Un score de détection isolé ne prouve rien : le coût d'un faux positif est trop lourd pour sanctionner sur un chiffre.
Vulpin croise trois lectures indépendantes — stylométrie, traces de fabrication du fichier, prévisibilité statistique.
Le verdict est un spectre humain → IA avec sa marge d'incertitude affichée ; la décision reste à l'enseignant.
Synthèse générée par IA, puis relue par la rédaction.
Le problème des faux positifs
La tentation, quand on construit un détecteur d'IA, c'est d'afficher un grand pourcentage rouge et de laisser l'enseignant conclure. C'est confortable pour nous, et dévastateur pour l'étudiant qui a écrit son texte à la main un dimanche soir. Un détecteur qui se trompe une fois sur vingt reste spectaculaire en démonstration — et catastrophique quand il désigne le mauvais élève devant un conseil de discipline.
Nous partons donc d'un principe simple : un signal n'est pas une preuve. Un texte très régulier peut sortir d'un modèle génératif… ou d'un étudiant méthodique qui a soigné sa copie. Le rôle de Vulpin n'est pas de trancher à sa place, mais de rendre le doute lisible : dire où ça accroche, à quel point, et avec quelle confiance.
Trois familles de signaux
Aucun indice pris isolément ne suffit. On accumule des preuves de natures différentes : si une seule famille s'allume, on reste prudent ; quand les trois convergent, la présomption devient sérieuse.
La stylométrie. Rythme des phrases, richesse du vocabulaire, tics de ponctuation : le style d'un auteur est une empreinte. On lit le texte pour ce qu'il est — sa régularité interne, ses respirations — sans le mesurer à une « norme » d'écriture abstraite qui pénaliserait un bon élève.
Les traces de fabrication. C'est notre angle mort chez les autres, et notre spécialité : un DOCX ou un PDF raconte comment il a été fabriqué. Le temps passé à l'écrire, le nombre de reprises, les couches de texte, ce que Word affiche lui-même dans Fichier → Informations. Le style se réécrit en deux minutes ; ces traces-là, beaucoup moins.
La prévisibilité statistique. Un modèle génératif choisit, mot après mot, ce qui est le plus probable. Un texte trop lisse, trop attendu, laisse une signature mesurable. Utile — mais jamais suffisante seule, car un auteur humain appliqué peut être lisse lui aussi.
Le spectre humain → IA
Plutôt qu'un verdict binaire « humain / IA », Vulpin place le document sur un spectre gradué et y attache une incertitude. Un indice bas, ce n'est pas « innocent » : c'est « rien d'anormal détecté ». Un indice haut n'est pas une condamnation : c'est « allez lire de près, voici où ».
Cette marge d'erreur n'est pas de la fausse modestie. C'est ce qui sépare un outil d'aide à la décision d'un distributeur automatique de sanctions.
« Notre métier n'est pas de distribuer des sanctions. C'est de donner aux enseignants une lecture honnête du doute. »
Ce que Vulpin ne fera jamais
Certaines lignes ne sont pas des réglages : ce sont des choix de conception, écrits dans le produit une bonne fois.
Jamais de verdict binaire « coupable / innocent ». Un spectre, une incertitude, du contexte.
Jamais présenté comme une preuve juridique. Vulpin signale ; il n'accuse pas à votre place.
Jamais de sanction pour usage déclaré de l'IA. Citer un assistant n'est pas tricher — le cacher, si.
Et maintenant ?
La détection d'IA est une course de fond : les modèles progressent, nos signaux aussi. Ce qui ne bouge pas, c'est la boussole — aider un enseignant à instaurer un dialogue, pas à clore un dossier. Le meilleur moyen de comprendre ce que Vulpin voit, c'est de lui donner un document à lire.
L'équipe qui construit le moteur de détection de Vulpin — linguistes, ingénieurs et anciens enseignants. On écrit ici ce qu'on apprend sur le terrain, sans survendre.