Éditorial · Production IA
Détecter un contenu IA non relu : signaux textuels, factuels, limites des détecteurs et grille EEAT à appliquer avant publication.
En 30 secondes
Un responsable contenu qui relit une pige commandée à un prestataire, ou un dirigeant qui compare deux versions d'une même page produit, se pose de plus en plus souvent la même question : ce texte a-t-il été relu, ou juste généré puis publié tel quel ? La question n'est pas là où on la cherche. Détecter un contenu IA non relu n'est pas une question d'origine : la plupart des équipes contenu ouvrent déjà un assistant IA à un moment ou un autre de la production. La question porte sur ce qui se passe après : le résultat a-t-il été vérifié, recontextualisé, rendu réellement utile pour le lecteur qui le cherche ? C'est exactement ce que mesure la grille EEAT contenu IA (Experience, Expertise, Authoritativeness, Trust) que Google applique à toute page, assistée par IA ou non. Pour une équipe qui arbitre un budget entre SEO classique et visibilité dans les moteurs génératifs (ce que les praticiens regroupent sous le sigle GEO), cette distinction change tout : elle déplace l'effort du camouflage vers la qualité.
L'inquiétude n'est pas irrationnelle. Les outils de génération de texte se sont banalisés, les volumes de production ont grimpé, et certains segments de recherche se sont visiblement chargés de contenu produit en quelques minutes puis publié sans révision, un constat qualitatif plutôt qu'une mesure chiffrée. La réponse de l'entreprise, elle, n'a jamais varié depuis 2023 : dans un billet du Search Central Blog publié en février de cette année-là, Google indique s'être toujours concentré sur la qualité du contenu plutôt que sur la façon dont il a été produit. Cette position tient depuis ; la documentation Search Essentials, mise à jour au 10 décembre 2025, la reprend et la précise : les systèmes de classement visent à récompenser un contenu utile et fiable, créé pour le bénéfice du lecteur, pas un contenu conçu pour manipuler le classement, un principe désormais intégré aux systèmes de classement cœur, plus une simple mise à jour ponctuelle.
Un contenu IA pénalisé par Google, en tant que méthode de production, n'existe donc pas dans les textes officiels de l'entreprise. Ce qui existe, actualisé au 15 mai 2026, c'est une politique de lutte contre l'abus de contenu à grande échelle : elle vise la production de nombreuses pages dans le but principal de manipuler le classement, sans aider l'utilisateur, que ces pages aient été écrites par une IA, copiées-collées ou bâclées par un rédacteur pressé importe peu. Le contenu IA et référencement Google ne sont donc pas en tension frontale. Ce qui l'est, c'est la vitesse de production sans contrôle qualité. Chez OMKomUnity, le modèle de supervision d'une production IA part de ce constat : la question n'est jamais l'origine du premier jet, mais ce qu'il devient une fois relu et vérifié.
Les signes d'un contenu généré par IA se repèrent souvent à l'œil nu, avant même de vérifier un seul fait. Le premier est la généricité. Des formulations passe-partout, qui pourraient s'appliquer presque telles quelles à n'importe quel sujet voisin, sans rien qui ancre le propos dans un contexte précis : un paragraphe qui pourrait, mot pour mot, décrire n'importe quel secteur adjacent porte ce défaut.
Le deuxième signe est l'absence de prise de position. Un texte non relu énumère des possibilités, juxtapose des avantages et des inconvénients, empile des généralités : « il existe plusieurs approches », « chaque cas est différent », mais ne tranche jamais, ne recommande rien, ne prend aucun risque éditorial. Un rédacteur qui maîtrise son sujet, à l'inverse, a des opinions argumentées, même mesurées.
Le troisième signe se voit dans la structure elle-même : une symétrie trop parfaite. Chaque section calque exactement le schéma de la précédente : une phrase d'accroche, trois puces, une phrase de clôture, section suivante, même schéma. Un humain qui connaît son sujet ne rédige pas ainsi : il développe davantage un point technique qui le mérite, expédie un autre en une phrase, revient parfois sur une idée deux paragraphes plus loin parce qu'elle éclaire un point suivant. Cette irrégularité, loin d'être un défaut, est la marque d'une pensée qui organise la matière plutôt que de la débiter. À l'inverse, un paragraphe retravaillé porte des repères concrets : un chiffre daté, une exception mentionnée parce que l'auteur l'a rencontrée, une formulation qui referme une hésitation légitime plutôt que de la gommer.
Les trois signaux textuels d'un contenu non relu
Comment savoir si un texte est généré par une IA quand le style, lui, a déjà été soigné ? Il faut regarder le fond : c'est là que les signaux les plus fiables apparaissent. Une affirmation sans source, un chiffre arrondi d'une façon qui sonne juste sans l'être (une heuristique de relecture, pas une preuve statistique : un chiffre qui tombe pile sur un compte rond mérite qu'on vérifie sa source avant de le publier), une généralisation posée comme une évidence là où le sujet appelle naturellement de la nuance : voilà ce que révèle une lecture attentive, au-delà de la forme.
Un vrai expert hésite, qualifie, contextualise. Il dira « dans la majorité des cas observés » plutôt que « toujours », il précisera la source d'un chiffre plutôt que de le lâcher sans attache, la même discipline que réclame une donnée GEO honnêtement présentée, distinguée d'une simple projection commerciale. Un texte non relu, lui, tranche à l'emporte-pièce parce que rien, dans sa production, n'a exigé cette prudence.
Google a formalisé une piste de réponse à ce problème dans sa documentation sur le contenu généré par IA générative, mise à jour au 10 décembre 2025 : elle recommande une transparence explicite sur la méthode de production quand l'automatisation entre en jeu, et impose pour l'e-commerce une labellisation spécifique des visuels et fiches produit générés par IA, via une métadonnée IPTC dédiée (DigitalSourceType: TrainedAlgorithmicMedia). Cette exigence de traçabilité, pensée pour les moteurs de recherche, sert tout autant le lecteur humain : elle pousse à assumer, plutôt qu'à dissimuler, la part d'assistance IA dans un contenu, ce qui suppose, en creux, qu'elle ait été vérifiée avant publication.
Une démarche de QA anti-détection IA sérieuse commence par une reconnaissance d'humilité : aucun outil ne mesure directement si un texte a été écrit par une intelligence artificielle. Il mesure des indicateurs statistiques indirects : la perplexité du texte, ou sa variance de longueur et de rythme de phrase, ce que la recherche appelle la burstiness. Ces indicateurs ont des limites documentées.
Advik Raj Basani et Pin-Yu Chen ont soumis en septembre 2025 des travaux de recherche à Transactions on Machine Learning Research, déposés sur arXiv et révisés en février 2026 : ils suggèrent qu'un signal construit sur cette diversité rythmique améliore la performance des détecteurs existants, le texte humain présentant une variabilité lexicale et structurelle statistiquement plus riche que celui produit par un modèle de langage. Un tel signal reste un travail récent, en cours de révision, pas un consensus établi, à lire au conditionnel.
Plus significatif encore pour qui cherche à détecter un contenu généré par ChatGPT ou un outil comparable : une étude de Weixin Liang, Mert Yuksekgonul, Yining Mao, Eric Wu et James Zou, chercheurs à Stanford, publiée en juillet 2023 dans la revue à comité de lecture Patterns (Cell Press), a montré que des détecteurs commerciaux courants classaient à tort plus de la moitié des essais TOEFL rédigés par des locuteurs non natifs de l'anglais comme générés par IA, alors que la quasi-totalité des essais d'élèves natifs étaient identifiés correctement. L'explication avancée : ces outils pénalisent une perplexité lexicale plus faible, corrélée à un vocabulaire moins étendu, sans rapport avec une origine artificielle du texte.
Plus de la moitié des essais TOEFL rédigés par des locuteurs non natifs de l'anglais classés à tort comme générés par IA par des détecteurs commerciaux courants, contre la quasi-totalité des essais d'élèves natifs correctement identifiés. Stanford, revue Patterns (Cell Press), juillet 2023
Un signal statistique reste un indice, jamais une preuve. C'est précisément le rôle d'une QA anti-détection IA structurée en interne : ne pas se reposer sur le score d'un détecteur commercial pour juger un texte, mais s'appuyer sur une grille de relecture humaine informée ; celle que suit, par exemple, la dernière étape d'un pipeline éditorial qui va de la recherche à la QA hostile. Aucun outil ne doit remplacer cette étape, quelle que soit sa sophistication annoncée.
C'est cette discipline de contrôle, répétée à chaque jointure, qui permet de produire du contenu SEO à l'échelle sans sacrifier la qualité : la vitesse de publication n'est jamais le problème tant que la vérification suit le même rythme.
La grille EEAT contenu IA n'a pas été conçue pour l'IA générative (elle préexiste largement à ChatGPT) mais elle s'applique intégralement à tout contenu qui en est issu. Les Search Quality Rater Guidelines, la grille officielle distribuée par Google à ses évaluateurs qualité humains et actualisée en septembre 2025, placent la confiance (Trust) au centre des trois autres piliers : Experience, Expertise, Authoritativeness. Aucune notation individuelle n'affecte directement un classement particulier ; elle sert à mesurer la qualité globale du système de recherche.
Appliquée à un article qui a démarré avec une assistance IA, la grille pose des questions concrètes, pas du jargon. Une expérience vécue et vérifiable transparaît-elle : un cas traité, une observation de terrain, un détail qui ne s'invente pas ? Une expertise identifiable soutient-elle le texte : un auteur nommé, un historique de publication sur le sujet ? Les affirmations s'appuient-elles sur des sources traçables plutôt que sur des généralités reformulées ? Le texte inspire-t-il confiance à un lecteur qui connaît déjà le sujet, ou sonne-t-il creux dès la troisième phrase pour quiconque y travaille au quotidien ?
Cette convergence n'a rien d'un hasard. Ce qui rassure un lecteur humain averti est structurellement ce qui rassure aussi un moteur de recherche ou un moteur génératif : la qualité de contenu et l'IA générative ne s'opposent pas, elles se mesurent au même aune, celle que SEO, GEO et AEO partagent comme socle commun. Les recommandations de Google sur la visibilité dans les expériences de recherche assistées par IA, publiées en mai 2025, vont dans le même sens : les critères de performance dans ces environnements restent alignés sur l'EEAT plutôt que sur une optimisation technique dédiée.
Une fois les signaux identifiés, reste la question opérationnelle : que contrôler avant de publier ? Une checklist courte, tenable dans un processus réel, vaut mieux qu'une liste théorique que personne n'applique.
Cette même checklist devient un outil de vérification côté acheteur quand le contenu n'est pas produit en interne mais confié à un tiers : ce qu'il faut vérifier avant de revendre une production qu'on ne fait pas soi-même reprend ces critères sous l'angle contractuel, en plus de l'angle éditorial.
Aucun de ces points, pris isolément, ne suffit à trancher si l'on est face à un contenu généré par IA non relu : c'est l'accumulation de réponses négatives qui doit alerter, les mêmes signes qu'un lecteur exigeant repère intuitivement sans jamais avoir besoin de les formuler. La relecture humaine reste, quel que soit le degré d'assistance IA en amont, l'étape non négociable. Nous pouvons appliquer cette grille à l'échelle d'un plan de contenu complet, en SEO comme en GEO.
Aucun signal isolé ne suffit : c'est un faisceau d'indices qui compte. Un texte non relu combine souvent généricité, absence de prise de position, structure trop symétrique et affirmations non sourcées. Un contenu retravaillé par quelqu'un qui connaît le sujet porte, à l'inverse, des marques d'expérience concrète et une variance naturelle dans le rythme des phrases.
Les outils de détection s'appuient sur des métriques comme la perplexité ou la variance de longueur de phrase, mais leur fiabilité reste limitée : une étude de Stanford a montré qu'ils pénalisent à tort des textes rédigés par des auteurs non natifs de l'anglais, faute d'un vocabulaire aussi étendu. Un score de détection donne un indice, jamais une preuve.
Deux familles de signaux se recoupent. Les signaux textuels : généricité, absence d'angle, structure trop régulière. Les signaux factuels : affirmations non sourcées, chiffres arrondis de façon suspecte, absence de nuance sur des sujets qui en comportent naturellement. Un contenu réellement relu porte, lui, des marques d'expérience vécue et une prise de position identifiable.
Non, à une condition près : que le contenu soit utile au lecteur. C'est la politique de lutte contre l'abus de contenu à grande échelle qui sanctionne, et elle vise le volume de pages sans valeur ajoutée destinées à manipuler le classement, quel que soit l'outil utilisé pour les produire, IA, sous-traitance bâclée ou copié-collé.
EEAT (Experience, Expertise, Authoritativeness, Trust) est le cadre que Google utilise, via ses Quality Rater Guidelines, pour évaluer la qualité d'un contenu, indépendamment de la façon dont il a été produit. Appliquée à un texte assisté par IA, la grille pose des questions concrètes : l'expérience vécue transparaît-elle, l'expertise de l'auteur est-elle identifiable, les affirmations sont-elles sourcées ?
Oui, à condition d'être relu et vérifié avec la même exigence qu'un texte rédigé sans assistance. La différence ne se joue pas sur l'outil de départ, mais sur ce qui se passe après : sourcing vérifié, prise de position assumée, relecture humaine effective.
L'auteur
Erlé Alberton
Fondateur de OMKomUnity. Pilote agence et conseil sur SEO, GEO, architecture martech et orchestration IA marketing — studio pour l'exécution, expertise personnelle pour le cadrage, sans complexité inutile ni surcoût structurel.
À lire aussi
Un contrat de production éditoriale en marque blanche est, légalement, un contrat de sous-traitance : les droits, les délais et le contrôle qualité à vérifier avant de signer avec une agence partenaire SEO.
Produire plus ne dilue la qualité que si le contrôle ne suit pas le rythme. Le pipeline article-factory déplace ce contrôle à des points précis : brief verrouillé, panel de brouillons concurrents, QA hostile, signature humaine.
Produire du contenu à l'échelle sans le bâcler suppose une chaîne claire. Voici les quatre étapes d'un pipeline éditorial piloté par des agents IA, et où l'humain reprend la main.
Nous utilisons des traceurs de mesure d’audience et de publicité. Vous pouvez les accepter, les refuser, ou choisir finalité par finalité — le site fonctionne identiquement dans tous les cas. En savoir plus
