Détection de l'IA en classe : un marché à plusieurs centaines de millions mis en défaut pa

Le marché des outils de détection de l’intelligence artificielle vaut déjà plusieurs centaines de millions de dollars, et il souffre d’un problème que les investisseurs institutionnels ne peuvent plus ignorer : ses produits manquent leur cible. Une expérience conduite en juillet 2026 à l’université d’État d’Alcorn, dans le Mississippi, le démontre avec une précision embarrassante pour les éditeurs du secteur.

Jason Gibson, professeur d’histoire, a conçu lui-même son instrument de vérification, à coût quasi nul. Résultat : 32 copies frauduleuses identifiées sur 35, sans le moindre faux positif contesté. Aucune licence, aucun abonnement, aucune intégration logicielle.

La méthode repose sur une ligne de texte rédigée en caractères blancs sur fond blanc, glissée à l’intérieur de l’énoncé du partiel. Les étudiants devaient traiter la révolution industrielle et la comparer aux transformations contemporaines, des réseaux sociaux à l’intelligence artificielle. Dans cet énoncé figurait, invisible à l’oeil humain, une instruction demandant d’insérer le mot « Madagascar » à un endroit dénué de tout sens. Un lecteur attentif, en surlignant simplement le texte, aurait vu apparaître la ligne sur fond coloré. Aucun étudiant ne l’a fait.

Ce qui transforme cette ligne anodine en piège commercial révélateur, c’est le comportement des assistants conversationnels. Ces logiciels ne tiennent aucun compte de la couleur des caractères : ils lisent tout ce qu’on leur soumet, traitent la consigne cachée comme une demande ordinaire et l’exécutent à la lettre. L’étudiant qui copiait l’intégralité du sujet dans un robot pour gagner du temps transmettait donc aussi l’instruction secrète, sans le savoir.

Le résultat s’est affiché dans les copies rendues sous des formules surréalistes. Une copie affirmait que « Madagascar flotte de travers dans l’après-midi », une autre évoquait un « Madagascar de quartz rose et de bicyclette qui murmure au plafond », une troisième assurait que « Madagascar portait un grille-pain à un match de basket ». Aucun de ces étudiants n’avait relu la production de la machine avant de la soumettre. Sur 35 élèves, 32 ont échoué au partiel. Deux seulement ont contesté leur note, ce qui indique que la grande majorité avait compris le mécanisme de sa propre prise en faute.

Gibson a raconté l’affaire dans une vidéo rapidement devenue virale, relayée notamment par IFLScience.

Par contraste avec ce dispositif artisanal à coût nul, les outils commerciaux de détection affichent des performances qui peinent à justifier leur tarification. Au Royaume-Uni, une enquête a dénombré près de 7 000 cas avérés de recours à l’IA pour tricher parmi les étudiants au cours de l’année 2023-2024, soit 5,1 pour mille, contre 1,6 pour mille l’année précédente. Cette progression rapide exerce une pression croissante sur les établissements acheteurs, et donc sur les éditeurs de logiciels de détection qui leur vendent des solutions. Or ces outils se montrent encore peu fiables : ils distinguent mal une copie humaine d’un texte généré par machine, ce qui en limite sérieusement la valeur opérationnelle pour les universités, principale clientèle institutionnelle du secteur.

C’est précisément cette défaillance de marché que la méthode Gibson rend visible. Là où des solutions commerciales peinent à offrir une détection sûre, une simple manipulation de la couleur du texte suffit à révéler en une fraction de seconde quels étudiants ont délégué leur travail à un agent conversationnel sans vérifier le rendu. Le coût de mise en oeuvre est nul. La barrière technique est inexistante. L’efficacité, au moins dans ce cas précis, a été quasi totale.

Gibson lui-même ne présente pas sa trouvaille comme une solution définitive. Il reconnaît que l’ensemble des acteurs du secteur, enseignants, établissements et éditeurs d’outils, avancent à tâtons, tous « à innover, expérimenter et tenter de préserver un peu d’intégrité académique au passage ». Ce que son expérience révèle avant tout pour les opérateurs du marché, c’est que la course entre producteurs d’assistants conversationnels et détecteurs de leur usage reste entièrement ouverte. Les éditeurs qui ne parviennent pas à combler l’écart de fiabilité risquent de voir leurs contrats institutionnels fragilisés par des alternatives à coût marginal zéro, inventées dans une salle de classe du Mississippi.