Pangram affirme que son nouveau détecteur se trompe une fois sur 24 000 documents. Regardons ce chiffre de plus près
Pangram 4 revendique 0,0041 % de faux positifs et détecterait les textes d’IA malgré 13 outils d’humanisation. L’essentiel est ailleurs : sa base d’utilisateurs a été multipliée par 44 en un an.
Pangram vient de lancer Pangram 4, un nouveau modèle de détection des textes générés par IA. L’entreprise le dit six fois plus grand que son prédécesseur, avec quatorze fois moins de faux positifs et six fois moins de textes d’IA manqués. Dans ses propres benchmarks, il reconnaît correctement 99,66 % des textes artificiels et signale à tort une rédaction humaine dans 0,0041 % des cas, soit, selon la présentation de Pangram, environ une erreur tous les 24 000 documents.
La publication ne se résume pas à ce chiffre. Pangram 4 prétend distinguer un texte légèrement retouché par IA d’un contenu entièrement généré, une différence essentielle en pratique que les anciens détecteurs géraient mal. Il résisterait aussi aux outils d’« humanisation », ces services qui réécrivent une sortie d’IA pour échapper aux contrôles, en repérant la composante artificielle dans 98,83 % des cas sur 13 outils courants. L’API coûte désormais 0,05 dollar pour 100 mots, une hausse comprise entre deux et dix fois selon la longueur, tandis que l’analyse d’images est incluse dans toutes les offres. Pangram 3 restera disponible jusqu’au 30 septembre 2026.
Les chiffres commerciaux racontent peut-être l’histoire la plus importante. D’après le New York Times, le revenu annuel a été multiplié par 35 en un an et le nombre d’utilisateurs mensuels est passé de 2 700 en juin 2025 à 120 000 en juin 2026. La détection a quitté la niche des préoccupations universitaires pour devenir une véritable catégorie de produits. Voilà pourquoi l’ajout des outils Pangram par Substack la semaine dernière a suscité une telle réaction.
La réserve est sérieuse : tous les chiffres précédents proviennent de l’entreprise qui vend le produit. Les évaluations indépendantes se sont historiquement montrées sévères envers les détecteurs. Une étude de Stanford a observé un biais systématique contre les personnes dont l’anglais n’est pas la langue maternelle, leur construction de phrase plus conventionnelle étant davantage assimilée à celle d’une machine. Et 0,0041 % de faux positifs ne paraît négligeable qu’avant de passer à l’échelle. Sur 120 000 documents mensuels, environ cinq personnes sont accusées à tort chaque mois, sans pouvoir démontrer qu’elles n’ont rien fait. Dans une classe ou une procédure disciplinaire, la précision globale importe moins que le coût supporté par la personne mal classée.
Ce que cela signifie pour vous : Si vous écrivez, surtout en anglais comme seconde langue, sachez que ces outils sont désormais largement déployés et qu’un signalement ne prouve aucune culpabilité. Conservez brouillons, historique des versions et notes : ce sont vos seules véritables protections. De l’autre côté — enseignant, éditeur ou plateforme —, utilisez le score comme un indice qui ouvre une discussion, jamais comme une preuve qui la ferme. Les performances annoncées par le vendeur restent du marketing tant qu’un organisme indépendant ne les a pas vérifiées.
Sources
Un nouveau cabinet du Big Four publie des rapports citant des sources inexistantes
GPTZero a découvert des références inventées dans quatre rapports de PwC Moyen-Orient. L’un d’eux aurait 84 % de chances d’avoir été entièrement généré par IA. KPMG, Deloitte et EY avaient déjà été épinglés.
