Google a co-signé, en octobre 2024, l’article de référence sur le tatouage des textes produits par IA publié dans Nature, rien de moins. Sa technologie SynthID a depuis marqué plus de dix milliards de contenus. Et pourtant, le même Google répète, documentation officielle à l’appui, qu’il ne pénalise pas un contenu parce qu’il a été écrit par une machine.
C’est 2 positions qui semblent un peu contradictoire, mais avec Google, on a un peu l’habitude : que l’entreprise qui finance la recherche la plus avancée sur la détection d’IA refuse, noir sur blanc, d’en faire un critère de classement, c’est étrange, mais ce n’est pas si étrange que ça : détecter l’origine d’un texte et mesurer sa valeur sont deux problèmes distincts, et Google a décidé de ne miser que sur le second.
La question « mon contenu IA est-il pénalisé ? » est donc mal posée, voilà pourquoi.
Le watermarking de texte, qu’est-ce que c’est ?
Si on reconnaît facilement le mot « watermark » (ou filigrane) pour une photo, c’est difficile d’imaginer qu’on puisse faire de même pour un texte et pourtant, c’est bien documenté : SynthID-Text, la méthode de Google DeepMind, est documentée, publiée dans une revue à comité de lecture, et open-sourcée sur Hugging Face.
Il semble même qu’elle tourne en production dans l’application Gemini.
Le principe est le suivant : un modèle de langage (LLM) génère le texte token par token, en échantillonnant à chaque étape dans une distribution de probabilités.
SynthID intervient à ce moment-là avec une fonction pseudo-aléatoire (la g-function), qui module subtilement le choix des tokens via un mécanisme appelé tournament sampling. Ce que ça fait en gros : lorsque SynthID intervient, il s’interdit d’utiliser certains termes lors de la génération (ou plutôt il force l’usage d’un terme alternatif) dans son tableau de probabilités.
Le texte reste fluide, le sens est préservé, et un lecteur humain n’y voit que du feu, mais le motif statistique laissé dans la suite de mots est reconnaissable par un détecteur entraîné.
Ce qui est retenu, ce n’est pas la phrase ou les mots employés ici, mais la séquence statistique qui correspond au filigrane attendu.
Quel est l’intérêt d’un LLM de watermarker son contenu ?
Un LLM s’entraîne sur des volumes de données astronomiques aspirés du web. Or, depuis l’adoption massive de l’IA générative, une part croissante de ce web est elle-même produite par des modèles, y compris par le sien. Sans moyen de les repérer, ces textes synthétiques se retrouvent réinjectés dans les corpus d’entraînement, et le modèle finit par réapprendre de ses propres sorties : une boucle de rétroaction qui appauvrit peu à peu la diversité et la qualité des générations, un phénomène documenté sous le nom d’effondrement du modèle (model collapse).
Le watermark offre une parade : en signant les textes qu’il produit, le fournisseur peut les reconnaître à coup sûr dans le crawl et les écarter avant l’entraînement.
Les méthodes de détection sont fragiles (même Google le dit)
Le watermark ne fonctionne que si le texte été généré par un modèle qui est prévu pour produire du texte à watermark : si vous générez votre contenu avec un modèle local, un modèle open-weight sans watermark, ou un fournisseur qui n’en met pas, il n’y a tout simplement rien à détecter.
Que disent les études sur le sujet ? Sur un texte utilisé tel quel après production (incluant watermark) SynthID est robuste à des transformations légères (recadrage, modification de quelques mots, paraphrase douce). En revanche, la confiance du détecteur s’effondre dès que le texte est réécrit en profondeur ou traduit dans une autre langue. Le watermarking est aussi reconnu comme moins efficace sur les contenus courts et sur les réponses factuelles, là où il y a peu de marge pour moduler les tokens sans abîmer l’exactitude.
Dans “Can AI-Generated Text Be Reliably Detected? “ les co-auteurs ont montré dès 2023 qu’une simple attaque par paraphrase casse un large éventail de détecteurs, watermarking compris, et ils ont accompagné ce résultat empirique d’un théorème d’impossibilité : pour un modèle de langage suffisamment performant, le meilleur détecteur possible ne fait que marginalement mieux qu’un tirage au hasard.
Des travaux plus récents (2025) enfoncent le clou : une attaque par résumé inter-langue (on traduit, on résume, on retraduit) ramène la détection au niveau du pile ou face, tout en préservant le sens du texte.
Et il y a pire encore : le spoofing. Un rédacteur qui a observé assez de sorties d’un modèle à watermark peut fabriquer du texte humain que le détecteur classera comme généré par IA. Autrement dit, un détecteur déployé à grande échelle ne se contente pas de rater des contenus IA, il accuse à tort des contenus humains. Pour un moteur de recherche, c’est le pire des deux mondes : un faux négatif laisse passer du spam, mais un faux positif rétrograde une page légitime et de qualité.
On en arrive à un constat net : un détecteur d’origine fiable, déployable sur des centaines de milliards de pages, et résistant à un adversaire un tant soit peu motivé, n’existe pas, et n’est sans doute pas pour demain.
Pourquoi Google ne mise pas sur la détection
Quiconque a suivi le raisonnement sur l’architecture en cascade du moteur reconnaîtra le schéma : faire tourner un classifieur de watermark sur chaque page de l’index, pour chaque évaluation, c’est exactement le type de coût que l’architecture en cascade est conçue pour éviter. Sauf qu’ici, le calcul est encore plus mauvais : non seulement c’est coûteux, mais ça ne marche pas contre la paraphrase, et ça produit des faux positifs catastrophiques.
Mettez-vous une seconde à la place de l’équipe en charge du search : on vous propose un signal qui : coûte cher à évaluer à l’échelle, s’effondre dès qu’un rédacteur passe son texte dans un paraphraseur, ne capte rien des modèles sans marque, et risque de faire chuter du contenu humain irréprochable. Vous n’allez pas en faire un pilier de votre ranking. Vous allez faire ce que Google fait déjà très bien : ignorer la question de l’origine, et mesurer la valeur.
Or la valeur, Google sait la mesurer, ou en tout cas il a une bonne idée pour l’évaluer, et il le fait sans avoir besoin de savoir qui tient le stylo : La satisfaction utilisateur via les signaux comportementaux (les clics agrégés, le dernier clic le plus long d’une session), la pertinence sémantique via les termes saillants attendus pour une requête, l’expérience et l’expertise démontrées via le cadre E-E-A-T (Comme sur Yourtext Guru et le module LLM SEO).
Vos contenus inspirent-ils confiance aux moteurs ?
L’EEAT n’est plus un vœu pieux : c’est un signal mesurable. Réservons 30 minutes pour analyser comment YourText Guru qualifie l’expertise, l’expérience, l’autorité et la fiabilité de vos contenus, et ce qui les sépare des pages qui dominent vraiment les SERP.
- EExpertise
- EExpérience
- AAutorité
- TFiabilité
Sans engagement · en direct avec Pierre Calvet
Aucun de ces signaux ne demande de répondre à « une machine a-t-elle écrit ça ? », mais plutôt à « est-ce que ça mérite de ranker ? ». C’est plus robuste, moins cher, et insensible à la paraphrase.
Quand Google affirme qu’il ne pénalise pas le contenu IA, ce n’est ni de la naïveté ni de la générosité. C’est le constat lucide qu’évaluer l’origine d’un texte est un cul-de-sac technique et économique.
Mais Google a aussi déployé, depuis mars 2024, sa politique de scaled content abuse : la production de masse de pages dont le but premier est de manipuler le classement sans valeur ajoutée pour l’utilisateur. Et dans cette politique, tous les textes qui n’apportaient rien à l’utilisateur sont pénalisés, qu’ils contiennent ou non des contenus IA (et spoiler alert : il y en avait).
D’où la confusion ambiante : « Google dit qu’il ne pénalise pas l’IA, mais pénalise les sites en IA ». Les deux affirmations sont vraies, parce que la cible n’a jamais été l’IA, mais le contenu mince produit à la chaîne.
Google n’a pas besoin de savoir si une machine a écrit votre texte. Cette information lui coûterait cher, lui échapperait à la première paraphrase, et ne lui dirait rien d’utile. Ce qu’il lui suffit de savoir, et ce qu’il mesure déjà très bien, c’est si un humain a eu envie de le lire jusqu’au bout.
Le watermark répond à « qui a écrit ça ? ». Le moteur, lui, pose une tout autre question : « est-ce que quelqu’un aurait dû le lire ? ». Tant que vous travaillez la seconde, la première ne vous concerne pas.
Sources utilisées :
- Google DeepMind : Scalable watermarking for identifying large language model outputs (SynthID-Text), Nature, octobre 2024 : https://www.nature.com/articles/s41586-024-08025-4
- Google DeepMind : Responsible GenAI Toolkit, documentation SynthID Text (robustesse et limites) : https://ai.google.dev/responsible/docs/safeguards/synthid
- Sadasivan et al. : Can AI-Generated Text Be Reliably Detected? (attaque par paraphrase, résultat d’impossibilité), 2023 : https://arxiv.org/abs/2303.11156
- Google Search Central : Guidance on Generative AI Content et Spam Policies (scaled content abuse) : https://developers.google.com/search/docs/fundamentals/using-gen-ai-content
