Un faux supporter à la ressemblance troublante dans les tribunes de la Coupe du monde, vu plus de trois millions de fois. De fausses images de l’arrestation de Nicolás Maduro générées dans les heures suivant l’annonce, faute de photos officielles. Le premier semestre 2026 a confirmé une réalité inconfortable : les images générées par IA sont devenues assez bonnes pour tromper tout le monde, toi compris.
La contrepartie, moins connue : les moyens de vérification ont eux aussi fait un bond. En 2026, repérer une image IA repose de moins en moins sur l’œil et de plus en plus sur la preuve technique. Ce guide fait le tri entre les vieux réflexes périmés, ceux qui marchent encore, et les nouveaux outils que tout le monde peut utiliser.
Compter les doigts, c’est terminé (ou presque)
Le conseil star de 2023 (« regarde les mains ») a mal vieilli : les générateurs actuels produisent des mains anatomiquement correctes, des visages impeccables et du grain photo crédible. Les fact-checkers professionnels sont formels : on ne peut plus identifier une image IA à l’œil nu de façon fiable, et un vérificateur formé aux méthodes de 2023 risque même une fausse confiance, en déclarant authentique une image qui passe ses tests périmés.
Des indices visuels gardent pourtant une valeur d’appoint, surtout sur les scènes complexes où les modèles se dispersent :
- Le texte dans l’image : panneaux, maillots, banderoles et drapeaux illisibles ou incohérents restent l’erreur la plus fréquente. Les fausses images de Maduro ont été trahies, entre autres, par leurs pancartes en charabia.
- Les scènes de foule : visages qui fondent en arrière-plan, membres surnuméraires (les fameux « soldats à trois mains » des fact-checks de janvier), objets mal raccordés.
- La physique de la lumière : ombres qui partent dans des directions contradictoires, reflets impossibles dans les vitres ou les yeux.
- Les détails anatomiques secondaires : oreilles, dents et orteils déraillent encore plus souvent que les mains.
- La cohérence factuelle : le faux joueur iranien viral de juin portait un maillot non conforme au kit officiel, dans le mauvais stade. Aucun générateur ne connaît ces détails, les supporters si.
Le vrai test de 2026 : la preuve dans les pixels
Le grand basculement s’est joué au printemps : les géants du secteur se sont ralliés à deux technologies de marquage complémentaires, et elles sont désormais vérifiables par tout le monde.
SynthID, le filigrane invisible de Google DeepMind, est glissé dans les pixels mêmes de l’image. Il survit au recadrage, à la compression et même aux captures d’écran, et plus de 100 milliards de contenus en sont marqués. Le geste pratique est d’une simplicité désarmante : envoie l’image dans l’app Gemini et demande « cette image a-t-elle été créée avec l’IA ? ». C’est exactement ainsi que plusieurs fausses images virales de la Coupe du monde ont été formellement confirmées comme générées. Fait notable, OpenAI a adopté SynthID en mai 2026 : les images ChatGPT portent désormais ce filigrane, en plus de leurs métadonnées.
Les Content Credentials (standard C2PA), eux, sont le « reçu » du fichier : des métadonnées signées cryptographiquement qui racontent l’origine de l’image (quel générateur, quel appareil photo, quelles retouches). Tu peux inspecter n’importe quelle image sur verify.contentauthenticity.org : on téléverse, l’outil affiche l’historique. Les images DALL-E/ChatGPT en portent depuis 2024, les appareils photo s’y mettent (Leica, Sony, Nikon, Canon pour la presse, et le Pixel 10 est le premier smartphone à signer nativement ses photos). Leur limite est symétrique de leur force : la plupart des réseaux sociaux effacent les métadonnées au passage, et une capture d’écran les supprime. Absence de credentials ne prouve donc rien ; leur présence, en revanche, dit beaucoup.
Ce basculement n’est pas un hasard de calendrier : le 2 août 2026, l’obligation européenne de marquage entre en application (article 50 de l’AI Act) : les fournisseurs d’IA générative devront marquer leurs contenus de façon détectable, sous peine d’amendes jusqu’à 15 millions d’euros ou 3 % du chiffre d’affaires mondial. Les labels que tu vois fleurir sur Instagram (« AI info »), TikTok et YouTube, qui étiquettent désormais automatiquement les contenus détectés, sont les retombées visibles de ce mouvement.
Les détecteurs automatiques : à consommer avec méfiance
Les sites qui promettent de trancher « IA ou pas » en un clic (Hive, AI or Not, WasItAI et compagnie) existent toujours, et leurs scores de laboratoire semblent flatteurs. Le problème est connu depuis le test fondateur de Bellingcat en 2023 et n’a pas changé : dès qu’une image a été compressée, recadrée ou capturée en screenshot, autrement dit dès qu’elle a vécu la vie normale d’une image virale, leur fiabilité s’effondre, parfois sous les 50 %. Ils flaguent aussi de vraies photos comme artificielles, ce qui alimente un phénomène tout aussi toxique : faire passer des images authentiques pour fausses.
La position des fact-checkers professionnels est unanime : aucun outil automatique ne donne de certitude, et leurs conclusions ne dépassent jamais le « probablement généré ». Utilise-les comme un indice parmi d’autres, jamais comme un verdict.
Le réflexe qui ne périme jamais : remonter à la source
Avant tout examen de pixels, pose les questions de bon sens : qui publie cette image, ce compte a-t-il un historique crédible, des médias fiables rapportent-ils l’événement ? Les fausses images prospèrent dans les vides informationnels : un événement annoncé sans images officielles (l’affaire Maduro en janvier est un cas d’école) est immédiatement comblé par des visuels générés.
Ensuite, la recherche d’image inversée : Google Lens (avec sa fonction « À propos de cette image », qui affiche l’historique d’indexation et les labels IA) ou TinEye retrouvent la première occurrence d’une image et ses versions antérieures. C’est ainsi qu’une photo virale du Premier ministre britannique en maillot de foot croate a été démontée en deux minutes : l’originale, avec un t-shirt blanc, datait de 2024. Un dernier signal d’alerte à connaître : une zone floue ou étrangement propre dans un coin de l’image, là où un filigrane visible aurait dû se trouver, trahit souvent un recadrage ou un effacement volontaire.
La méthode complète en cinq étapes
- Contexte d’abord : qui publie, l’événement est-il rapporté ailleurs, l’image est-elle « trop parfaite » pour son contexte ?
- Recherche inversée (Google Lens, TinEye) : première occurrence, versions antérieures, labels « À propos de cette image ».
- Vérification des marquages : demander à Gemini (filigrane SynthID) et inspecter les Content Credentials sur verify.contentauthenticity.org.
- Examen visuel en second rideau : texte dans l’image, foules, ombres, détails anatomiques secondaires, cohérence factuelle.
- Détecteur automatique en dernier, comme simple indice supplémentaire, jamais comme preuve.
Et souviens-toi que l’image n’est qu’un front parmi d’autres : les deepfakes vidéo et les voix clonées servent déjà des escroqueries bien rodées, et les générateurs qui produisent ces contenus sont ceux-là mêmes qu’on a passés en revue dans notre dossier sur les modèles de x.ai. Le scepticisme méthodique n’est plus une déformation professionnelle de journaliste : c’est une compétence de base.
Questions fréquentes
Une image sans filigrane ni métadonnées est-elle forcément authentique ?
Non, et c’est le piège inverse. Les générateurs open source ne marquent pas leurs sorties, et les métadonnées se perdent au premier partage. L’absence de marquage ne prouve rien dans un sens comme dans l’autre : c’est la convergence d’indices (source, recherche inversée, contexte, examen visuel) qui permet de conclure.
Les labels « AI info » d’Instagram ou TikTok sont-ils fiables ?
Ils sont utiles mais incomplets : ils reposent sur les métadonnées déclarées par les outils de génération et sur la détection des plateformes. Un contenu généré dont les métadonnées ont été effacées peut passer sans label, et quelques vraies photos retouchées se retrouvent étiquetées. Considère le label comme un signal fort quand il est présent, pas comme une garantie quand il est absent.
Que vaut l’obligation de marquage européenne si les fraudeurs l’ignorent ?
Elle ne vise pas les fraudeurs mais l’écosystème : en obligeant les grands générateurs à marquer leurs sorties, elle rend le contenu non marqué de plus en plus suspect par contraste, et elle arme les plateformes pour l’étiquetage automatique. Les escrocs utiliseront des outils non conformes, mais leur production perdra l’apparence de normalité qui fait aujourd’hui son efficacité.
Existe-t-il un outil unique qui fait toute la vérification ?
Pas encore. La combinaison la plus proche du « guichet unique » gratuit aujourd’hui : Google Lens pour la recherche inversée et l’historique, Gemini pour le filigrane SynthID, et l’inspecteur Content Credentials pour les métadonnées signées. Trois onglets, cinq minutes, et tu es mieux armé que 99 % des internautes.
