La triche avec l’IA devient plus facile et plus difficile à prouver
La triche aux tests en ligne et aux évaluations d’embauche a environ doublé avec la diffusion des outils d’IA, tandis que les détecteurs censés l’attraper sont moins solides qu’ils n’en ont l’air. Ce que cela change pour étudier, recruter ou être évalué.
À mesure que les assistants d’IA deviennent meilleurs pour répondre aux questions à la volée, un problème prévisible s’aggrave : la triche aux examens. Les rapports de l’année écoulée vont tous dans le même sens. L’entreprise de tests CodeSignal a constaté que la triche dans les évaluations techniques d’embauche a doublé en un an, passant d’environ 16 % à 35 %, et plusieurs études estiment désormais qu’une grande part des examens en ligne fait face à une triche active assistée par l’IA. Le malaise ne vient pas seulement de la hausse de la triche, mais du fait qu’il est réellement difficile de la détecter de façon fiable.
La raison tient à ce que les outils de détection peuvent vraiment vous dire. L’ancienne triche laissait des traces : un bloc de texte collé, une réponse suspectement rapide, un onglet de navigateur changé. L’aide moderne de l’IA peut n’en laisser presque aucune. Et lorsqu’un système automatique lève un drapeau, il ne dit pas « cette personne a triché ». Il dit quelque chose de plus étroit : « ce schéma ne correspond pas à ce que nous attendions ». C’est dans cet écart, entre une anomalie et une preuve, que réside tout le problème. Un étudiant qui écrit exceptionnellement bien, ou un candidat nerveux qui se comporte étrangement devant une caméra, peut déclencher le même signal qu’un véritable tricheur.
C’est pourquoi le secteur change discrètement d’approche. Au lieu de confier les verdicts à une surveillance par IA, un logiciel qui vous observe pendant un examen, la norme émergente est : « l’IA signale, les humains examinent ». La couche automatique réduit ce qu’il faut regarder ; une personne décide. C’est plus lent et plus coûteux, mais cela reconnaît une limite honnête : les détecteurs actuels savent bien remarquer que quelque chose cloche et mal prouver pourquoi. S’y fier seuls risque deux échecs à la fois : manquer de vraies triches et accuser à tort des personnes honnêtes.
Ce que cela signifie pour vous: Si vous êtes étudiant ou candidat, sachez qu’un signal automatique n’est pas une preuve et qu’un faux positif est un risque réel auquel il vaut mieux être prêt à répondre calmement. Si vous organisez des évaluations ou recrutez, la mesure pratique consiste à ne plus traiter les scores de détection comme des preuves et à revoir le test : demander un raisonnement montré en direct, utiliser des suivis oraux ou définir des tâches où bien utiliser l’IA est l’objectif plutôt que quelque chose à surveiller. Pour tous les autres, la leçon vaut aussi pour les détecteurs d’IA qui prétendent reconnaître des dissertations ou images produites par IA : ils parlent de probabilités, pas de certitudes. Prenez leur sortie comme une raison de regarder de plus près, jamais comme une réponse finale. Il faut garder les attentes mesurées : la cible bouge et les outils des deux côtés progressent en même temps.
Sources
Sources: https://www.theregister.com/ai-and-ml/2026/07/21/ais-cheatin-heart-will-make-you-weep/5275784
Une IA a aidé à réfuter un problème mathématique vieux de 87 ans ce week-end
Ce week-end, des mathématiciens ont utilisé le modèle Fable 5 d’Anthropic pour trouver un contre-exemple à la conjecture jacobienne, une question célèbre ouverte depuis 1939. Ce qui s’est réellement passé et pourquoi « une IA a fait des maths » ne veut pas dire ce que les titres suggèrent.
