Détecter le texte généré par IA avant publication avec n8n : triage, pas verdict

Un avis produit trop bien tourné, une lettre de motivation dont chaque candidat semble avoir consulté le même prompt, un article invité soumis à votre blog qui sonne juste un peu trop lisse : la question « est-ce qu'un humain a vraiment écrit ça ? » se pose de plus en plus souvent dès qu'un site accepte des soumissions ouvertes. Le réflexe est de chercher un détecteur qui tranche. Le problème, documenté par la recherche, est qu'aucun détecteur ne tranche de façon fiable — et qu'en construire un qui prétend le faire crée plus de dégâts (faux positifs sur de vrais clients, de vrais candidats) qu'il n'en résout. Ce guide construit dans n8n non pas un détecteur, mais un pipeline de triage : un score de suspicion, jamais un verdict, avec une bande de confiance qui route systématiquement les cas ambigus vers une relecture humaine.

Aucun détecteur n'est fiable à 100 %, et ce n'est pas un détail

C'est le point de départ à admettre avant d'écrire le moindre node. L'étude de Sadasivan, Kumar, Balasubramanian, Wang et Feizi, Can AI-Generated Text be Reliably Detected? (2023), teste la robustesse d'un large éventail de détecteurs — classifieurs neuronaux, méthodes zero-shot, watermarking, détection par récupération — face à une simple attaque par paraphrasage récursif. Résultat : la précision de détection s'effondre pour la quasi-totalité des méthodes testées, watermarking compris, sans que le texte reformulé perde son sens ni sa qualité. Les auteurs montrent aussi, côté théorique, qu'il existe une limite fondamentale au-delà de laquelle un texte suffisamment naturel devient indiscernable, quel que soit le détecteur.

L'autre face du problème est le faux positif sur du texte réellement humain. Les détecteurs les plus courants s'appuient sur des signaux de prévisibilité statistique (perplexité, régularité syntaxique) que l'on retrouve aussi, naturellement, chez les rédacteurs qui écrivent dans une langue seconde ou avec un style scolaire très structuré — un biais documenté et régulièrement cité comme source de discrimination injuste dans les contextes académiques et de recrutement. Un pipeline qui rejette automatiquement sur ce seul signal ne détecte pas l'IA : il pénalise un certain type d'écriture humaine.

À quoi sert alors un score de détection

Exactement au même rôle que la classification dans notre guide sur la détection de phishing et de spam : un signal parmi d'autres, jamais une décision autonome. L'objectif n'est pas de bâtir un mur binaire mais un filtre à trois bandes — évident humain, évident généré, et une zone grise volontairement large qui part en relecture. C'est la même logique de garde-fou déjà appliquée sur ce blog pour la modération d'avis et de commentaires ou le tri de candidatures : l'IA accélère le tri, l'humain garde la décision qui compte.

Étape 1 — Centraliser les soumissions dans un point d'entrée unique

Que la source soit un formulaire d'avis, un Form Trigger multi-étapes pour les candidatures spontanées, ou un webhook alimenté par votre CMS pour les articles invités, chaque soumission doit converger vers le même workflow n8n avant publication — voir notre guide complet sur le Webhook pour la réception fiable de ces événements. À ce stade, l'item contient au minimum le texte brut, la source (avis, candidature, article), et si possible un identifiant de session ou d'auteur pour le suivi.

Étape 2 — Un LLM-juge à sortie structurée, pas une boîte noire

Plutôt qu'un score opaque renvoyé par une API tierce, un node AI Agent (ou un simple Basic LLM Chain pour une tâche aussi ciblée) reçoit le texte et une grille d'analyse explicite : régularité syntaxique excessive, transitions génériques (« il est important de noter que »), absence de détail vécu ou d'anecdote vérifiable, structure en liste trop parfaitement équilibrée. Le prompt demande explicitement au modèle de justifier chaque indice repéré plutôt que de sortir un chiffre nu — un score sans justification n'est pas exploitable en relecture humaine.

Forcez une sortie structurée avec le Structured Output Parser :

{
  "suspicionScore": 0.62,
  "indices": ["transitions génériques répétées", "absence de détail concret vérifiable"],
  "confidence": "moyenne"
}

Le champ confidence compte autant que le score lui-même : un modèle qui hésite doit le dire, plutôt que de forcer une valeur précise sur un cas structurellement ambigu — exactement le principe déjà détaillé dans notre guide sur le node Text Classifier pour tout routage IA en zone grise.

Étape 3 — Croiser avec des signaux indépendants du LLM

Un second LLM n'est qu'un signal parmi d'autres, et les combiner réduit le risque de faux positif isolé :

• Quasi-doublons entre soumissions. Un contenu généré en masse (avis, candidatures type) produit souvent des textes proches sans être identiques. Notre guide sur la détection de doublons approximatifs par embeddings s'applique directement ici : plusieurs avis à similarité cosinus élevée soumis en peu de temps sont un signal bien plus solide qu'un score de style isolé.
• Métadonnées de soumission. Temps de rédaction anormalement court pour la longueur du texte (si le formulaire capture un timestamp de début et de fin), volume de soumissions par IP ou par session sur une courte fenêtre.
• Cohérence avec le profil déclaré. Une candidature qui cite une expérience très générique sans lien avec le poste, ou un avis qui décrit des caractéristiques absentes du produit réellement vendu.

Aucun de ces signaux, pris seul, ne justifie un rejet automatique. Combinés dans un score composite, ils réduisent la zone grise sans jamais prétendre l'éliminer.

Étape 4 — Router par bande de confiance, jamais un rejet silencieux

Un node IF ou Switch répartit ensuite les items en trois branches, sur la base du score composite :

• Score bas (texte manifestement humain) : publication directe, sans friction supplémentaire.
• Score élevé avec forte confiance : mise en attente et notification à l'équipe, jamais suppression automatique — l'auteur reste informé qu'une vérification est en cours.
• Zone grise (la majorité des cas ambigus) : passage systématique en relecture humaine, sur le même modèle que notre guide sur l'approbation humaine avec le node Wait et Slack. Le message envoyé au relecteur inclut le texte complet, le score, et surtout les indices textuels relevés par le LLM-juge — pas seulement un chiffre.

Cette architecture à trois bandes, pas deux, est le point qui distingue un pipeline défendable d'un simple filtre binaire : la bande du milieu doit rester large tant que la fiabilité des détecteurs n'est pas meilleure que ce que montre la recherche actuelle.

Étape 5 — Journaliser chaque décision, humaine ou automatique

Chaque verdict — score, indices, décision finale, identité du relecteur le cas échéant — mérite d'être tracé dans une base d'audit plutôt que perdu après traitement. Au-delà de la traçabilité légale (un candidat ou un client peut légitimement demander pourquoi sa soumission a été retardée), ce journal sert aussi à recalibrer le prompt du LLM-juge dans le temps : si la bande « score élevé » génère un taux anormal de faux positifs confirmés en relecture, c'est le signal qu'il faut ajuster les seuils, pas qu'il faut automatiser davantage.

Pièges fréquents

• Traiter un score de détection comme une preuve. Aucune étude sérieuse ne soutient qu'un détecteur atteint une fiabilité suffisante pour justifier un rejet automatique sans recours humain.
• Ignorer le biais contre les rédacteurs non natifs. Un pipeline qui pénalise systématiquement un style d'écriture régulier discrimine sans le vouloir une partie de vos utilisateurs légitimes.
• Ne se fier qu'à un seul signal. Style seul, doublons seuls, métadonnées seules : chacun produit des faux positifs. La combinaison, avec une zone grise volontairement large, est ce qui rend le pipeline défendable.
• Ne pas prévoir de recours pour l'auteur. Une soumission retardée ou rejetée doit pouvoir être contestée — c'est aussi une question de confiance envers votre audience.

En résumé

Aucun détecteur de texte IA, LLM-juge maison ou outil commercial, ne mérite la confiance d'un verdict automatique — la recherche le montre clairement, avec en prime un biais documenté contre les rédacteurs non natifs. Ce qu'un pipeline n8n peut construire, en revanche, c'est un système de triage honnête : un score composite combinant analyse LLM et signaux indépendants (quasi-doublons, métadonnées), une zone grise volontairement large routée vers une relecture humaine, et un journal qui permet de recalibrer les seuils dans le temps. Cette logique de traçabilité — chaque décision documentée, chaque cas ambigu remonté à un humain — est précisément celle que formalise le Pack Conformité & Audit (149 €). Si votre priorité immédiate est plutôt le tri d'un flux d'emails entrants, le Pack Inbox IA (79 €) applique la même architecture de score et de relecture humaine ; le Bundle FlowKit Complet (269 € au lieu de 347 €) réunit les trois packs si vous prévoyez d'enchaîner plusieurs pipelines de ce type.