Comment OpenAI tente d’identifier les images générées par l’IA

Les images générées par intelligence artificielle deviennent de plus en plus réalistes. Dans de nombreux cas, il est désormais difficile — voire impossible — de les distinguer d’une photo réelle à l’œil nu. Pour répondre à ce défi, OpenAI déploie une stratégie dite de provenance des contenus, destinée à fournir des indices techniques sur l’origine d’une image.

Cette approche repose sur trois éléments complémentaires : des métadonnées normalisées (C2PA), un filigrane invisible appelé SynthID et un outil public permettant de vérifier ces signaux. L’objectif n’est pas d’offrir une détection parfaite, mais de créer un écosystème plus transparent pour retracer l’origine des images circulant en ligne.

Une stratégie fondée sur plusieurs signaux

Plutôt que de miser sur une seule technologie, OpenAI combine plusieurs méthodes. Chacune apporte un type d’information différent sur la manière dont une image a été créée.

• Les métadonnées C2PA documentent l’origine et l’historique du fichier.
• Le filigrane invisible SynthID insère un signal directement dans l’image elle‑même.
• Un outil de vérification public permet d’analyser une image pour rechercher ces indices.

Cette approche à plusieurs niveaux permet de compenser les limites de chaque technique prise isolément.

Les métadonnées C2PA : des “Content Credentials” pour les images

OpenAI adopte le standard C2PA (Coalition for Content Provenance and Authenticity), un cadre technique ouvert permettant d’ajouter des métadonnées vérifiables à des fichiers multimédias.

Dans le cas d’une image générée par IA, ces informations peuvent indiquer par exemple :

• si l’image a été générée par un système d’IA ;
• quel outil ou modèle a été utilisé ;
• si le fichier a été modifié ou édité après sa création.

L’un des atouts de C2PA est son caractère ouvert et interopérable. Le standard n’est pas réservé à l’IA : fabricants d’appareils photo, médias et logiciels d’édition peuvent aussi y ajouter des informations de provenance, créant un cadre commun pour vérifier l’origine des contenus numériques.

Mais cette méthode a une limite importante : les métadonnées peuvent être supprimées. Un simple screenshot, une compression d’image, une modification dans un logiciel ou un partage sur une plateforme qui ne conserve pas ces données peut effacer ces informations.

SynthID : un filigrane invisible intégré à l’image

Pour rendre l’identification plus robuste, OpenAI s’associe à Google DeepMind afin d’ajouter SynthID, un filigrane invisible intégré directement dans les pixels des images générées par IA.

Contrairement aux métadonnées — qui existent comme informations attachées au fichier — SynthID modifie subtilement l’image afin d’y encoder un signal que des outils spécialisés peuvent ensuite détecter.

Ce système présente plusieurs avantages :

• le signal peut survivre à de nombreux partages ou conversions de format ;
• il n’altère pas l’apparence visuelle de l’image ;
• il peut être détecté par des outils d’analyse dédiés.

Les recherches décrivant SynthID indiquent que des milliards d’images et d’images vidéo ont déjà été marquées par ce système dans les services de Google.

Cependant, là aussi, la méthode n’est pas infaillible. Des transformations importantes — recadrage, retouches lourdes ou tentatives délibérées de suppression — peuvent affaiblir le signal. Et le filigrane n’existe que dans les images générées par des systèmes qui choisissent de l’ajouter.

Métadonnées vs filigrane : deux approches complémentaires

Les deux techniques poursuivent le même objectif — retracer l’origine d’une image — mais leurs forces et leurs faiblesses diffèrent.

Les métadonnées C2PA offrent un contexte riche : elles peuvent décrire l’historique complet d’un fichier et sont faciles à lire pour les plateformes et les logiciels. En revanche, elles peuvent disparaître lors du partage ou de l’édition du fichier.

Le filigrane invisible SynthID, lui, est plus difficile à supprimer car il est intégré à l’image elle‑même. Mais il fournit généralement un signal plus simple (présent ou absent) et nécessite des outils spécialisés pour être détecté.

Pour cette raison, OpenAI combine les deux approches : les métadonnées apportent la transparence et le contexte, tandis que le filigrane offre davantage de résistance lors de la diffusion de l’image.

Un outil public pour vérifier les images

OpenAI teste également un outil de vérification public qui permettra aux utilisateurs de téléverser une image pour rechercher des indices de provenance associés à ses systèmes.

L’outil examine notamment :

• la présence de métadonnées C2PA indiquant une génération par IA ;
• l’existence d’un filigrane SynthID intégré dans l’image.

Si l’un de ces signaux est détecté, l’outil peut indiquer que l’image a probablement été produite par des modèles d’OpenAI — par exemple via ChatGPT ou l’API.

Il existe toutefois une nuance importante : l’absence de ces signaux ne signifie pas qu’une image est authentique. Les métadonnées peuvent avoir été supprimées, ou l’image peut provenir d’un autre système d’IA qui n’utilise pas ces technologies.

Pourquoi la provenance devient essentielle

Avec la montée rapide des outils de génération d’images, la question de l’origine des contenus visuels devient centrale pour les plateformes, les médias et les internautes.

La stratégie d’OpenAI s’inscrit dans un effort plus large de l’industrie technologique visant à fournir du contexte et des indices de provenance, plutôt qu’un test universel capable de détecter toutes les images générées par IA.

En combinant standards ouverts, filigranes invisibles et outils de vérification accessibles, l’objectif est de rendre plus facile la compréhension de d’où vient une image — et comment elle a été créée — dans un environnement numérique de plus en plus rempli de contenus synthétiques.