Détecter un document généré par l’IA

Ce que l’IA générative change pour la fraude documentaire

Dans une alerte de novembre 2024, le FinCEN, l’autorité américaine de lutte contre le blanchiment, indique que les outils d’IA générative ont fortement réduit les ressources nécessaires pour produire un contenu réaliste. Il observe depuis 2023 davantage de signalements de banques décrivant de faux documents d’identité créés ou modifiés de cette façon. Ce constat porte sur les États-Unis et sur l’identité, mais le mécanisme vaut pour tout document présenté comme justificatif. Concrètement, trois choses changent :

• Moins de savoir-faire nécessaire. Produire une image de document ne demande plus de maîtriser un logiciel de retouche.
• Moins de répétition. Un faux n’a plus besoin d’être la copie d’un même modèle : le comparer à un exemplaire déjà repéré ne suffit plus.
• Des textes bien rédigés. Une attestation ou un courrier sans faute ne rassure plus : l’orthographe n’est plus un indice.

Il faut pourtant garder la mesure. Une prépublication de fin 2025 conclut que les modèles actuels imitent l’aspect de surface des documents d’identité sans en reproduire l’authenticité structurelle et technique, et que le risque de faux de qualité experte serait surestimé. Autrement dit : l’IA trompe plus facilement un regard rapide qu’un contrôle méthodique. Et elle n’a pas remplacé les retouches classiques d’un vrai document, qu’il faut continuer à chercher.

Les signes visibles, et leurs limites

Certains indices méritent un coup d’œil. Aucun n’est une preuve, et leur absence ne garantit rien :

• Le texte : petits caractères illisibles, mentions légales qui ne veulent rien dire, mots déformés dans une zone secondaire.
• Les identifiants : un numéro SIREN, un IBAN ou une référence dont le format ou la longueur ne correspond pas à ce qui est attendu.
• Les logos, tampons et signatures : des formes approximatives, ou un tampon sans le moindre défaut d’impression.
• La mise en page : des colonnes qui ne suivent pas une grille, des lignes de tableau qui dérivent.
• Les photos : le FinCEN cite une photo qui présente des incohérences internes ou ne correspond pas aux autres informations, comme une date de naissance. Le rapport du NIST, l’institut américain des normes, mentionne des détails asymétriques, comme des boucles d’oreilles ou des reflets dans les yeux. Sur une photo de sinistre, regardez aussi les ombres, les reflets et les inscriptions.

Ces signes ont trois limites. D’abord, ils dépendent des modèles du moment, qui progressent. Ensuite, l’œil humain est peu fiable : dans une étude sur les images, vidéos et sons générés, les participants ont fait à peine mieux que le hasard, et les auteurs jugent que la perception humaine ne suffit plus comme défense. Enfin, un scan médiocre ou une compression produisent des défauts semblables : un document authentique peut donc paraître suspect.

Les marquages de provenance : C2PA et filigranes

Plutôt que de deviner à partir de l’image, on peut lire ce que le fichier déclare. La C2PA (Coalition for Content Provenance and Authenticity) est un groupe d’entreprises et d’organisations qui publie une norme technique ouverte. Ses Content Credentials sont des données signées attachées au fichier : comment il a été créé, avec quels outils, quand, et comment il a évolué. Sa spécification couvre notamment les images et le PDF, et prévoit d’indiquer qu’un contenu a été produit par un modèle d’IA.

Ces données ne disent pas que le contenu est vrai. Les principes de la C2PA excluent tout jugement sur la qualité des informations : la validation établit seulement qu’elles sont bien liées au fichier, correctement formées et non altérées. De plus, la C2PA elle-même admet qu’un manifeste, le bloc qui porte ces données signées, peut être séparé du fichier.

Les filigranes invisibles

Certains outils insèrent aussi un signal invisible dans le contenu. Le NIST rappelle que sa détection comporte toujours une probabilité d’erreur, que les métadonnées peuvent être inexactes, et qu’aucune technique ne règle seule le problème.

Ce que change le droit européen

L’article 50 du règlement européen sur l’IA impose depuis le 2 août 2026 aux fournisseurs de systèmes génératifs de marquer leurs résultats dans un format lisible par une machine. Les systèmes déjà sur le marché avant cette date ont jusqu’au 2 décembre 2026, et des exceptions existent, par exemple pour une simple aide à l’édition. Ces marquages devraient donc se développer, sans couvrir tous les cas : le FinCEN rappelle que certains outils sont en source ouverte et que leurs protections peuvent être contournées.

En pratique, lisez ces marquages ainsi :

• Un marquage indique une génération par IA : posez la question, sans conclure à la fraude. Une illustration créée par IA dans un document n’en fait pas un faux.
• Un marquage valide décrit une origine cohérente : c’est une information utile, à recouper comme les autres.
• Aucun marquage : n’en concluez rien. Le NIST note que cette absence pourrait devenir un signal si ces données se généralisent, et seulement dans certains contextes.

Vérifier un document suspect : la méthode

1. Récupérez le fichier d’origine

   Une capture d’écran ou un document renvoyé par une messagerie peut avoir perdu ses informations. Demandez le fichier tel qu’il a été émis.

2. Lisez ce que le fichier déclare

   Propriétés, logiciel, dates, marquage de provenance éventuel. Notre outil gratuit lit les propriétés d’un PDF ou d’une image dans votre navigateur, et notre guide explique comment savoir si un PDF a été modifié.

3. Remontez à l’émetteur

   Une IA peut imiter une page, pas créer un dossier chez l’émetteur. Interrogez-le par ses coordonnées officielles, ou utilisez un service de contrôle : le contrôle d’Infogreffe pour un Kbis, le service de vérification des avis pour un avis d’impôt.

4. Lisez les codes signés

   Un générateur peut dessiner un code, pas produire une signature valide. Un 2D-Doc se contrôle avec un lecteur reconnu, et ses données se comparent à ce qui est imprimé.

5. Cherchez les autres occurrences d’une photo

   Le FinCEN signale qu’une recherche inversée d’image peut révéler qu’une photo d’identité provient d’une galerie de visages générés. Ce réflexe vaut aussi pour une photo de dégâts.

6. Réexaminez le dossier dans son ensemble

   Le FinCEN note que les banques repèrent souvent ces contenus en réexaminant les pièces fournies à l’ouverture du compte. Comparez les documents entre eux : c’est là que les incohérences apparaissent.

Pourquoi recouper reste le contrôle décisif

Si l’apparence ne coûte plus rien à produire, sa valeur de preuve baisse. Ce qui compte devient ce qu’un faussaire ne contrôle pas : les registres, les émetteurs, les flux financiers, les autres pièces. Quelques exemples :

• Un bulletin de salaire : le salaire net se retrouve-t-il sur le relevé bancaire, et l’employeur existe-t-il ?
• Un justificatif de domicile : l’adresse correspond-elle aux autres pièces, et un code 2D-Doc est-il présent ?
• Une facture : correspond-elle à une commande, et le numéro de TVA se vérifie-t-il ?
• Une photo de sinistre : concorde-t-elle avec le devis, l’expertise et les circonstances déclarées ?

Le FinCEN le formule clairement : aucun indice isolé ne suffit, et il faut considérer l’ensemble des faits et des circonstances. Parmi les signes qu’il retient figurent des incohérences entre plusieurs documents fournis par une même personne : c’est bien le dossier, plus que la pièce, qui trahit le faux. Notre guide général sur l’authenticité d’un document décrit une méthode en quatre niveaux.

Les erreurs à éviter

• Accuser sur la foi d’un détecteur. Le FinCEN compte ces résultats parmi des indicateurs dont aucun ne suffit seul, et le NIST souligne qu’accuser à tort un contenu humain d’être généré peut causer un préjudice grave.
• Traiter un texte rédigé avec une IA comme un faux. Rédiger un courrier avec un assistant n’a rien de frauduleux. Ce qui compte, c’est que les faits et l’émetteur soient vrais.
• Tenir un document sans marquage pour authentique. Un marquage se perd, et tous les outils n’en apposent pas.
• Ne chercher que l’IA. Beaucoup de contrôles restent valables quelle que soit la façon dont le faux a été produit, et une retouche classique ne présente aucun des signes d’une image générée.

Sur le plan juridique, l’outil utilisé ne change rien. En France, l’article 441-1 du Code pénal vise toute altération frauduleuse de la vérité « accomplie par quelque moyen que ce soit », de nature à causer un préjudice. Le faux et l’usage de faux sont punis de trois ans d’emprisonnement et de 45 000 € d’amende, et notre guide sur la fraude documentaire en dit plus.

Ce que Docusan apporte

Parmi ses analyses, Docusan recherche au niveau des pixels les images générées par IA et les deepfakes, ainsi que les insertions de contenu dans une image. Il examine aussi les métadonnées et la structure du fichier, en PDF, PNG, JPEG ou TIFF, puis rend un verdict : Aucune détection, Suspect ou Alerte. Les anomalies sont localisées sur le document, et la décision revient toujours à vos équipes.

Docusan n’interroge ni l’émetteur ni les bases administratives : il complète les recoupements ci-dessus et ne les remplace pas. Vous pouvez l’utiliser depuis la plateforme ou l’intégrer à vos outils grâce à son API, et vos documents ne servent jamais à entraîner nos modèles (sécurité et confidentialité).