Originality AI est un vérificateur de texte canadien qui évalue la génération par IA et le plagiat pour les éditeurs, agences et enseignants ; ses chiffres de précision sont autodéclarés et ses propres conditions interdisent d'utiliser ses scores comme seul motif de sanction.
Vous avez utilisé cet outil ? Notez-le
Vous avez utilisé cet outil ? Notez-le
Originality AI est un service de vérification de texte accessible sur le web, exploité par Originality AI Inc, société canadienne enregistrée au 64 Hurontario St à Collingwood, en Ontario. Il prend un texte et renvoie deux jugements principaux : un score indiquant la probabilité que le texte ait été produit par un modèle d'IA, et une vérification de plagiat par comparaison avec des documents déjà publiés. Autour de ces deux piliers s'ajoutent des contrôles secondaires — grammaire, lisibilité, vérification des faits, score de qualité éditoriale et conformité aux consignes.
La société a été fondée par Jon Gillham après la revente d'une agence de marketing de contenu qu'il avait créée, et le service a été lancé en novembre 2022 — soit, fait notable, avant la sortie publique de ChatGPT, lorsqu'il était conçu pour détecter les productions de GPT-3. C'est sur cette antériorité que repose sa revendication d'avoir été le premier détecteur d'IA commercialisé.
Tout le reste de cet article dépend d'une distinction, autant la poser d'emblée. La page d'accueil décrit le produit comme « le détecteur d'IA le plus précis dans les études tierces ». Or les chiffres de précision que l'entreprise publie — 99 %, 99 %+, 97,8 %, et des taux de faux positifs allant de 0,5 % à 2,4 % — proviennent de jeux de données que ses propres tableaux de référence désignent comme « Internal Benchmark ». Ce sont des tests menés par l'éditeur sur des données choisies par l'éditeur, et aucun n'a fait l'objet d'un audit indépendant. Parallèlement, la littérature évaluée par les pairs qui existe sur ce sujet parvient à une conclusion nettement différente concernant les outils de détection en tant que catégorie. Les deux versants sont exposés ci-dessous, car un lecteur qui doit décider s'il se fie à cet outil a besoin des deux.
Trois modèles de détection sont actuels, publiés en septembre 2025, et l'éditeur avance une revendication précise pour chacun. Lite 1.0.2 est annoncé à 99 % de précision sur les grands modèles de référence — OpenAI, Gemini, Claude et DeepSeek — avec un taux de faux positifs de 0,5 %. Turbo 3.0.2 est annoncé à 99 %+ sur les mêmes modèles, avec jusqu'à 97 % de précision sur les contenus « humanisés » et un taux de faux positifs de 1,5 %. Academic 0.0.5 est annoncé à 99 %+ avec moins de 1 % de faux positifs, orienté vers le matériel académique incluant réponses scientifiques, code et formules, et jusqu'à 92 % de précision face aux outils d'humanisation et de contournement.
Ce sont ces chiffres qui portent le discours commercial, et il vaut la peine de les lire à côté de la source que l'éditeur leur donne. Le tableau publié situe Lite 1.0.2 à 98,91 % de taux de vrais positifs, 0,52 % de faux positifs et 1,09 % de faux négatifs — face à un jeu de données que l'en-tête de colonne de l'éditeur nomme lui-même « Internal Benchmark: Recently Released Models ».
Introduite en juin 2026, AI Allowance rompt avec la question binaire que tout détecteur a posée jusqu'ici. Plutôt que « est-ce de l'IA ou non », vous fixez la part d'intervention de l'IA que vous acceptez — 0 %, 5 %, 15 %, 25 % ou 40 % — et l'outil évalue par rapport à ce seuil. L'éditeur revendique 99 %+ de précision au réglage par défaut de 15 %.
Conceptuellement c'est l'élément le plus intéressant du produit, car il reconnaît ce que le cadrage binaire masque : en 2026, la plupart des écrits réels se situent sur un continuum entre l'entièrement humain et l'entièrement machine, et une politique éditoriale se soucie généralement du degré plutôt que de la présence. Que la mesure sous-jacente soutienne effectivement cette distinction plus fine n'est, là encore, attesté que par des tests internes.
Le modèle Multilingual 2.0.0, publié en mai 2025, couvre 30 langues avec une précision globale annoncée de 97,8 %, des faux négatifs ramenés à 1,99 % et un taux de faux positifs de 2,4 %.
Ce dernier chiffre mérite attention, car c'est l'éditeur lui-même qui révèle que la détection hors anglais est mesurablement plus faible : 2,4 % de faux positifs contre 0,5 % pour Lite et moins de 1 % pour Academic. Quiconque évalue un texte rédigé dans une autre langue que l'anglais travaille avec environ deux à cinq fois le taux de faux positifs des modèles anglais, selon les chiffres de l'entreprise elle-même.
La détection de plagiat est une ligne de produit à part entière et non un supplément — la motivation déclarée du fondateur incluait la construction d'un vérificateur de plagiat moderne avec historique des analyses, résultats partageables et accès en équipe. Autour de ces deux piliers se placent le vérificateur de faits, le correcteur grammatical, l'analyseur de lisibilité, le score de qualité éditoriale et le vérificateur de consignes, plus Bulk Scan pour le volume et les analyses de site complet à partir d'une URL.
L'extension Chrome lance des analyses directement dans Google Docs et peut rejouer le processus d'écriture — montrant comment un document a été composé dans le temps plutôt que de juger seulement le texte fini. C'est une nature de preuve différente d'un score : une preuve de processus plutôt qu'une inférence statistique, et considérablement plus difficile à falsifier. Pour un enseignant cherchant à établir si un élève a bien écrit un texte, un rejeu montrant une rédaction organique est plus informatif que n'importe quel pourcentage.
L'entreprise a fait plus que la plupart de ses concurrents en matière de transparence : en août 2023, elle a publié un jeu de données de référence en open source et des outils open source de test d'efficacité. Dans une catégorie où la plupart des éditeurs ne publient rien, c'est une démarche authentique et peu commune.
Elle doit être pesée avec deux faits contraires. Les chiffres de précision des modèles phares actuels proviennent toujours de références internes et non de ce jeu de données ouvert, et les conditions d'utilisation interdisent la rétro-ingénierie, la décompilation ou toute tentative de dériver les modèles, poids, invites ou références non publiques — ce qui signifie que des tiers ne peuvent pas vérifier de façon indépendante comment le système actuel parvient à ses conclusions.
L'offre Enterprise est explicitement positionnée pour les agences et les éditeurs, et c'est l'usage où les limites de l'outil pèsent le moins. Quand un responsable éditorial vérifie si un pigiste a livré ce qui était commandé, un score de détection est un élément de conversation, pas un verdict assorti de conséquences. Analyse en lot et analyse de site complet rendent la chose praticable à l'échelle.
AI Allowance convient aux organisations qui ont réellement rédigé une politique — « l'assistance par IA est acceptable pour la recherche et le plan, mais la rédaction doit être de vous » — plutôt qu'une interdiction générale. Fixer un seuil correspondant à la politique est plus honnête que de prétendre qu'un détecteur binaire peut faire respecter une règle nuancée.
Le modèle Academic, le plugin Moodle et les dispositions sur les données des élèves montrent que ce segment est servi délibérément. Mais c'est aussi là que les propres conditions de l'outil imposent les limites les plus nettes, exposées plus loin. Employé comme un signal parmi d'autres — avec un rejeu d'écriture, un historique de brouillons ou une conversation avec l'élève — il peut contribuer. Employé comme facteur décisif, il enfreint la politique d'usage acceptable de l'éditeur lui-même.
Quiconque commande du contenu, évalue une contribution ou juge de l'authenticité d'avis produits a un besoin légitime ici, et les conséquences d'un faux positif sont proportionnées — vous refusez une proposition plutôt que de sanctionner une personne.
Un usage souvent négligé : les personnes qui écrivent dans un registre formel et structuré — ce qui décrit beaucoup de rédacteurs non anglophones, de rédacteurs techniques et d'universitaires — peuvent vérifier si leur prose risque d'être signalée, et savoir à l'avance qu'elles auront peut-être à s'expliquer. C'est un usage défensif de l'outil que ses détracteurs mentionnent rarement.
L'article 9 des conditions interdit d'utiliser la sortie comme seule base de décisions lourdes de conséquences et interdit de sanctionner un élève, un employé, un prestataire, un rédacteur ou un candidat au seul motif d'un score de détection ou de plagiat. Si vous concevez un flux institutionnel, cette clause doit le façonner. Il est inhabituel et méritoire qu'un éditeur écrive cela ; c'est aussi contraignant pour vous en tant qu'utilisateur.
Avant tout déploiement à l'échelle, passez une série de textes dont vous savez qu'ils ont été écrits par des humains de la même population que celle que vous évaluerez — même sujet, même arrière-plan linguistique, même registre. Le référentiel d'un éditeur ne dit rien de votre corpus particulier, et c'est le seul moyen de connaître votre propre taux de faux positifs.
Les chiffres de l'éditeur situent les faux positifs multilingues à 2,4 % contre 0,5 % pour le modèle anglais Lite. Si vous évaluez des textes traduits ou non anglophones, ajustez votre confiance en conséquence.
Dans tous les exposés publiés sur le fonctionnement de ces systèmes, la fiabilité de détection croît avec la longueur, y compris la note d'OpenAI indiquant que son classificateur n'était pas fiable en dessous de 1 000 caractères. Un signalement sur un paragraphe est quasiment dépourvu de sens.
Si vous pouvez obtenir une preuve de processus, elle est plus forte qu'un score. Un rejeu montrant un document rédigé, révisé et restructuré au fil des heures constitue une preuve positive de paternité humaine qu'aucun pourcentage ne peut fournir.
Les saisies de l'offre gratuite peuvent servir à l'entraînement, et seuls les comptes payants peuvent s'y soustraire. Travaux de clients, manuscrits inédits et copies d'élèves contenant des données personnelles n'ont leur place, le cas échéant, que dans un compte payant.
Des évaluateurs vérifiés signalent un chemin de désabonnement difficile à mener à terme. Quelle que soit votre lecture, la réponse pratique est la même : résilier bien avant une date de renouvellement, obtenir confirmation écrite, et vérifier le cycle de facturation suivant.
Les éditeurs, agences et places de marché de contenu conviennent le mieux, car les décisions que l'outil éclaire sont commerciales plutôt que personnelles — accepter ou refuser un travail — et l'outillage d'analyse en lot et à l'échelle du site correspond à leur mode de fonctionnement.
Les équipes éditoriales dotées d'une politique IA écrite tirent une valeur réelle d'AI Allowance en particulier, puisqu'un outil à seuil épouse une politique à seuil d'une manière qu'un détecteur binaire ne pourra jamais.
Les enseignants et les institutions sont servis délibérément — modèle Academic, plugin Moodle, protections des données des élèves — mais devraient lire intégralement la section des limites avant de bâtir un processus, et traiter l'interdiction posée par l'éditeur lui-même comme une contrainte de conception et non comme une mention en petits caractères.
Les auteurs vérifiant leur propre travail, en particulier ceux qui écrivent dans un registre formel ou en anglais comme langue additionnelle, disposent d'un usage véritablement défensif.
Qui devrait regarder ailleurs : quiconque cherche une preuve plutôt qu'une probabilité ne la trouvera ni ici ni dans aucun produit concurrent, car le problème sous-jacent n'admet pas actuellement de preuve. Les institutions souhaitant automatiser des décisions de fraude académique se placent explicitement hors de ce que l'éditeur autorise. Quiconque évalue principalement des textes non anglophones doit peser soigneusement le taux de faux positifs plus élevé annoncé. Et quiconque ne peut tolérer un faible pourcentage de réponses erronées assorties de conséquences réelles ne devrait pas recourir à la détection automatisée.
Originality AI est livré comme une application web dotée d'un tableau de bord, et atteint d'autres environnements via une extension Chrome (qui lance des analyses dans Google Docs et fournit le rejeu d'écriture), un plugin Moodle pour les établissements, une API pour l'usage programmatique et des intégrations d'entreprise. Le téléversement accepte docx, doc et PDF, en plus du texte collé ou saisi, et l'analyse de site prend une URL.
L'accès à l'API relève de l'offre Enterprise et non de Pro. Les outils gratuits — vérificateur d'IA, vérificateur de faits, détecteur de plagiat, analyseurs de lisibilité et de grammaire — sont exposés comme des pages autonomes sur le site.
Deux offres d'abonnement sont publiées, facturées en dollars américains, la facturation annuelle étant remisée par rapport au mensuel.
Pro est à 12,95 $/mois en facturation annuelle (155,40 $ par an) ou 14,95 $/mois au mois, destinée aux particuliers et petites équipes. Elle comprend 2 000 crédits par mois, un crédit valant 100 mots — soit environ 200 000 mots analysés mensuellement. Support standard, téléversement de fichiers, analyses de site complet, gestion d'équipe, étiquetage des analyses et extension Chrome sont inclus. Les sièges supplémentaires coûtent 9,95 $/mois, ou 8,62 $ en annuel.
Enterprise est à 136,58 $/mois en facturation annuelle (1 638,96 $ par an) ou 179 $/mois au mois, destinée aux agences et éditeurs. Elle comprend 15 000 crédits par mois, un responsable de la réussite client dédié, un support prioritaire avec résolution typique en moins d'une heure, 365 jours d'historique d'analyses et l'accès API. Les sièges supplémentaires coûtent 24,95 $/mois, ou 19,04 $ en annuel.
L'accès gratuit existe sans compte : trois analyses par jour jusqu'à 2 000 mots. Le texte ainsi soumis peut servir à l'entraînement, et seuls les comptes payants peuvent s'y soustraire.
Deux mécaniques de crédits comptent davantage que le prix affiché. Les crédits d'abonnement expirent à la fin de chaque mois s'ils ne sont pas utilisés — ils ne s'accumulent pas. Les crédits à l'usage, achetés en une fois, expirent deux ans après l'achat. Si votre activité est saisonnière ou par projet, la voie à l'usage évite de payer chaque mois une capacité qui s'évapore.
Sur les remboursements, les conditions sont directes : la résiliation arrête les renouvellements futurs mais ne rembourse pas automatiquement les prélèvements antérieurs, les frais ne sont pas remboursables une fois payés sauf disposition légale ou contractuelle contraire, et les services consommés — analyses effectuées, vérifications de plagiat, appels API — ne peuvent être remboursés. Les conditions préservent en revanche les droits impératifs des consommateurs auxquels il ne peut être renoncé.
GPTZero est le concurrent le plus direct sur le segment éducatif et publie ses propres revendications de précision avec la même réserve fondamentale — des tests menés par l'éditeur. Comparer les deux sur votre propre corpus d'origine connue est plus instructif que de comparer leurs argumentaires.
Turnitin pèse institutionnellement grâce à ses relations existantes avec les systèmes de gestion de l'apprentissage et à une infrastructure de détection de plagiat de longue date ; pour les universités, le chemin d'intégration et la procédure d'achat tranchent souvent la question avant la précision. C'est aussi l'un des deux systèmes commerciaux inclus dans l'évaluation Weber-Wulff évoquée plus bas.
Copyleaks rivalise sur la détection d'IA et le plagiat avec un accent particulier sur la couverture multilingue, ce qui peut compter si votre corpus est majoritairement non anglophone, compte tenu des taux de faux positifs annoncés plus élevés dans ce contexte.
Winston AI et d'autres entrants plus récents se battent sur le prix et sur des revendications spécifiques quant à la détection des sorties d'outils d'humanisation. La même prudence probatoire s'applique également à tous.
Se passer de détection automatisée mérite d'être listé comme option réelle. Les preuves de processus — historique de brouillons, gestion de versions, soutenance orale, écriture en classe — produisent des conclusions réellement défendables, et plusieurs institutions se sont délibérément orientées ainsi. C'est plus laborieux et cela passe mal à l'échelle, mais cela ne comporte pas de taux de faux positifs.
Le résumé honnête : dans une catégorie dont les revendications centrales sont structurellement difficiles à vérifier, Originality AI compte parmi les éditeurs les plus transparents. Il publie un historique de ses modèles, a diffusé des outils de référence ouverts, et inscrit des limites d'usage explicites dans ses propres conditions. Rien de cela ne règle la question de fond — un détecteur quelconque est-il assez précis pour un usage à conséquences — et la littérature indépendante suggère que la catégorie dans son ensemble ne l'est pas.
C'est la réserve centrale et elle s'applique sans exception. Les 99 %, 99 %+, 97,8 % et les taux de faux positifs de 0,5 % à 2,4 % résultent tous des tests de l'entreprise sur des jeux de données que ses tableaux nomment « Internal Benchmark ». Aucun auditeur indépendant ne les a vérifiés. Ce n'est pas une accusation de mauvaise foi — c'est une description du statut probatoire de ces nombres, et c'est l'état normal des choses dans toute cette catégorie.
La revendication associée doit être formulée avec la même précision. La page d'accueil décrit le produit comme « le détecteur d'IA le plus précis dans les études tierces ». L'article de l'entreprise sur la précision comporte bien un intertitre promettant un panorama d'études tierces, mais les données de précision substantielles présentées sur cette page proviennent de références internes. Le lecteur qui cherche les études tierces susceptibles d'étayer la formule d'accueil n'y trouvera pas les citations correspondantes.
L'évaluation indépendante la plus substantielle est celle de Weber-Wulff et al., « Testing of detection tools for AI-generated text », parue dans l'International Journal for Educational Integrity (vol. 19, art. 26, 2023). Elle a testé 12 outils de détection publiquement disponibles ainsi que deux systèmes commerciaux, et a conclu que les outils de détection disponibles « ne sont ni exacts ni fiables », avec un biais marqué consistant à classer à tort du contenu IA comme écrit par un humain. Elle a en outre constaté que les techniques d'obfuscation dégradent significativement les performances des outils, et les auteurs ont souligné les implications sérieuses d'un usage de tels systèmes en milieu académique.
Cette étude ne visait pas spécifiquement Originality AI, et les modèles testés sont antérieurs à la génération actuelle. Mais c'est ce qui existe de plus proche d'une évaluation indépendante de la catégorie, et sa conclusion se concilie difficilement avec la revendication de 99 % de quelque éditeur que ce soit.
Liang, Yuksekgonul, Mao, Wu et Zou, à Stanford, ont publié « GPT detectors are biased against non-native English writers » (arXiv 2304.02819, soumis en avril 2023, version finale en juillet 2023). Leur constat : les détecteurs classent systématiquement à tort les écrits de non-anglophones comme générés par IA, tout en classant correctement les écrits de locuteurs natifs. Ils ont également montré qu'une simple reformulation par invite peut à la fois réduire ce biais et contourner la détection — un résultat qui entame la fiabilité de la détection dans les deux sens.
Originality AI a répondu publiquement, dans un article intitulé « Une réponse à une étude de Stanford défectueuse ». Cette réponse conteste la méthodologie. Fait notable, elle reprend aussi les chiffres centraux de l'étude sans les contester : les détecteurs ont étiqueté à tort plus de la moitié des essais TOEFL comme générés par IA, avec un taux moyen de faux positifs de 61,3 %.
Le lecteur tirera ses propres conclusions de cet échange. Ce qui n'est pas contesté, c'est que le risque de mal classer des écrits non natifs est une préoccupation documentée et publiée dont les deux parties reconnaissent l'existence.
L'indication la plus claire de la difficulté du problème vient de l'entreprise qui construit les modèles à détecter. La page du classificateur d'OpenAI porte cette note : « Depuis le 20 juillet 2023, le classificateur d'IA n'est plus disponible en raison de son faible taux de précision. » Ses performances publiées : il « identifie correctement 26 % des textes écrits par IA (vrais positifs) comme "probablement écrits par IA", tout en étiquetant à tort des textes écrits par des humains comme écrits par IA dans 9 % des cas ».
Ce n'est pas un commentaire sur les modèles spécifiques d'Originality AI, qui revendiquent de bien meilleurs chiffres. C'est le contexte de la méfiance que cette catégorie a méritée.
C'est l'élément le plus important de cet article pour quiconque travaille dans l'éducation ou les ressources humaines, et il vient de l'entreprise elle-même. L'article 9 des conditions interdit aux utilisateurs d'employer la sortie « comme seule base de décisions susceptibles d'avoir des effets juridiques, académiques, professionnels, en matière de logement, d'assurance, de crédit, disciplinaires, réputationnels, médicaux ou d'importance comparable pour une personne », et spécifiquement d'« accuser, sanctionner, pénaliser, licencier, recaler, signaler ou autrement désavantager matériellement un étudiant, un employé, un prestataire, un rédacteur, un candidat ou toute autre personne au seul motif d'une sortie de détection d'IA ou d'un score de plagiat ». L'article 8 exige d'« utiliser une révision humaine et une procédure régulière appropriée avant toute action susceptible d'affecter matériellement une personne ».
Lu simplement : l'éditeur commercialise le détecteur le plus précis du marché et vous interdit simultanément de traiter sa sortie comme un motif suffisant pour recaler un étudiant ou licencier un salarié. Les deux positions se défendent, et les tenir ensemble est plus honnête que ce que parviennent à faire la plupart des concurrents. Mais une institution qui adopte cet outil pour automatiser des constats de fraude enfreint les conditions qu'elle a acceptées.
En prenant les chiffres de l'entreprise pour argent comptant, l'arithmétique compte encore. Au taux annoncé de moins de 1 % de faux positifs du modèle Academic, analyser un millier de devoirs réellement écrits par des humains pourrait encore en signaler près de dix. Aux 2,4 % du modèle multilingue, le compte absolu est plus élevé encore. Des pourcentages rassurants dans une brochure décrivent un nombre substantiel de personnes réelles lorsqu'ils s'appliquent à une promotion entière.
Le profil Trustpilot affiche 4,6 sur 1 294 avis — un échantillon important — réparti en 80 % de cinq étoiles, 6 % de quatre, 1 % de trois, 1 % de deux et 12 % d'une étoile.
Deux nuances. Le profil est revendiqué par l'éditeur depuis septembre 2023, Trustpilot signale que l'entreprise sollicite activement des avis, et l'éditeur a répondu à 89 % des avis négatifs — autant d'éléments qui exercent une pression de sélection vers le positif. Plus substantiellement, la lecture des avis positifs récents montre qu'ils se concentrent massivement sur le service client — citant nommément et de façon répétée des membres du support — plutôt que sur l'exactitude de la détection. Le 4,6 se lit mieux comme un signal sur la réactivité de l'entreprise que comme une validation par les utilisateurs de la justesse du détecteur.
Côté négatif, une plainte spécifique revient concernant la résiliation. Un évaluateur vérifié décrit le lien de désabonnement comme « extrêmement minuscule, bien caché, et dans une police presque entièrement transparente », suivi d'environ huit offres de rétention, et indique que choisir de laisser un retour rendait l'annulation littéralement impossible à finaliser, le compte se retrouvant mis en pause.
Les crédits d'abonnement ne se reportent pas — la capacité inutilisée disparaît en fin de mois. La résiliation arrête les renouvellements futurs mais ne rembourse pas les prélèvements antérieurs, et les analyses et appels API consommés ne sont pas remboursables. Pour une charge irrégulière, l'option à l'usage, valable deux ans, correspond structurellement mieux.
Les conditions interdisent la rétro-ingénierie, la décompilation ou toute tentative de dériver le code source, les algorithmes, les poids du modèle, les invites, la conception du système ou les référentiels non publics. C'est une protection commerciale standard, mais combinée à des chiffres de précision produits en interne, cela signifie que les revendications centrales du produit ne sont pas vérifiables de l'extérieur, par construction.
L'historique des modèles de l'éditeur montre la précision sur son jeu de test le plus difficile passant de 90,2 % à 98,8 % en une version, tandis que les faux positifs ne s'amélioraient que marginalement, de 2,9 % à 2,8 %, dans le même mouvement. Cette trajectoire traduit une cible mouvante : les outils d'humanisation et de contournement évoluent en parallèle des détecteurs, et un chiffre publié aujourd'hui décrit la performance face aux techniques d'évasion existant au moment du test.
L'entreprise annonce 99 % ou mieux pour ses modèles anglais actuels, avec des taux de faux positifs entre 0,5 % et moins de 1 %, et 97,8 % au global pour son modèle multilingue à 30 langues avec 2,4 % de faux positifs. Tous ces chiffres proviennent de tests menés par l'entreprise sur des jeux de données nommés « Internal Benchmark », et aucun n'a été audité indépendamment. Les travaux indépendants évalués par les pairs sur les outils de détection en tant que catégorie — au premier chef Weber-Wulff et al. 2023 — ont conclu que les outils disponibles « ne sont ni exacts ni fiables ». Traitez les chiffres de l'éditeur comme des revendications, non comme des mesures.
Oui, et l'éditeur en publie directement les taux. Plus important encore, la recherche publiée documente que le risque n'est pas réparti uniformément : une étude de Stanford a constaté que les détecteurs classent à tort les écrits non anglophones comme générés par IA bien plus souvent que les écrits natifs, avec un taux moyen de faux positifs de 61,3 % sur des essais TOEFL. Originality AI conteste la méthodologie de cette étude tout en en reprenant les chiffres. Registre formel, vocabulaire simple et réécriture appuyée poussent tous le score vers le haut pour des raisons étrangères à l'IA.
Pas à lui seul — et c'est la règle de l'éditeur, pas un simple conseil. Les conditions interdisent d'employer la sortie comme seule base de décisions à conséquences académiques, professionnelles ou disciplinaires, et interdisent spécifiquement de sanctionner un étudiant, un employé, un prestataire, un rédacteur ou un candidat au seul motif d'un score de détection ou de plagiat. Elles exigent aussi une révision humaine et une procédure régulière avant toute action susceptible d'affecter matériellement une personne.
Pro est à 12,95 $/mois en annuel ou 14,95 $ au mois, avec 2 000 crédits mensuels. Enterprise est à 136,58 $/mois en annuel ou 179 $ au mois, avec 15 000 crédits, accès API, 365 jours d'historique et support prioritaire. Un crédit vaut 100 mots. Les sièges supplémentaires sont facturés en sus dans les deux offres. Il existe un accès gratuit de trois analyses par jour jusqu'à 2 000 mots, sans compte.
Oui — trois analyses par jour jusqu'à 2 000 mots, sans compte nécessaire. La contrepartie est que le texte saisi dans le détecteur gratuit peut servir à l'entraînement, et que seuls les comptes payants peuvent s'y soustraire. Ne l'utilisez pas pour du matériel confidentiel ou client.
Non, pour les abonnements. Les crédits d'abonnement expirent à la fin de chaque mois s'ils ne sont pas utilisés. Les crédits à l'usage achetés séparément expirent deux ans après la date d'achat, ce qui convient mieux aux charges irrégulières.
Oui, via un modèle multilingue couvrant 30 langues, avec une précision globale annoncée de 97,8 %. Notez que la même communication situe son taux de faux positifs à 2,4 %, contre 0,5 % pour le modèle anglais Lite — sensiblement plus élevé, selon les chiffres de l'éditeur lui-même.
L'éditeur affirme que Turbo 3.0.2 identifie les contenus humanisés avec jusqu'à 97 % de précision et qu'Academic 0.0.5 résiste aux outils d'humanisation et de contournement avec jusqu'à 92 %. Ce sont des chiffres internes. Détection et évasion coévoluant, un tel nombre décrit la performance face aux techniques de contournement disponibles au moment du test.
La distribution Trustpilot est de 4,6 sur 1 294 avis, avec 80 % de cinq étoiles et 12 % d'une étoile. Les avis positifs se concentrent sur le service client plutôt que sur l'exactitude de la détection. Le thème négatif récurrent est la difficulté de résiliation — un évaluateur vérifié décrit un lien de désabonnement presque invisible, environ huit offres de rétention, et l'impossibilité de finaliser l'annulation après avoir choisi de laisser un retour.
Non, et aucun concurrent non plus. Un score de détection est une vraisemblance statistique, pas une preuve de la manière dont un texte a été produit. L'élément le plus probant que propose le produit n'est pas le score mais le rejeu d'écriture de son extension Chrome, qui enregistre comment un document a réellement été composé. Une preuve de processus de ce type est bien plus solide que n'importe quel pourcentage — et c'est la direction vers laquelle s'oriente la pratique la plus défendable en matière d'intégrité académique.
Comment utiliser Originality AI
Étape 1 : essayer le vérificateur gratuit avant de payer
Trois analyses par jour jusqu'à 2 000 mots sont disponibles sans compte. Utilisez-les sur des textes dont vous connaissez déjà l'origine avec certitude — quelque chose que vous avez écrit, et quelque chose dont vous savez qu'il a été généré par une machine — afin de calibrer vos attentes avant d'engager de l'argent.
Attention au compromis : le texte saisi dans le détecteur gratuit peut servir à l'entraînement. S'y soustraire exige un compte payant. Ne collez pas de matériel confidentiel ou client dans l'outil gratuit.
Étape 2 : choisir le modèle adapté à votre matière
Lite, Turbo et Academic ne sont pas interchangeables. Academic est conçu pour les réponses scientifiques, le code et les formules, et affiche le taux de faux positifs le plus bas. Turbo est l'option la plus robuste face aux outils d'humanisation. Si votre texte n'est pas en anglais, c'est le modèle multilingue qui s'applique, avec son taux de faux positifs plus élevé de 2,4 %.
Étape 3 : fixer délibérément le seuil d'AI Allowance
Si vous utilisez AI Allowance, réglez le pourcentage sur une politique que vous avez réellement écrite. Choisir 0 % parce que cela paraît rigoureux alors que votre politique réelle tolère la recherche assistée par IA produit des signalements que vous finirez par ignorer — ce qui vous entraîne à ne plus faire confiance à l'outil du tout.
Étape 4 : lire le score comme une probabilité, pas comme un verdict
C'est l'étape qui détermine si vous employez l'outil de façon responsable. Un score d'IA élevé signifie que le texte présente des propriétés statistiques ressemblant à une génération machine. Il n'établit pas comment le texte a été produit. Registre formel, vocabulaire simple, prose fortement retravaillée et tournures non natives poussent tous le score vers le haut pour des raisons étrangères à l'usage de l'IA.
Étape 5 : réunir des preuves corroborantes avant d'agir
Si le résultat peut affecter quelqu'un, rassemblez d'autres signaux : historique des versions, rejeu d'écriture, échantillon de texte antérieur pour comparaison, ou une conversation. Ce n'est pas une prudence de ma part — c'est ce que les conditions de l'éditeur exigent de vous, comme exposé plus bas.
Étape 6 : gérer les crédits selon les règles d'expiration
Un crédit équivaut à 100 mots. Les crédits d'abonnement expirent à la fin de chaque mois et ne se reportent pas ; les crédits achetés à l'usage durent deux ans. Si votre charge est irrégulière, la formule à l'usage évite de payer chaque mois une capacité que vous perdez.
Étape 7 : conserver des traces en usage institutionnel
Enterprise offre 365 jours d'historique d'analyses ; Pro ne précise pas de rétention équivalente. Si des résultats de détection peuvent un jour nourrir des décisions concernant des personnes, pouvoir revenir sur ce qui a été analysé et quand justifie à soi seul l'écart de tarif.