ChatGPT et Codex : comprendre le filigrane des textes annoncé par OpenAI

OpenAI annonce le 5 octobre 2026 un déploiement progressif de textGrain. Ce filigrane invisible vise les textes éligibles de ChatGPT et Codex dans l’Union européenne au cours des prochaines semaines. Les clients API peuvent déjà l’activer sur certains modèles partout dans le monde. Il reste désactivé par défaut dans l’API. Le détecteur demande un accès agréé. Cette annonce ne signifie donc pas que chacun peut vérifier immédiatement tous les textes.

Une empreinte dans les choix de mots

La documentation d’OpenAI décrit un mécanisme statistique. Pendant la génération, textGrain ajuste les probabilités de certains mots ou fragments de mots. Le détecteur cherche ensuite le motif correspondant. Le système n’ajoute ni caractères cachés ni espaces invisibles. Un copier-coller peut conserver le signal lorsque la formulation reste identique. Une traduction ou une réécriture importante peut l’affaiblir. Les passages courts et le code offrent moins de choix linguistiques et se détectent plus difficilement.

Comprendre la différence avec un détecteur généraliste

Le dispositif recherche une marque introduite pendant la génération. Un classificateur généraliste analyse plutôt le style du texte après sa rédaction. Ces démarches ne répondent pas exactement à la même question. Dans un cas pratique de formation, comparer leurs résultats sans expliquer cette différence donnerait une impression trompeuse de consensus. Un résultat peut concerner une origine technique. Un autre peut seulement reconnaître des ressemblances de formulation.

Le signal ne remplace pas la vérification

OpenAI précise les limites de la détection. Un filigrane ne mesure ni la contribution humaine ni la véracité du texte. Il ne révèle pas le compte ou la conversation. Des erreurs de détection restent possibles. Un signal absent ne prouve pas une rédaction humaine. Les évaluations présentées viennent de l’éditeur et ne constituent pas une garantie pour tous les usages.

Éviter les décisions fondées sur un seul indicateur

Imaginons un manager qui reçoit une synthèse rédigée avec une assistance autorisée. Le document contient des informations vérifiées et une analyse originale. Une empreinte technique ne permettrait pas de juger la qualité de ce travail. À l’inverse, un document sans signal pourrait contenir une erreur importante. La bonne question reste celle de la méthode : quelles sources ont été utilisées et qui a contrôlé les conclusions ?

Cette distinction compte aussi pour les formations. Un formateur peut demander aux participants de rendre visibles leurs étapes de raisonnement et leurs vérifications. Il peut comparer un brouillon avec sa version corrigée. Il évalue alors une compétence observable plutôt qu’un score de détection isolé. Ce scénario pédagogique représente une proposition de méthode et non un test réalisé sur textGrain.

Le cadre européen distingue marquage et information du public

La Commission européenne indique que les obligations de transparence de l’article 50 s’appliquent depuis le 2 août 2026. Le code de bonnes pratiques reste un outil volontaire pour démontrer la conformité. Il distingue le marquage technique des fournisseurs et certaines obligations d’information des utilisateurs professionnels. Le filigrane ne remplace donc pas automatiquement une mention visible. Les situations concernées doivent être appréciées dans leur contexte.

Distinguer capacité technique et procédure interne

Une entreprise peut commencer par inventorier ses usages de rédaction. Un assistant produit-il des messages internes ou des contenus publiés ? Une personne vérifie-t-elle chaque document avant diffusion ? Qui assume la responsabilité éditoriale ? Ces réponses aident à définir une procédure adaptée. Elles évitent de présenter un réglage technique comme une validation globale de conformité.

Trois décisions concrètes pour les équipes

La documentation de provenance sépare les outils de vérification selon les médias. La vérification publique des images et de l’audio ne donne pas un accès universel au détecteur de texte. Il faut vérifier le périmètre réel de l’outil utilisé avant d’intégrer un contrôle à un processus métier.

Première décision : définir ce que l’équipe veut vérifier. L’origine d’un document et l’exactitude d’une affirmation exigent des contrôles différents. Une fiche de validation peut consigner les sources et les corrections humaines. Elle ne doit pas réduire la qualité à la présence ou à l’absence d’une empreinte.

Deuxième décision : conserver les versions utiles. Un brouillon et un document final permettent de comprendre les transformations apportées. Cette traçabilité explicite reste exploitable sans détecteur agréé. Elle doit respecter les règles internes de conservation et de confidentialité.

Troisième décision : prévoir une revue humaine des cas ambigus. Une suspicion appelle un examen du contexte et de la méthode. Elle ne justifie pas une accusation automatique. Former les équipes à interpréter ces signaux peut éviter des conclusions hâtives tout en améliorant leurs pratiques de publication.

Pour approfondir la question des contrôles, lisez notre article sur les limites à imposer aux agents GPT-6 Astra.

David LACOUR accompagne les équipes dans la compréhension des outils d’IA générative. Une formation peut aider à distinguer une information sur l’origine d’un texte de sa validation professionnelle. Échangez sur votre projet de formation.