La scène qui se répète
Prenez une vidéo authentique. Un responsable politique, une salle pleine, une phrase prononcée devant des caméras. Elle circule. Sous le post, la réponse arrive en quelques minutes : « c'est de l'IA », « regardez les mains », « c'est un deepfake, on voit les dents ».
Rien dans la vidéo n'est faux. Mais la personne qui la regarde n'a aucun moyen de le prouver, et celle qui la nie n'a aucun besoin de le prouver non plus. Le doute fait le travail à sa place.
Ce scénario n'est pas une anticipation. C'est ce que les chercheurs décrivent depuis 2018 sous le nom de dividende du menteur — et c'est en 2026 qu'il trouve sa base documentaire la plus solide, pour une raison simple : jusqu'ici, on pouvait répondre « les détecteurs s'en chargeront ». Ce n'est plus vrai.
DF26 : les détecteurs sont au niveau du hasard
Le 7 septembre 2026, une équipe de six chercheurs publie sur arXiv le benchmark DF26, sous-titré sans détour : We Cannot Tell Fake From Real Anymore.
Le protocole est sérieux. Les auteurs assemblent 271 vidéos réelles et 2 420 vidéos synthétiques, produites par sept modèles de génération vidéo récents (text-to-video et image-to-video). Toutes les séquences suivent le même cadre : une personne seule qui parle face caméra. Trois mises en situation — enregistrement direct, déclaration officielle, interview en studio. C'est-à-dire exactement le format où un deepfake fait le plus de dégâts : ce n'est pas un visage en mouvement dans une foule, c'est quelqu'un qui s'adresse à vous.
Le résultat tient en une phrase, citée de l'abstract : la performance des humains comme celle des détecteurs de deepfakes de l'état de l'art est « close to random chance » — proche du hasard.
C'est le point qu'il faut mesurer. On ne parle pas d'une dégradation de quelques points. On parle d'un dispositif qui, face à ce corpus, ne fait pas mieux qu'une pièce jetée en l'air. Les auteurs en tirent une conclusion de méthode : les protocoles d'évaluation actuels sont inadaptés, parce qu'ils mesurent la robustesse à des modèles que les détecteurs ont déjà vus pendant leur entraînement.
Le détail qui compte pour comprendre la suite : les vidéos réelles sont dix fois moins nombreuses que les fausses dans le corpus. Ce déséquilibre n'est pas un défaut du benchmark, c'est son sujet. Dans la nature, le contenu synthétique se multiplie plus vite que le contenu authentique. Un détecteur entraîné sur un monde équilibré y arrive ; lâché dans le nôtre, il se perd.
Pourquoi les détecteurs perdent — trois raisons structurelles
1. La détection est réactive par construction. Un classificateur apprend les artefacts des modèles qu'on lui a montrés. Un nouveau modèle sort ? Ses traces ne sont pas encore dans ses poids. Générer coûte quelques secondes et quelques centimes ; détecter demande de collecter un corpus, de l'annoter, d'entraîner, puis de recommencer à chaque génération de modèle. L'asymétrie n'est pas technologique, elle est économique.
2. Les signatures s'effacent. Les premières générations laissaient des artefacts mesurables dans les hautes fréquences de l'image, exploitables par transformée de Fourier. Les architectures récentes les réduisent, et les outils de post-traitement grand public permettent de les nettoyer. Une signature effaçable n'est pas une preuve : c'est un indice, et un indice qui disparaît au premier ré-encodage.
3. Les chiffres annoncés ne survivent pas au changement de corpus. C'est la démonstration d'un bilan publié par Unite.AI : selon les modèles et les jeux de données, les taux de détection annoncés passent de 94 % à 48 %. Le même outil, la même tâche, deux chiffres qui n'ont plus rien à voir. Un taux de détection n'est pas une propriété de l'outil, c'est une propriété du couple outil + corpus. Publié sans son corpus, c'est un argument commercial.
Ces trois raisons se renforcent. Un outil réactif échoue sur les modèles nouveaux, qui sont précisément ceux qui produisent les faux qui circulent.
Le CSPLA : le droit ne saisit qu'une partie du problème
Le 7 septembre 2026, le ministère de la Culture publie le rapport d'étape d'une mission du Conseil supérieur de la propriété littéraire et artistique consacrée aux hypertrucages générés ou manipulés par l'intelligence artificielle. La mission est présidée par Joëlle Farchy et Célia Zolynski, avec Bastien Blain et Alexandre Trémolière comme co-rapporteurs. Le rapport a été remis au CSPLA le 9 juillet 2026.
Il ne propose pas encore de solutions — un second rapport, consacré aux remèdes, est attendu au premier semestre 2027. Son apport est ailleurs : il nomme précisément les angles morts.
Le règlement européen sur l'IA ne définit l'hypertrucage que comme une image, un contenu audio ou une vidéo. Le texte généré lui échappe entièrement. Autrement dit : la catégorie de contenu la moins chère à produire, celle qu'on fabrique par millions de messages, n'entre pas dans le champ de l'obligation de transparence.
Les dispositifs juridiques existants s'articulent mal. L'article 226-8 du Code pénal vise certains usages frauduleux de l'image ou de la voix, mais il concerne les personnes physiques et suppose une intention malveillante — difficile à établir. La loi de 1881 peut sanctionner une diffamation commise au moyen d'un hypertrucage, mais elle a été écrite pour des contenus humains. Le droit d'auteur protège les œuvres originales, ce qui exclut par construction les contenus purement synthétiques.
Les outils techniques ne sont pas à la hauteur. Le rapport est explicite : filigranes, métadonnées et certifications de provenance progressent, mais restent « coûteux, contournables et peu standardisés ». Et face à des générateurs qui évoluent en continu, ces solutions peinent à suivre, ce qui creuse « un décalage préoccupant entre les capacités de création et de détection ».
Le rapport documente aussi l'échelle du marché : les usages de l'IA appliqués aux médias et au divertissement sont estimés à 12 milliards de dollars en 2025 et projetés à 68,8 milliards en 2036. Dans le même mouvement se développe un marché de l'hypertrucage à la demande, le deepfake as a service, qui met ces technologies à portée de n'importe qui.
Le dividende du menteur, version 2026
Le rapport du CSPLA reprend le concept et le formule sèchement : « plus les hypertrucages se banalisent, plus il devient facile de disqualifier le vrai en le faisant passer pour un faux ».
C'est exactement là que les trois publications de septembre se rejoignent. Le danger premier n'est pas qu'un faux passe pour vrai — c'est qu'un vrai puisse être écarté comme faux. Et cette manœuvre n'a besoin d'aucune prouesse technique : elle a besoin d'un public qui a appris que tout peut être faux.
Le raisonnement tourne alors à l'envers. Plus on informe le public que les deepfakes sont indétectables, plus on arme celui qui veut nier une preuve. Chaque article alarmiste sur « l'IA qui rend tout faux » — celui-ci compris, s'il est mal lu — ajoute une pelletée au doute.
La différence de 2026, c'est que le déni n'a même plus à être de mauvaise foi. Quand un juge, un journaliste ou un citoyen n'a aucun outil fiable pour trancher, refuser une preuve devient une position défendable. Le doute n'est plus une faute morale, c'est un réflexe rationnel face à un instrument qui ne fonctionne pas.
Ce qui ne marche pas
L'œil entraîné. Les listes d'indices visuels — mains, dents, reflets, symétrie — ont été utiles en 2023. Elles décrivent les défauts des modèles d'alors. Les modèles actuels ne les produisent plus assez souvent pour qu'on en tire une décision, et le risque est asymétrique : un indice raté ne coûte rien à celui qui regarde, mais un indice inventé coûte la crédibilité de celui qui accuse.
Le détecteur miracle. Les scores à 94 % sont réels — sur un corpus donné, contre des modèles donnés. Ils ne se transportent pas.
Le filigrane comme preuve. Un filigrane prouve qu'un fichier est passé par un outil. Son absence ne prouve rien du tout : il disparaît au premier screenshot, à la première recompression, et la majorité des appareils et logiciels ne le posent pas.
Ce qui reste, et qui marche
Aucun de ces réflexes ne demande de technologie. Tous demandent de la méthode.
1. Dater et sourcer avant de juger. Où ce contenu est-il apparu en premier ? Qui l'a publié, à quelle heure, avec quel intérêt ? La question de la provenance est plus fiable que celle des pixels, et elle est à la portée de tout le monde.
2. Chercher le recoupement, pas la confirmation. Un événement réel est couvert par plusieurs sources indépendantes. Si tout ce que vous trouvez sur un contenu vient d'un seul point d'origine recopié, vous n'avez pas une information : vous avez une propagation.
3. Se méfier de ses propres envies. Le contenu qu'on partage le plus vite est celui qui confirme ce qu'on pensait déjà. C'est le vecteur principal — bien avant les deepfakes sophistiqués.
4. Distinguer « je ne peux pas vérifier » de « c'est faux ». Ce sont deux phrases différentes, et les confondre est précisément la manœuvre que décrit le dividende du menteur.
5. S'entraîner sur des cas réels. La compétence de détection ne vient pas d'une liste à mémoriser, elle vient d'avoir confronté son jugement à des cas nombreux et d'avoir reçu un verdict. C'est ce que fait ce site : chaque partie présente des contenus authentiques et synthétiques, vous tranchez, et vous voyez immédiatement si vous vous êtes trompé.
Ce que ces trois textes disent ensemble
DF26 mesure que les détecteurs automatiques sont au niveau du hasard sur les vidéos qui comptent. Le CSPLA constate que le droit couvre l'image et le son mais pas le texte, et que les outils de traçabilité sont contournables. Les chiffres de détection s'effondrent dès qu'on change de corpus.
Trois disciplines, trois vocabulaires, une même conclusion : la vérification ne peut plus venir d'un instrument unique. Elle doit se construire par empilement — provenance, recoupement, contexte, et un jugement humain entraîné à se tromper parfois.
La bonne nouvelle est là. Un dispositif qui reposerait entièrement sur un détecteur serait fragile, parce qu'il suffit d'un modèle de plus pour qu'il cesse de fonctionner. Un dispositif qui repose sur la méthode résiste : il ne dépend pas de la dernière architecture générative, seulement de la rigueur de celui qui l'applique.
Le CSPLA publiera ses remèdes au premier semestre 2027. D'ici là, la seule défense disponible est celle qui ne se télécharge pas.
Sources
- DF26: We Cannot Tell Fake From Real Anymore — Shykula, Yermakov, Samarskyi, Mishkin, Cech, Mishchuk — arXiv:2609.07369, soumis le 7 septembre 2026. Benchmark de 271 vidéos réelles et 2 420 synthétiques issues de 7 modèles ; performance humaine et des détecteurs de l'état de l'art proche du hasard. Licence CC BY 4.0. https://arxiv.org/abs/2609.07369
- Rapport d'étape de la mission relative aux enjeux pour les secteurs culturels et créatifs des hypertrucages générés ou manipulés par l'intelligence artificielle — mission présidée par Joëlle Farchy et Célia Zolynski, remis au CSPLA le 9 juillet 2026, publié par le ministère de la Culture le 7 septembre 2026. https://www.culture.gouv.fr/nous-connaitre/organisation-du-ministere/conseil-superieur-de-la-propriete-litteraire-et-artistique-cspla
- Unite.AI — bilan des taux de détection annoncés, de 94 % à 48 % selon les corpus et les modèles.
- Le dividende du menteur — concept introduit par Bobby Chesney et Danielle Keats Citron.