GPTZero vérifie si un texte a été rédigé par ChatGPT, Claude, Gemini ou un autre modèle, met en évidence le résultat phrase par phrase et rejoue le processus d'écriture d'un document Google, afin de juger sur un faisceau d'indices plutôt que sur un score isolé.
Vous avez utilisé cet outil ? Notez-le
Vous avez utilisé cet outil ? Notez-le
GPTZero est un outil de détection conçu pour déterminer si un texte a été rédigé par un grand modèle de langage. Le site officiel se présente comme un détecteur d'IA créé pour préserver ce qui relève de l'humain. La question semble simple : ce texte a-t-il été écrit par une personne ou par une machine ? Mais cette question n'admet pas de réponse tranchée. Ce qu'un détecteur produit est toujours un jugement probabiliste, jamais une expertise définitive. Accepter ce point est le préalable à tout usage raisonnable de ce type d'outil.
Cette présentation s'adresse à celles et ceux qui doivent décider une fois le score affiché : l'enseignant devant une copie signalée, le rédacteur en chef qui hésite à publier un texte commandé, le recruteur qui lit une lettre de motivation, et l'étudiant qui cherche à prouver qu'il a bien écrit son devoir.
GPTZero est un détecteur de texte généré par IA accessible depuis un navigateur. Vous collez un texte ou déposez un fichier, et l'outil renvoie une probabilité que le contenu ait été produit par une machine, accompagnée d'un surlignage indiquant quels passages ont motivé cette conclusion. Lancé début 2023, au moment précis où les établissements cherchaient une réponse à l'irruption des assistants conversationnels, il est rapidement devenu l'un des noms les plus connus de sa catégorie.
Le site indique explicitement détecter des contenus produits par les principaux modèles du marché, ce qui signifie que la cible n'est pas un fournisseur unique mais l'ensemble de l'écosystème commercial dominant. Ce point compte davantage qu'il n'y paraît. Les premiers détecteurs étaient souvent calibrés sur une seule famille de modèles, et leur précision s'effondrait dès que l'utilisateur changeait d'assistant. Maintenir une couverture qui traverse plusieurs familles concurrentes relève de la maintenance continue et non d'une prouesse d'ingénierie accomplie une fois pour toutes, car chaque sortie de modèle déplace l'empreinte statistique que le détecteur cherche à reconnaître.
Le produit est né d'un projet universitaire. Il a été créé par Edward Tian, diplômé de Princeton, à partir d'un travail de fin d'études, avant de devenir une entreprise ayant levé un tour d'amorçage de 3,5 millions de dollars puis une série A de 10 millions de dollars en juin 2024. Cette trajectoire est inhabituelle dans ce segment et explique en partie pourquoi l'outil offre davantage de finition et de profondeur d'intégration que la plupart des détecteurs gratuits apparus à la même période.
En juin 2026, l'entreprise Superhuman a annoncé l'acquisition de GPTZero, sans que les conditions financières soient divulguées ; la presse évoquait alors plus de 19 millions d'utilisateurs enregistrés et environ 30 millions de dollars de revenus récurrents annuels. Au moment de la rédaction de cette page, le service continue de fonctionner sous son propre domaine, avec ses pages produit, son parcours tarifaire et sa documentation intacts : l'opération s'apparente donc pour l'instant à un changement de propriétaire et non à un arrêt de service. Une institution qui planifie un déploiement pluriannuel gardera néanmoins un œil sur l'évolution du positionnement au sein du nouveau groupe.
Formulons-le honnêtement : GPTZero ne résout pas le problème consistant à « attraper les tricheurs ». Il traite une question plus étroite : faire apparaître qu'un texte présente des caractéristiques statistiquement proches d'une production automatique, et fournir à la personne qui examine un faisceau d'indices structuré. Savoir si cet indice doit modifier une décision relève du jugement humain, et l'éditeur lui-même le dit sans ambiguïté.
La sortie principale associe une probabilité globale à une vue surlignée du texte. En interne, le produit repose sur une approche d'apprentissage profond de bout en bout, entraînée sur des corpus issus du web, du monde éducatif et de plusieurs grands modèles, et il restitue une classification phrase par phrase plutôt qu'un verdict opaque. L'intérêt pratique de cette granularité est réel : la personne qui relit distingue un document signalé de manière homogène d'un document où seules deux ou trois phrases ont déclenché l'alerte. Ce sont deux situations très différentes qu'un pourcentage unique écrase en un seul chiffre.
L'éditeur mentionne également le recours à des modèles de Markov cachés pour alimenter le surlignage au niveau de la phrase, ainsi qu'un module destiné à résister à la tactique d'évitement la plus répandue, qui consiste à faire passer une production automatique dans un outil de reformulation avant de la rendre. La résistance à la reformulation demeure l'un des problèmes les plus ardus du domaine et doit être comprise comme une course permanente plutôt que comme une fonctionnalité achevée.
L'élément vraiment différenciant n'est pas le détecteur lui-même. Le rapport d'écriture adopte une démarche entièrement distincte : il rejoue la manière dont un document Google a été effectivement rédigé, en faisant apparaître une chronologie de l'activité, les plus grands collages et la durée moyenne des révisions, le tout exportable en PDF. Au lieu d'analyser le texte fini pour remonter à son origine, il observe le processus qui l'a produit.
Cette inversion de la logique probatoire mérite qu'on s'y arrête. Un score de détection demande si un texte ressemble à une production machine, et ne peut jamais répondre autrement qu'en probabilité. Un rejeu d'écriture demande si une personne a tapé ce document dans la durée, avec les faux départs et les reprises qu'implique toute rédaction réelle, et produit quelque chose de bien plus proche d'une preuve directe. Pour un étudiant soucieux de se prémunir contre une accusation infondée, le rejeu est infiniment plus utile qu'un score, car il constitue une preuve positive de paternité plutôt qu'une absence de soupçon. La contrainte décisive tient à son périmètre : il ne fonctionne que dans les documents Google, et doit donc être activé avant la rédaction, jamais après l'accusation.
Autour du détecteur principal gravitent un détecteur d'hallucinations, un contrôle de plagiat, un correcteur grammatical et une analyse d'images, ainsi qu'une intégration directe avec les environnements pédagogiques les plus répandus. Le détecteur d'hallucinations mérite l'attention des rédactions : dans de nombreux contextes professionnels, le risque réel d'une rédaction assistée n'est pas qu'une machine ait écrit la phrase, mais que cette phrase contienne une affirmation énoncée avec aplomb et pourtant fausse. Vérifier la solidité des affirmations et des références est souvent plus utile que vérifier l'identité de l'auteur.
Pour qui traite du volume plutôt que des documents isolés, le dépôt par lot et le tableau de bord de classe transforment un outil unitaire en véritable flux de travail. Sur les plateformes comparatives, les utilisateurs citent régulièrement le traitement par lot et le tableau de bord comme les raisons pour lesquelles ils lui préfèrent des plateformes institutionnelles plus lourdes, à quoi s'ajoute le détail phrase par phrase qui facilite l'interprétation.
C'est l'usage dominant et le plus délicat. Un enseignant reçoit un devoir qui sonne étrangement, le soumet à un détecteur et obtient un chiffre. Ce qui suit détermine si l'outil a servi ou nui. Employé pour ouvrir une conversation, demander à l'élève d'exposer son raisonnement ou de montrer ses brouillons, il apporte une valeur réelle. Employé comme un verdict automatique déclenchant une procédure disciplinaire, il produit exactement les injustices documentées plus loin.
Les éditeurs qui commandent des textes à des indépendants ont souvent besoin de savoir ce qu'ils achètent, en particulier lorsque le contrat exige une écriture humaine originale. La question relève ici du contrat et non de la discipline : un texte signalé conduit à un échange avec l'auteur plutôt qu'à une accusation formelle, ce qui rend l'outil nettement moins risqué qu'en classe.
Lettres de motivation et exercices écrits mobilisent de plus en plus l'IA, et certains employeurs veulent le savoir. Cet usage appelle une prudence particulière : les viviers de candidats sont fréquemment internationaux, et le biais documenté à l'encontre des personnes non anglophones signifie qu'une présélection pilotée par la détection risque d'écarter systématiquement celles et ceux qui ont le moins de moyens de contester.
Les équipes qui pilotent de grandes chaînes de production utilisent la détection comme filtre qualité, pour vérifier que les livrables externalisés correspondent à la commande. Comme il s'agit de prestataires commerciaux et non de personnes menacées d'une sanction académique, le coût d'un faux positif se limite à une renégociation.
De plus en plus d'étudiants et d'auteurs contrôlent préventivement leur propre texte, pour savoir s'il sera signalé avant que quelqu'un d'autre ne le teste. C'est une réaction rationnelle dans un environnement où la charge de la preuve pèse sur la personne accusée, et c'est aussi une situation absurde, puisque des auteurs honnêtes en viennent à retoucher leur style pour ne pas ressembler à une machine.
Ne jamais confondre un pourcentage avec une preuve. L'éditeur lui-même demande de traiter un résultat comme le point de départ d'une conversation et non comme un verdict final. Lorsque le fournisseur se montre plus prudent à l'égard de son propre produit que l'institution qui le déploie, c'est le déploiement qui pose problème.
Privilégier la preuve par le processus. Si vous pouvez encourager la rédaction dans un environnement conservant l'historique des versions, vous passez de l'inférence probabiliste à la trace observable, fondation nettement plus solide pour toute décision à conséquences.
Définir la politique avant d'installer l'outil. Décidez à l'avance quel score déclenche quelle action, qui procède au réexamen et comment un auteur peut contester. Les institutions qui adoptent la détection sans voie de recours découvrent la lacune au moment où quelqu'un en subit les conséquences.
Étalonner sur sa propre population. Faites passer, avant tout déploiement, des textes dont l'origine humaine est certaine et qui proviennent de votre public réel. Si vos étudiants sont majoritairement plurilingues, c'est votre propre taux de faux positifs qu'il vous faut connaître, et non un chiffre issu d'une population différente.
Être transparent envers les personnes évaluées. Annoncer l'usage de la détection et la manière dont les résultats seront interprétés réduit le sentiment de surveillance et permet à chacun de conserver ses propres éléments de preuve.
Retester après chaque sortie majeure de modèle. La performance de détection n'est pas figée. Lorsqu'un nouveau modèle important paraît, des hypothèses jusque-là valides peuvent cesser de l'être.
Les enseignants et personnels pédagogiques qui souhaitent un signal sur l'authenticité d'un devoir et, plus utilement encore, un moyen d'observer comment ce devoir a été produit. L'outil convient surtout là où l'établissement a défini ce qu'un signalement implique.
Les rédacteurs et responsables de contenus qui vérifient la conformité d'un texte commandé aux attentes contractuelles, un signalement ouvrant une discussion avec le prestataire plutôt qu'un dossier disciplinaire.
Les étudiants et les auteurs désireux de démontrer la paternité de leur travail. Pour eux, le produit utile est le rejeu d'écriture, le détecteur devenant presque secondaire.
Les équipes techniques qui intègrent la détection dans une place de marché, un système de soumission ou une chaîne éditoriale, la non-conservation par défaut des contenus soumis via l'API constituant un avantage tangible.
Qui devrait y réfléchir à deux fois : quiconque a besoin de certitude. Si votre procédure réclame une preuve et non un indice, aucun détecteur du marché ne peut la fournir, et en adopter un risque simplement de conférer une autorité factice à une décision insuffisamment étayée.
GPTZero fonctionne d'abord dans le navigateur et se prolonge au-delà. Une extension Chrome, une intégration avec Google Docs et des connexions vers Google Classroom et Canvas permettent d'afficher les résultats à côté des travaux plutôt que dans un onglet séparé. La compatibilité Zapier couvre les besoins d'automatisation légère des équipes souhaitant acheminer automatiquement des documents.
Pour les équipes désireuses d'intégrer la détection dans leur propre produit, l'interface de programmation fournit des exemples prêts à l'emploi dans dix-sept langages, dont Node.js, Python, C#, Java et PHP. La prise en charge linguistique dépasse l'anglais et couvre notamment l'espagnol, le français et l'allemand, mais le déséquilibre des données d'entraînement fait de la prose anglaise le terrain le plus sûr. Cette réserve mérite d'être prise au sérieux dans tout déploiement non anglophone, car la qualité de détection n'est pas uniforme d'une langue à l'autre et les chiffres de précision publiés proviennent très majoritairement de corpus anglais.
Il existe une offre gratuite réellement exploitable. Un compte gratuit couvre des textes allant jusqu'à cent cinquante mille caractères ou des lots de deux cent cinquante fichiers, volume suffisant pour que bien des enseignants n'atteignent jamais l'offre payante.
Au-delà, nous n'avons pas pu obtenir de montants d'abonnement précis : la page tarifaire n'affiche côté serveur qu'une valeur de remplacement, accompagnée d'une option annuelle présentée comme économisant quarante-cinq pour cent. Aucun montant mensuel n'est donc cité ici. La structure publiée fait apparaître une offre professionnelle facturée par siège, des formules équipe et entreprise avec crédits partagés et facturation unifiée, ainsi qu'une offre d'interface de programmation faisant l'objet d'un devis distinct. Toute organisation qui budgétise un déploiement devrait solliciter directement un devis plutôt que de se fier aux chiffres repris sur des annuaires tiers, fréquemment périmés. (à vérifier)
Turnitin occupe la position historique en matière d'intégrité académique et atteint les établissements via l'infrastructure anti-plagiat déjà installée. Sa détection d'IA a suscité de nombreuses critiques, y compris de la part d'universités qui l'ont désactivée.
Originality.ai vise les éditeurs et les agences de contenu plutôt que les établissements scolaires, avec des fonctions d'administration orientées vers les flux commerciaux.
Copyleaks associe détection et contrôle de plagiat en mettant l'accent sur le multilinguisme et la conformité en entreprise.
Pangram, entrant plus récent, a publié des travaux portant spécifiquement sur les faux positifs concernant les rédacteurs non anglophones, ce qui en fait une option à évaluer pour les publics plurilingues.
Ne confondez pas GPTZero et ZeroGPT. Il s'agit de produits distincts, édités par des sociétés différentes, aux noms prêtant à confusion ; les avis portant sur l'un sont régulièrement pris pour des avis sur l'autre. Vérifiez le domaine avant d'accorder du crédit à une comparaison.
L'alternative la plus importante n'est cependant pas un produit. Repenser l'évaluation pour rendre la substitution par l'IA sans intérêt — rédaction en classe, soutenance orale du travail rendu, sujets exigeant une dimension personnelle ou locale — traite le problème de fond au lieu d'en surveiller les symptômes.
Cette section pèse plus lourd que toutes les autres, car les modes de défaillance décrits ici ont des conséquences concrètes sur des personnes réelles.
L'éditeur indique avoir détecté 95,7 % des textes produits par IA en n'en classant à tort que 1 % de textes humains, sur un jeu d'évaluation tiers portant sur environ 672 000 textes. Le chiffre de 99 % affiché en page d'accueil doit se lire de la même façon. Ces valeurs décrivent des performances sur des jeux de données particuliers et à des seuils particuliers ; or les conditions d'un banc d'essai ne sont pas celles d'une salle de classe. Il faut noter en particulier que le jeu d'évaluation en question porte sur des textes entièrement humains ou entièrement générés, alors que les cas réellement difficiles sont les documents mixtes, rédigés par une personne puis retouchés par un modèle, ou l'inverse. Ces données sont déclaratives et n'ont fait l'objet d'aucun audit indépendant.
La documentation indique explicitement que la précision décroît à mesure que la granularité s'affine : la classification au niveau du document est plus fiable qu'au niveau du paragraphe, elle-même plus fiable qu'au niveau de la phrase. Une phrase isolément surlignée constitue donc la preuve la plus faible possible. Le point est capital, car c'est précisément cette phrase surlignée qu'un correcteur montre du doigt lorsqu'il interpelle un auteur. L'élément visuellement le plus convaincant de l'interface est statistiquement le moins fiable.
Il s'agit de la limite la plus grave de toute la catégorie. Une équipe de recherche de Stanford a établi que des détecteurs largement utilisés classaient à tort comme générées par IA plus de la moitié des copies TOEFL rédigées par des personnes non anglophones, avec un taux de faux positifs moyen d'environ 61 %, tandis que les copies d'élèves américains de troisième étaient jugées presque parfaitement. Le mécanisme avancé est que les détecteurs pénalisent de fait les auteurs disposant d'un vocabulaire plus restreint, des choix lexicaux plus simples et plus prévisibles ressemblant statistiquement à une production automatique.
Cette étude portait sur un ensemble de détecteurs considérés comme catégorie, et non sur la version actuelle d'un produit précis ; plusieurs éditeurs, dont celui-ci, indiquent avoir travaillé depuis à réduire l'écart. Mais le constat structurel survit aux mises à jour : un détecteur qui s'appuie sur la prévisibilité linguistique désavantagera les personnes écrivant dans une seconde langue, lesquelles sont fréquemment celles qui disposent du moins de poids institutionnel pour contester une accusation.
L'université Vanderbilt a désactivé le détecteur d'IA de Turnitin en déclarant publiquement qu'elle ne considérait pas ce type de logiciel comme un outil efficace qu'il conviendrait d'utiliser, au motif qu'un taux de faux positifs de 1 % appliqué aux 75 000 copies qu'elle soumet chaque année représenterait environ 750 étudiants signalés à tort. Ce calcul est la manière la plus claire de comprendre pourquoi un taux d'erreur apparemment faible n'a rien de rassurant à l'échelle d'un établissement : 1 % de faux positifs, ce n'est pas une erreur isolée, ce sont des centaines d'étudiants chaque année dans une seule université.
Les plateformes professionnelles attribuent de bonnes notes, autour de quatre et demi sur cinq, reflétant l'expérience d'enseignants qui trouvent l'outil utile. Sur les plateformes d'avis grand public, l'image s'inverse brutalement : le service y reçoit une évaluation médiocre sur 135 avis, dont près de la moitié à une étoile, les critiques se concentrant sur les accusations infondées et la difficulté de les contester. Cette divergence n'est pas contradictoire : elle traduit le fait que celles et ceux qui choisissent l'outil et celles et ceux sur qui il est appliqué vivent des expériences opposées du même produit, et une évaluation honnête doit peser les deux.
Dans ses propres conseils destinés aux personnes accusées à tort, l'entreprise admet qu'aucun détecteur n'est parfait et que les erreurs sont particulièrement probables sur des textes courts, retravaillés ou mixtes. La foire aux questions officielle affirme sans détour que ces résultats ne doivent pas servir à sanctionner les élèves et recommande aux enseignants d'intégrer le rapport d'écriture à une évaluation d'ensemble. Les institutions qui utilisent la sortie de manière punitive agissent donc à rebours des consignes explicites de l'entreprise qui a conçu l'outil.
La politique de confidentialité s'engage à ne pas conserver les informations personnelles au-delà de trois mois après la clôture d'un compte, et précise que les textes et fichiers soumis directement via l'interface de programmation ne sont ni stockés par défaut ni utilisés pour améliorer le produit. Une asymétrie importante en découle : les documents transmis par l'API ne sont pas conservés, tandis que les saisies effectuées depuis l'interface web sont enregistrées et exploitées de manière agrégée pour améliorer le service. Pour un établissement traitant des travaux d'élèves, cette distinction n'a rien d'un détail technique : téléverser une copie via l'interface web revient à verser ce matériel dans une chaîne d'amélioration agrégée, ce qui peut exiger une information des élèves ou un examen au regard des obligations locales de protection des données avant tout déploiement.
Quiconque cherche à échapper à la détection y parvient souvent par la reformulation, la retouche ou l'alternance entre écriture humaine et automatique. Il en résulte une asymétrie dérangeante : les fraudeurs les plus habiles passent au travers tandis que des auteurs honnêtes et peu au fait de ces techniques se font signaler à tort. Les systèmes de détection peuvent ainsi finir par sélectionner contre la franchise plutôt que contre la fraude.
Oui, une offre gratuite fonctionnelle existe. Un compte gratuit traite des textes allant jusqu'à cent cinquante mille caractères ou des lots de deux cent cinquante fichiers, ce qui couvre une grande part des usages individuels. Les formules payantes ajoutent des sièges, du volume et une facturation d'équipe, mais la page tarifaire publique n'affiche aucun montant mensuel précis : demandez un devis pour budgétiser un déploiement.
L'éditeur annonce détecter 95,7 % des textes générés avec 1 % de faux positifs sur un vaste jeu d'évaluation tiers, et affiche 99 % de précision en page d'accueil. Les évaluations indépendantes portant sur la catégorie relèvent généralement des performances réelles inférieures, et la précision varie fortement selon la longueur du texte, l'ampleur des retouches et la langue maternelle de l'auteur. Considérez les chiffres publiés comme des résultats obtenus dans les meilleures conditions, non comme une garantie applicable à vos documents.
Oui, et c'est le risque central. Les faux positifs sont un phénomène amplement documenté sur l'ensemble des détecteurs. La prose académique formelle, les textes très retravaillés et les écrits de personnes non anglophones ont tous davantage de chances d'être signalés à tort. Aucun résultat ne devrait être traité comme la preuve d'une faute.
Des travaux menés à Stanford ont montré que les détecteurs, pris comme catégorie, classaient à tort comme générées par IA plus de la moitié des copies TOEFL rédigées par des non-anglophones, avec environ 61 % de faux positifs en moyenne, alors que les copies de locuteurs natifs étaient correctement évaluées. Les éditeurs se sont depuis employés à réduire cet écart, mais toute institution accueillant un public plurilingue devrait valider les performances sur sa propre population avant de s'en remettre à un détecteur.
Rassembler les traces du processus : brouillons, plans, notes et surtout l'historique de versions de Google Docs ou de Word, qui porte des horodatages attestant d'une rédaction progressive. Demander également quels éléments, en dehors du score, étayent l'accusation, et exiger que ce score ne soit pas tenu pour concluant. Les conseils publiés par l'éditeur lui-même appuient cette position.
Partiellement. Un composant dédié vise à résister aux outils de reformulation, mais la réécriture reste l'une des méthodes de contournement les plus efficaces, et les utilisateurs signalent fréquemment que des textes générés puis retouchés passent au travers. La détection est la plus faible là précisément où le texte a été le plus modifié.
La détection couvre l'anglais, l'espagnol, le français, l'allemand et d'autres langues. Les données d'entraînement se composent toutefois majoritairement de prose anglaise rédigée par des adultes : la précision hors anglais est donc moins bien caractérisée et mérite une validation locale avant tout déploiement.
Cela dépend du canal. Les contenus soumis via l'interface de programmation ne sont pas stockés par défaut ni utilisés pour améliorer le produit, tandis que les saisies effectuées depuis l'interface web sont conservées et exploitées de façon agrégée. Les informations personnelles ne sont pas gardées au-delà de trois mois après la clôture du compte. Confrontez ces conditions aux obligations de protection des données de votre organisation avant de téléverser le travail d'autrui.
Les deux occupent des positions différentes. Turnitin atteint les établissements par l'infrastructure anti-plagiat déjà en place, tandis que GPTZero propose un surlignage plus fin et le rejeu d'écriture dans Google Docs, qui n'a pas d'équivalent direct. Les deux partagent les mêmes limites fondamentales de précision, et certaines universités ont entièrement désactivé la détection d'IA de Turnitin en raison des faux positifs.
Ils ne devraient pas être utilisés seuls à cette fin. L'entreprise affirme explicitement que ses résultats ne doivent pas servir à sanctionner les élèves et décrit sa sortie comme un point de départ de conversation plutôt qu'un verdict final. Toute décision à conséquences requiert des éléments corroborants, le plus fiable étant la documentation du processus d'écriture lui-même.
Comment utiliser GPTZero