Détecter une image générée par IA : 7 indices visuels et 3 vérifications qui ne trompent pas

Une photo de réunion trop parfaite dans une proposition commerciale, un portrait de « client satisfait » sur un site, une image d’actualité qui circule sur LinkedIn : savoir si une image sort d’un générateur est devenu une compétence de travail, pour les formateurs qui vérifient leurs sources, les équipes communication qui contrôlent ce qu’elles publient et les acheteurs qui reçoivent des dossiers. La mauvaise nouvelle, c’est que l’œil ne suffit plus : une étude menée en 2025 sur plus de 12 500 participants et 287 000 évaluations donne un taux de réussite de 62 %, à peine mieux que le hasard. La bonne nouvelle, c’est qu’il existe des indices visuels qui restent utiles et, surtout, des vérifications techniques qui ne dépendent pas de l’œil. Cet article donne les sept indices à regarder, les trois vérifications à faire, et la méthode pour les enchaîner.

Cet article fait partie de notre guide complet des générateurs d’images IA : savoir détecter, c’est aussi comprendre comment ces images sont produites.

Réponse courte : comment savoir si une image est générée par IA ? Regardez d’abord les zones que les générateurs ratent encore : mains et doigts, textes et enseignes, accessoires symétriques, objets qui fusionnent en arrière-plan, ombres et reflets, textures trop lisses, motifs répétés. Puis vérifiez ce que l’œil ne voit pas : les métadonnées de provenance (Content Credentials, filigrane SynthID) avec un outil de vérification, l’origine du fichier par recherche d’image inversée, et le contexte de publication. Aucun indice visuel n’est une preuve ; l’absence de métadonnées non plus. C’est le faisceau qui compte.

En bref

• L’œil humain réussit à 62 % selon une étude de 2025 sur 287 000 évaluations ; les portraits sont mieux repérés que les paysages et les scènes urbaines.
• Sept indices visuels restent utiles en 2026, à condition de regarder les zones secondaires de l’image plutôt que le sujet principal.
• Trois vérifications techniques valent plus que l’œil : métadonnées de provenance, recherche inversée, analyse du contexte.
• Les grands générateurs signent désormais leurs images : filigrane SynthID (Google, OpenAI, ElevenLabs), Content Credentials (Adobe, OpenAI, Pixel 10), vérifiables dans l’application Gemini, sur openai.com/verify ou sur le site de la Content Authenticity Initiative.
• L’AI Act impose ce marquage aux fournisseurs depuis le 2 août 2026, avec un délai au 2 décembre 2026 pour les systèmes antérieurs.
• Pour former vos équipes à produire et vérifier des visuels IA, notre formation à l’IA générative appliquée aux contenus visuels intègre ces réflexes.

Pourquoi c’est devenu difficile

Les générateurs d’images de 2026 ne font plus les erreurs grossières de 2023. Les mains à six doigts, les visages fondus et les textes en charabia ont presque disparu du sujet principal ; ils subsistent dans les zones où le modèle ne concentre pas son attention. Une étude publiée en mai 2025 sur la plateforme arXiv, portant sur environ 287 000 évaluations d’images par plus de 12 500 participants, mesure un taux de réussite global de 62 % pour distinguer les images réelles des images générées, avec de meilleurs résultats sur les portraits et de nettes difficultés sur les paysages naturels et urbains (étude, arXiv). Autrement dit, sans méthode, une personne se trompe près de quatre fois sur dix.

Deux conséquences pour le travail. D’abord, les indices visuels servent à lever un doute, pas à conclure : ils orientent vers une vérification, ils ne la remplacent pas. Ensuite, la vérification technique, longtemps réservée aux spécialistes, est devenue accessible : les principaux éditeurs signent leurs images, et les outils pour lire ces signatures sont gratuits.

Les 7 indices visuels à examiner

Le principe commun : les générateurs soignent ce que le prompt décrit et improvisent le reste. Regardez donc les bords, l’arrière-plan, les objets secondaires, et agrandissez l’image avant de juger.

1. Les mains et les doigts

L’indice classique, moins fréquent qu’avant mais toujours présent chez les personnages secondaires et dans les mains partiellement cachées : doigts en trop ou en moins, phalanges qui se plient dans le mauvais sens, main qui tient un objet sans le toucher, deux mains gauches. Regardez aussi les mains des personnes floues à l’arrière-plan, que le modèle traite avec moins de soin.

2. Les textes, enseignes et étiquettes

Les meilleurs générateurs écrivent désormais un titre lisible quand on le leur demande. Mais les textes que personne n’a demandés, ceux des enseignes, des écrans, des badges, des dos de livres, des étiquettes de bouteilles, restent souvent des suites de lettres plausibles qui ne forment aucun mot, ou des mots avec une lettre déformée. Une salle de formation générée aura un tableau couvert de pseudo-écriture.

3. Les accessoires symétriques

Le modèle construit chaque côté d’un visage ou d’un vêtement séparément. Deux boucles d’oreilles différentes, des branches de lunettes qui ne se rejoignent pas, une rangée de boutons qui change de style à mi-chemin, un col asymétrique sans raison, une montre dont le cadran n’a pas de logique : ces incohérences trahissent une image construite sans objet réel derrière.

4. Les objets d’arrière-plan qui fusionnent

C’est l’indice le plus fiable en 2026. En arrière-plan, une chaise se fond dans une table, un câble se transforme en tige de plante, une fenêtre donne sur un mur, un escalier ne mène nulle part, une bibliothèque a des étagères qui se croisent. Le modèle remplit l’espace avec des formes vraisemblables de loin et impossibles de près. Agrandissez les coins de l’image : c’est là que ça se voit.

5. Les ombres, les reflets et la lumière

Une ombre portée qui ne correspond pas à la source de lumière, deux personnes éclairées de directions opposées, un miroir ou une vitre qui reflète autre chose que la scène, des lunettes qui ne reflètent rien alors que la fenêtre est en face, un plan d’eau sans reflet cohérent. Les générateurs traitent la lumière comme une ambiance, pas comme une physique.

6. Les textures trop lisses

Une peau sans pore ni imperfection, des cheveux qui forment une masse sans mèche isolée, un tissu sans couture, un bois sans veine, un mur sans défaut : le rendu « aérographe » est la signature de beaucoup de modèles, surtout sur les portraits de stock. À l’inverse, certains modèles ajoutent un grain artificiel uniforme pour imiter la photo ; un grain identique sur les zones nettes et floues est aussi un indice.

7. Les motifs et les visages répétés

Une foule dont plusieurs visages se ressemblent, un public de conférence où trois personnes portent la même veste, un carrelage dont le motif se répète sans variation, une rangée de fenêtres identiques jusqu’au reflet : le modèle réutilise ce qu’il a déjà dessiné. Un vrai lieu, une vraie foule, ont du désordre.

Ce que ces indices ne disent pas. Une image peut n’en présenter aucun et être générée, en particulier un portrait serré ou un objet sur fond uni, où il n’y a ni arrière-plan ni texte à examiner. Et une vraie photo retouchée peut en présenter plusieurs. Les indices ouvrent l’enquête ; les vérifications qui suivent la ferment.

Les indices d’hier qui ne fonctionnent plus

Beaucoup de guides en ligne datent de 2023 et décrivent des défauts que les modèles actuels ont corrigés. Les connaître évite deux erreurs : conclure trop vite qu’une image est réelle parce qu’elle n’a « pas six doigts », et perdre du temps sur des zones que les générateurs maîtrisent désormais.

Les mains à six doigts sur le sujet principal. Corrigées dans la plupart des cas depuis 2024 ; le défaut subsiste sur les personnages secondaires et les mains partiellement cachées, d’où la formulation de l’indice 1.

Les yeux et les dents. Les pupilles asymétriques, les reflets absents dans les yeux, les dentitions irrégulières étaient des marqueurs fiables ; les portraits générés en 2026 les ont presque éliminés. Un regard parfait n’est plus un indice, et un regard imparfait non plus.

Le texte illisible partout. Les modèles récents écrivent correctement un titre demandé ; seul le texte non demandé, en arrière-plan, reste révélateur.

Le rendu « peinture » ou « plastique ». Il caractérisait les premières versions ; les modèles photo actuels produisent un grain et un flou de profondeur convaincants. La texture reste un indice, mais au niveau des pores, des mèches et des coutures, pas de l’aspect général.

La signature visible. Certains outils apposaient un logo ou un filigrane visible dans un coin ; presque tous l’ont abandonné au profit du marquage invisible et des métadonnées, précisément parce qu’un filigrane visible se recadre en une seconde.

La leçon : un guide de détection se périme en un an. La partie visuelle de cet article devra être revue à chaque génération de modèles ; la partie technique, elle, gagne en fiabilité avec le temps.

Et pour les vidéos et les sons ?

La même logique s’applique, avec des outils qui commencent à suivre. L’application Gemini vérifie aussi les vidéos de moins de 90 secondes et les fichiers audio de moins d’une heure, dans la limite de 100 Mo et d’environ dix vérifications par jour pour chaque type, avec les mêmes deux signaux : le filigrane SynthID pour les contenus produits par les outils de Google, et les Content Credentials quand le fichier en contient (aide Gemini). Google étend aussi les Content Credentials à la vidéo sur les Pixel 8, 9 et 10, et ElevenLabs a adopté SynthID pour l’audio.

Pour une vidéo, les indices visuels se déplacent : cohérence d’un plan à l’autre (un vêtement qui change de couleur, un objet qui disparaît), synchronisation des lèvres et de la voix, mouvements de mains et de cheveux, physique des liquides et des tissus, arrière-plans qui se déforment quand la caméra bouge. Pour un son, ce sont les respirations, les hésitations, les bruits de bouche, absents ou trop réguliers dans une voix synthétique. Notre cluster consacré à la génération vidéo et notre cluster sur l’audio traitent la production de ces contenus ; les réflexes de vérification restent ceux décrits ici, contexte et provenance d’abord.

Les 3 vérifications qui ne dépendent pas de l’œil

Vérification 1 : les métadonnées de provenance

Depuis deux ans, les principaux éditeurs signent leurs images de deux façons complémentaires.

Les Content Credentials, fondés sur la norme C2PA, sont des métadonnées signées, attachées au fichier, qui décrivent son origine et son historique : quel outil l’a produit, si l’IA a été utilisée, quelles modifications ont suivi. Adobe les ajoute aux images Firefly, OpenAI aux images de ChatGPT, et le Pixel 10 de Google les inscrit dès la prise de vue. Le site de vérification de la Content Authenticity Initiative (verify.contentauthenticity.org) lit ces métadonnées à partir d’un simple glisser-déposer.

Le filigrane SynthID, développé par Google DeepMind, est invisible et inscrit dans les pixels eux-mêmes, ce qui lui permet de résister à une recompression ou à un recadrage. Google annonçait le 19 mai 2026 avoir marqué plus de 100 milliards d’images et de vidéos, et l’adoption du filigrane par OpenAI, Kakao et ElevenLabs (annonce Google). Pour le lire, l’application Gemini accepte une image jusqu’à 100 Mo et répond à la question « cette image a-t-elle été créée ou modifiée par une IA de Google ? », avec un quota d’environ dix vérifications d’images par jour ; elle affiche aussi un résumé des Content Credentials si le fichier en contient (aide Gemini). La même vérification arrive dans Google Search et dans Chrome. Côté OpenAI, la page openai.com/verify détecte les images produites par ChatGPT, Codex et l’API, que notre guide de ChatGPT Images décrit.

Ce que ces signaux prouvent. Une signature présente prouve l’origine : l’image vient bien d’un outil d’IA, ou d’un appareil photo. Une signature absente ne prouve rien : le fichier peut avoir été produit par un outil qui ne signe pas, ou par un modèle installé en local, ou les métadonnées ont pu être retirées par une capture d’écran ou un export. Les Content Credentials disparaissent facilement ; le filigrane SynthID résiste mieux, mais ne concerne que les outils qui l’utilisent.

Vérification 2 : la recherche d’image inversée

Google Lens, TinEye ou la recherche par image de Bing retrouvent les autres apparitions d’une image sur le web. Trois résultats possibles : l’image existe depuis des années sur un site d’agence ou d’actualité, c’est une vraie photo, éventuellement détournée ; l’image apparaît d’abord sur une galerie de générateur, un compte qui publie des visuels IA ou une banque d’images synthétiques, c’est une image générée ; l’image n’apparaît nulle part, ce qui ne prouve rien mais renforce le doute pour une prétendue photo d’événement public. Pour une image de presse ou d’actualité, cette recherche est la première chose à faire, avant même les indices visuels.

Vérification 3 : le contexte

Qui publie l’image, où, avec quelle légende, quelle date, quelle source ? Une photo d’équipe sans nom, sans lieu et sans date sur un site qui n’a jamais publié de photo d’équipe ; un « témoignage client » avec un visage parfait et une entreprise introuvable ; une image d’actualité que les médias de référence ne reprennent pas ; un dossier de candidature où toutes les photos ont le même rendu. Le contexte fait souvent plus que l’image elle-même. Et depuis le 2 août 2026, l’article 50 de l’AI Act impose aux organisations qui publient des images réalistes générées par IA de le signaler (Iones, obligations d’août 2026) : l’absence de mention sur une image manifestement générée en dit long sur la rigueur de l’émetteur.

Les détecteurs automatiques : utiles, jamais suffisants

Des services en ligne annoncent un « score de probabilité IA » à partir de l’analyse des pixels. Ils repèrent les signatures statistiques des modèles connus et se trompent de deux façons : ils manquent les images des modèles récents ou modifiées après génération, et ils accusent à tort des vraies photos très retouchées ou fortement compressées. Utilisez-les comme un indice de plus, jamais comme un verdict, et ne vous en servez jamais pour accuser quelqu’un. Google a lancé le 19 mai 2026 une API de détection de contenus synthétiques sur sa plateforme cloud, destinée aux organisations, qui couvre ses modèles et ceux de concurrents : c’est le signe que la détection devient une brique d’infrastructure, pas un test que l’on fait à l’œil.

La méthode en quatre temps

L’ordre compte : commencez par ce qui est rapide et sûr (le contexte, la recherche inversée), poursuivez par les métadonnées, et gardez l’examen visuel pour les cas où le doute persiste. Dans un service communication, cette méthode tient en une fiche d’une page, affichée à côté de la charte, et s’applique dans les deux sens : aux images reçues, et aux images que l’équipe s’apprête à publier, pour vérifier que la mention IA est bien là quand elle est due.

Trois situations de travail

Un formateur qui illustre un support. Une image trouvée sur le web, présentée comme une photo d’atelier réel : recherche inversée d’abord. Si elle vient d’une galerie de générateur, elle peut servir, mais comme illustration signalée, pas comme document.

Une équipe communication qui reçoit un visuel d’un prestataire. Demandez le fichier d’origine, pas une capture ; passez-le au vérificateur de Content Credentials ; si l’image est réaliste et générée, la mention IA est obligatoire à la publication, et la responsabilité est celle de l’organisation qui publie, comme l’explique notre article sur les droits d’auteur des images IA.

Un acheteur ou un recruteur qui reçoit un dossier. Des photos de réalisations ou de locaux au rendu uniforme, sans métadonnées d’appareil photo, sans apparition ailleurs sur le web : demandez d’autres vues, ou une visite. Une image générée n’est pas une faute en soi ; une image générée présentée comme une preuve, si.

La fiche d’une page pour l’équipe

Voici ce que nous faisons afficher dans les services communication et les équipes de formation qui ont suivi l’atelier. Elle tient sur une page et s’applique à toute image reçue avant réutilisation, et à toute image générée avant publication.

Avant de réutiliser une image reçue

1. D’où vient-elle : qui l’a publiée, où, avec quelle légende, quelle date ? Une mention IA est-elle présente ?
2. Recherche inversée : première apparition connue ? Site d’agence, média, galerie de générateur ?
3. Fichier d’origine récupéré (pas une capture) et passé au vérificateur de Content Credentials, ou à Gemini pour SynthID.
4. Si le doute persiste : agrandissement, bords, arrière-plan, les sept zones.
5. Décision notée : réelle, générée, indéterminée. Une image indéterminée ne sert pas de preuve.

Avant de publier une image générée

1. L’image est-elle réaliste au point d’être prise pour une photo ? Si oui, mention « image générée par IA » en légende.
2. Les métadonnées de provenance sont-elles conservées à l’export ? Si l’outil en produit, ne pas les retirer.
3. Aucun visage identifiable, aucune marque, aucun personnage protégé.
4. Le fichier source et le prompt sont archivés avec la date et l’outil.

Deux règles de comportement complètent la fiche. On ne publie pas une accusation de « fausse image » sur la seule foi d’un détecteur automatique ou d’un indice visuel ; on demande le fichier d’origine et on vérifie. Et on applique à ses propres images la rigueur que l’on attend des autres : c’est ce que l’article 50 de l’AI Act exige, et c’est ce qui rend crédible.

Se former à voir, et à produire correctement

Détecter et produire sont les deux faces d’une même compétence : qui sait comment un générateur construit une image sait où il la rate, et qui sait ce qu’exige l’AI Act signale ses propres images sans qu’on le lui demande. L’article 4 de l’AI Act, dans sa version modifiée par le règlement Omnibus en vigueur depuis le 27 juillet 2026, demande d’ailleurs aux organisations qui utilisent l’IA de prendre des mesures pour développer la maîtrise de ces outils par leur personnel. Notre atelier de vérification et de production de visuels IA pour les équipes communication et formation fait travailler les deux, sur des images réelles et générées.

L’œil ouvre l’enquête, la méthode la ferme

Les sept indices visuels de cet article resteront utiles quelques années encore, mais ils reculent à chaque nouvelle version des modèles. Ce qui progresse en sens inverse, c’est la provenance : des filigranes présents dans des centaines de milliards d’images, des métadonnées signées dès l’appareil photo, des outils de vérification gratuits dans les applications que tout le monde utilise, et une obligation réglementaire qui pousse les éditeurs à signer. La compétence à installer dans une équipe n’est donc pas de deviner, mais de vérifier, dans un ordre fixe et en quelques minutes. Pour donner ce réflexe à vos équipes, et celui de signaler leurs propres images, notre parcours IA générative pour la création et la vérification de contenus visuels travaille sur vos cas réels.