Des agents de programmation peuvent assembler des textes d’IA pour contourner les outils de détection

Dans un article publié le 25 septembre 2026, des chercheurs montrent qu’un agent de programmation peut assembler des textes issus d’un modèle de langage de base pour déjouer les systèmes de détection de contenus générés par l’IA. Fondé sur Claude Opus 5, l’agent tire jusqu’à 90 % de ses mots d’un modèle de 32 milliards de paramètres appelé OLMo‑2. Lors des tests, les réponses assemblées ont échappé à deux types de détecteurs : le taux de détection est tombé de 77 % à 24 % pour un outil rétrospectif populaire, et à environ 10 % pour un contrôle reposant sur un filigrane numérique.

Fonctionnement de la méthode

Les astuces employées jusque-là consistaient à réécrire plusieurs fois un texte généré par l’IA, ce qui en modifiait souvent le sens. Cette approche permet plutôt à l’agent de jouer le rôle d’un éditeur qui copie-colle des extraits. Il demande au modèle de base de produire de nombreux échantillons courts, puis sélectionne ceux qui correspondent le mieux à la tâche — rédaction créative, réponses factuelles, questions de santé ou suivi d’instructions. En assemblant ces extraits, il obtient un résultat final qui reste dans le sujet et se lit naturellement, tandis que le détecteur voit un mélange de petits fragments plutôt qu’un flux continu généré par l’IA.

Conséquences et coûts

La méthode fonctionne, mais elle coûte cher. Comme l’agent envoie et reçoit beaucoup plus de jetons — les unités de base du texte —, chaque requête peut coûter jusqu’à trente fois plus qu’un appel API classique. Les chercheurs préviennent que les services de détection devront s’entraîner sur ce type de textes assemblés s’ils veulent rester efficaces. Pour les utilisateurs du quotidien, cette découverte signifie que les outils qui prétendent repérer les contenus écrits par l’IA sont peut-être moins fiables qu’ils ne le prétendent.