Alors que les géants de l’IA cherchent à rendre leurs contenus plus facilement identifiables, des développeurs travaillent déjà dans la direction opposée. Un projet open source baptisé watermarks-remover promet de supprimer ou perturber plusieurs formes de marqueurs associés aux contenus générés par l’intelligence artificielle, depuis les métadonnées classiques jusqu’aux signatures statistiques intégrées au texte.
Derrière cet outil expérimental se dessine surtout un problème beaucoup plus vaste : la provenance des contenus générés par IA pourrait rapidement devenir un nouveau jeu du chat et de la souris.
Un outil conçu pour s’attaquer à plusieurs types de filigranes
Disponible sur GitHub, watermarks-remover ne se limite pas à rechercher un logo ou une mention « généré par IA ». Le projet distingue plusieurs catégories de signaux. Il peut notamment détecter ou supprimer certains caractères Unicode invisibles, nettoyer des informations intégrées aux fichiers et tenter de perturber des signatures statistiques présentes dans du texte généré.
Son champ d’action couvre de nombreux formats : PNG, JPEG, SVG, PDF, DOCX, ODT, HTML ou encore Markdown. Le nettoyage des fichiers peut notamment concerner des informations EXIF, XMP, certaines propriétés de documents ou des données de provenance telles que C2PA.
Mais, toutes ces techniques ne présentent pas le même niveau de difficulté.
Effacer une métadonnée est une chose, casser une signature statistique en est une autre
Une métadonnée est relativement simple à comprendre. Elle correspond à une information attachée au fichier, sans nécessairement modifier son contenu visible. Une signature statistique fonctionne différemment.
Certains mécanismes expérimentaux de watermarking peuvent exploiter les choix effectués par un modèle lors de la génération des mots. Pris individuellement, ces choix paraissent naturels. À grande échelle, leur distribution peut néanmoins former un motif statistique détectable.
Dans ce cas, supprimer la signature implique potentiellement de modifier le texte lui-même.
La version 0.3.1 de watermarks-remover adopte justement une approche plus poussée : elle peut retravailler le vocabulaire, les transitions et la construction des phrases afin de perturber les régularités statistiques susceptibles de servir de signature.
Le développeur affirme également avoir étendu la prise en charge de marqueurs associés à plusieurs grands écosystèmes d’IA.
Réécrire le texte introduit forcément un compromis
Cette approche possède toutefois une limite fondamentale : plus un texte doit être transformé, plus il risque de s’éloigner de l’original. Changer quelques synonymes est relativement anodin. Modifier l’ordre des propositions, les transitions, la syntaxe et le vocabulaire peut en revanche affecter le ton, la précision ou même certaines nuances.
La documentation du projet reconnaît cette faiblesse.
Autrement dit, il ne s’agit pas d’un bouton magique permettant de conserver un document parfaitement intact tout en faisant disparaître sa provenance. Pour certaines catégories de marqueurs, le prix de l’effacement peut être une altération du contenu lui-même.
Et cela ne signifie pas que les détecteurs d’IA deviennent inutiles
Le développeur ne prétend d’ailleurs pas pouvoir neutraliser systématiquement tous les systèmes de détection. Il présente la réécriture comme une approche best effort. Certains signaux peuvent subsister et rien ne garantit qu’un système propriétaire ne puisse toujours identifier le contenu.
Cette nuance est essentielle, car il n’existe pas un unique « filigrane IA » universel.
Les techniques peuvent varier considérablement : métadonnées, signatures cryptographiques de provenance, caractères particuliers, distributions statistiques ou mécanismes propres à un modèle. Supprimer une catégorie de signaux ne signifie donc pas nécessairement éliminer toutes les traces possibles.
Le projet affirme par ailleurs poursuivre des objectifs de recherche et de confidentialité, et non permettre de présenter frauduleusement un contenu généré par IA comme une création entièrement humaine.
C2PA illustre parfaitement les limites du watermarking
Le cas de C2PA est particulièrement intéressant. Contrairement à un watermark visuel traditionnel, C2PA cherche à établir une chaîne de provenance permettant notamment de documenter l’origine et les transformations d’un contenu numérique.
Supprimer certaines informations attachées à un fichier ne revient donc pas nécessairement à fabriquer une provenance authentique différente. Cela peut simplement casser ou faire disparaître une partie de cette chaîne.
La distinction sera déterminante pour les futures plateformes de vérification : l’absence d’une preuve d’origine n’est pas une preuve d’origine humaine. C’est probablement l’un des principes autour desquels devront évoluer les systèmes de confiance numérique.
La provenance de l’IA entre dans une course aux armements
L’existence même de watermarks-remover est finalement plus intéressante que ses performances actuelles. Les entreprises spécialisées dans l’IA cherchent à développer des systèmes capables d’indiquer qu’une image, un texte ou un document provient d’un modèle génératif. En parallèle, des outils apparaissent pour étudier, modifier ou supprimer ces signaux.
Chaque mécanisme de détection crée donc une incitation à développer une méthode de contournement. Et chaque méthode de contournement pousse potentiellement les fournisseurs à construire une signature plus résistante.
Le phénomène rappelle les longues batailles entre DRM et outils de contournement, antispam et spammeurs ou encore antivirus et logiciels malveillants : une défense statique fonctionne rarement éternellement face à un adversaire capable d’adapter son comportement.
Le véritable enjeu dépasse largement la détection de ChatGPT
À terme, la question pourrait d’ailleurs ne plus être : « Peut-on détecter que ce texte a été écrit par une IA ? ». Avec des modèles capables d’imiter différents styles et des outils capables de réécrire automatiquement leurs productions, attribuer un texte uniquement à partir de ses caractéristiques statistiques deviendra probablement de plus en plus délicat.
L’industrie pourrait alors devoir déplacer son attention de la détection du contenu artificiel vers la preuve vérifiable de provenance.
C’est une différence fondamentale. Plutôt que d’essayer de deviner après coup si un document vient d’une IA, il s’agirait de construire une chaîne de confiance permettant de démontrer comment et avec quels outils il a été créé ou modifié.
watermarks-remover reste aujourd’hui un projet expérimental dont l’efficacité dépend fortement du type de marqueur rencontré. Mais son apparition révèle déjà la prochaine bataille de l’IA générative : après avoir appris à créer du contenu presque impossible à distinguer du contenu humain, l’industrie doit maintenant déterminer comment prouver d’où vient ce que nous regardons, lisons et partageons.
