Détecteur de code IA

Qu'est-ce qu'un détecteur de code IA ?

Un détecteur de code IA est un outil qui estime si un morceau de code source a été écrit par une personne ou généré par un assistant de programmation IA. Depuis que des outils comme ChatGPT, Claude, Gemini, GitHub Copilot et Cursor font partie du quotidien des développeurs, une grande part du nouveau code commence sa vie comme une suggestion d'IA. C'est souvent acceptable, et souvent très utile. Mais il y a des situations où vous devez savoir d'où vient le code : un devoir de programmation censé évaluer la compréhension propre de l'étudiant, un test technique à faire chez soi, ou une pull request d'un contributeur dont vous relisez le travail.

Ce détecteur de code IA gratuit vous donne une réponse rapide et lisible : un verdict (probablement généré par IA, probablement écrit par un humain, ou mixte), une probabilité d'IA de 0 à 100 % et quelques raisons courtes expliquant ce que l'analyse a remarqué.

Comment fonctionne ce détecteur de code IA

Quand vous cliquez sur Analyser, votre extrait est envoyé à un grand modèle de langage d'un fournisseur tiers (Groq, avec Google Gemini en secours) avec la consigne de se comporter comme un relecteur attentif. Plutôt que de chercher un filigrane caché, que la plupart des outils d'IA n'ajoutent pas au code, le modèle examine les mêmes signaux de style qu'un ingénieur expérimenté remarquerait :

• Style des commentaires. Le code IA a souvent des commentaires soignés et réguliers qui expliquent l'évidence, comme « # Initialiser la liste ». Les commentaires humains sont plutôt rares, irréguliers ou centrés sur les passages étranges.
• Uniformité des noms. Les assistants préfèrent partout des noms cohérents, descriptifs, dignes d'un manuel. Les humains mélangent les styles, abrègent et oublient un tmp2 au passage.
• Code passe-partout. Des vérifications défensives pour chaque entrée, des messages d'erreur génériques et un bloc de démonstration if __name__ == "__main__" complet sont fréquents dans le code généré.
• Mise en forme et structure. Une mise en forme parfaitement cohérente, sans code mort, sans TODO et sans reste de débogage peut indiquer une IA.
• Particularités. Les fautes de frappe, les raccourcis inhabituels, les bricolages propres au projet et les habitudes personnelles indiquent généralement un auteur humain.

Le modèle pondère ces signaux et renvoie une probabilité avec les raisons les plus fortes. Nous lui demandons de rester mesuré : les extraits courts ou génériques obtiennent des scores modérés plutôt que des verdicts trop sûrs.

Quelle est sa fiabilité ? Une réponse honnête

Aucun détecteur de code IA n'est fiable à 100 %, et méfiez-vous de tout outil qui le prétend. Le code est bien plus contraint que la prose : il n'existe que quelques façons raisonnables d'inverser une chaîne ou d'appeler une API, si bien qu'une solution humaine propre et une solution IA peuvent se ressembler presque trait pour trait. La fiabilité est meilleure sur des fonctions ou des fichiers longs et complets, avec des commentaires et un peu de personnalité. Elle baisse sur les extraits très courts, sur le code très normalisé (par exemple formaté par un linter et écrit selon un guide de style strict) et sur une sortie d'IA retouchée par une personne.

Les faux positifs existent aussi. Des développeurs expérimentés qui écrivent un code propre et bien commenté peuvent paraître « trop parfaits ». C'est pourquoi il faut utiliser le résultat comme un indice parmi d'autres éléments : une discussion avec l'auteur, l'historique des commits ou une question de suivi sur le fonctionnement du code.

Quels outils d'IA peut-il repérer ?

Le détecteur cherche des motifs généraux, pas un produit en particulier ; il peut donc signaler du code typique de tous les grands assistants : ChatGPT, Claude, Gemini, GitHub Copilot et Cursor, ainsi que d'autres outils fondés sur des modèles similaires. Il estime si le code semble écrit par une IA ; il ne dit pas de façon fiable quel outil l'a produit, car ces assistants partagent de plus en plus les mêmes habitudes.

Qui utilise un détecteur de code IA ?

• Enseignants et chargés de TD qui corrigent des devoirs de programmation, où l'objectif est de voir si l'étudiant sait résoudre le problème seul.
• Recruteurs et intervieweurs qui évaluent des tests techniques et des exercices de code, comme point de départ pour des questions plutôt que comme motif de rejet automatique.
• Relecteurs de code et mainteneurs qui veulent savoir quand une pull request mérite une attention particulière : bugs subtils, questions de licence ou code que l'auteur ne comprend peut-être pas entièrement.
• Développeurs simplement curieux de savoir à quel point leur propre style ressemble à celui d'une IA.

Conseils pour de meilleurs résultats

Collez une fonction complète ou une partie significative d'un fichier (jusqu'à 8 000 caractères), conservez les commentaires d'origine et évitez de passer le code dans un formateur avant. Pour vérifier un grand projet, testez plusieurs morceaux indépendants et regardez la tendance générale plutôt qu'un score isolé.

Questions fréquentes