est peut-être celui-ci : une image générée par IA n’est pas forcément un problème.
Le problème commence quand on efface son statut pour lui donner l’autorité du réel. Là, on quitte le terrain de la création pour entrer dans celui de la manipulation.
Alors oui, sur cette image, les cercles rouges aident. Mais dans la vraie vie, vous n’aurez pas les cercles rouges. Vous n’aurez que votre attention, votre sens critique, et votre capacité à poser une question simple avant de partager : “Qu’est-ce qui, dans cette image, mérite d’être vérifié ?”
Articles plus sérieux en semaine.
Samedi de l’absurde le… samedi.
Et Dimanche de l’étrange le… dimanche. C’est bien, vous comprenez vite.
Références
(AP News) = https://apnews.com/article/one-tech-tip-spotting-deepfakes-ai-8f7403c7e5a738488d74cf2326382d8c
(The Guardian) = https://www.theguardian.com/technology/2024/apr/08/how-to-tell-if-an-image-is-ai-generated
(Google DeepMind) = https://deepmind.google/blog/identifying-ai-generated-images-with-synthid
(Google DeepMind) = https://deepmind.google/models/synthid
(Adobe) = https://helpx.adobe.com/creative-cloud/apps/adobe-content-authenticity/content-credentials/overview.html
(C2PA) = https://c2pa.org
(Microsoft) = https://learn.microsoft.com/en-us/azure/foundry-classic/openai/concepts/content-credentials
(NIST) = https://www.nist.gov/publications/guardians-forensic-evidence-evaluating-analytic-systems-against-ai-generated-deepfakes
(NIST) = https://www.nist.gov/publications/nist-open-media-forensics-challenge-openmfc-briefing-iird
(NIST) = https://www.nist.gov/publications/2025-nist-genai-pilot-evaluation-plan-image-generators
