Le roman de Thélyson Orélien vient d’être supprimé de la sélection du Goncourt Culture.
L’auteur du roman « C’était ça ou mourir », pressenti pour concourir pour le fameux prix, et qui était déjà accusé d’avoir eu recours à l’IA, est maintenant suspecté de plagiat pour des textes publiés au Canada.
Dans un contexte où l’IA semble en train de redistribuer les cartes dans tous les domaines, l’IA est-elle en train maintenant de tuer la littérature ou est-ce que cette affaire nous questionne aujourd’hui sur ce qu’est un auteur aujourd’hui ?
Cette affaire semble surtout révéler une crise de confiance autour de la notion d’auteur. Elle ne prouve pas que l’IA va tuer la littérature, mais elle montre qu’elle oblige désormais le monde littéraire à préciser ce qu’il entend par « écrire ».
Concernant les faits, C’était ça ou mourir, de Thélyson Orélien, figurait bien dans la première sélection du Goncourt 2026. Le 25 septembre, l’Académie Goncourt l’en a retiré, invoquant à la fois des plagiats antérieurs récemment révélés et plusieurs analyses convergentes selon lesquelles le roman serait « selon toute vraisemblance » très largement produit par une IA. Elle a également affirmé vouloir réserver le prix à la littérature écrite par des femmes et des hommes.
Mais il reste essentiel de parler d’accusations et non d’une preuve judiciaire ou technique absolue. Thélyson Orélien nie avoir utilisé l’IA, tandis que ses éditeurs l’ont défendu. La polémique a d’abord été lancée par un compte anonyme utilisant le détecteur Pangram. Des tests journalistiques ont effectivement obtenu des résultats très élevés, mais ces détecteurs restent opaques, peuvent produire des faux positifs et sont moins éprouvés pour les textes français ou stylistiquement particuliers. TF1 Info
Ce qui est problématique dans cette affaire
Le vrai problème n’est pas nécessairement qu’un écrivain utilise ponctuellement une IA. De nombreux auteurs peuvent légitimement s’en servir pour :
- effectuer des recherches ;
- vérifier une chronologie ;
- explorer une structure narrative ;
- rechercher des synonymes ;
- traduire provisoirement un passage ;
- repérer des répétitions ;
- discuter d’un personnage ou d’une intrigue.
- ou encore rédiger un article de blog (;-)
Cela ne paraît pas en effet fondamentalement différent de l’utilisation d’un dictionnaire, d’un logiciel de correction ou de l’intervention d’un éditeur — à condition que l’auteur reste celui qui décide, écrit, transforme et assume chaque phrase.
La rupture survient lorsque la machine produit une part substantielle de l’œuvre, que l’auteur se contente de sélectionner ou de retoucher le résultat, puis présente le texte comme entièrement issu de son écriture. Le problème devient alors celui de la loyauté envers le lecteur, l’éditeur et le jury.
En littérature, nous n’achetons pas seulement une histoire. Nous achetons aussi la promesse implicite qu’une conscience humaine a cherché ses mots, pris des risques, traversé des hésitations et construit une voix. Si cette promesse est mensongère, le sentiment de tromperie est compréhensible.
L’IA va-t-elle tuer la littérature ?
Je ne le pense pas. L’IA peut produire des textes, mais la littérature n’est pas simplement une production de phrases grammaticalement réussies.
Un écrivain ne se contente pas de combiner des mots. Il engage :
- une expérience vécue ou imaginée ;
- une vision du monde ;
- une responsabilité ;
- une sensibilité particulière ;
- un rapport singulier à la langue ;
- quelque chose qu’il accepte de risquer publiquement.
L’IA, elle, ne connaît ni l’exil, ni le désir, ni la honte, ni le deuil. Elle peut en reproduire les formes linguistiques parce qu’elle les a rencontrées dans d’innombrables textes, mais elle ne les éprouve pas. Elle est capable d’imiter les signes d’une voix sans avoir une existence derrière cette voix.
La littérature ne disparaîtra donc pas. En revanche, l’IA peut fragiliser son environnement.
Le premier danger : l’inondation
Il deviendra extrêmement facile de produire des milliers de romans lisibles, correctement structurés et adaptés aux goûts dominants. Le risque n’est pas la disparition des bons livres, mais leur noyade dans une masse de textes moyens.
Le deuxième : l’uniformisation
Les modèles tendent naturellement vers les formulations statistiquement plausibles. Sans intervention humaine forte, ils produisent souvent une langue fluide, efficace, mais relativement prévisible. Or la grande littérature naît fréquemment d’une maladresse féconde, d’une rupture ou d’une phrase qu’un algorithme aurait probablement « corrigée ».
Le troisième : le soupçon généralisé
C’est peut-être la conséquence la plus inquiétante de l’affaire Orélien. Désormais, un auteur au style jugé trop régulier pourra être accusé d’avoir utilisé une IA. Et il devra parfois prouver son innocence au moyen de brouillons, d’historiques de fichiers ou de témoignages éditoriaux. Un détecteur ne devrait jamais constituer à lui seul une preuve suffisante, même lorsqu’il affiche 95 % ou 100 %.
Le quatrième : l’effacement du travail
Si des éditeurs utilisent massivement l’IA pour réduire les coûts, cela peut précariser les traducteurs, correcteurs, illustrateurs, documentalistes et auteurs. C’est là que l’IA pourrait réellement « tuer » quelque chose : non pas le désir humain d’écrire, mais les conditions économiques permettant à des personnes de consacrer du temps à l’écriture.
Ce que cette affaire devrait provoquer
Il faut tout d’abord sortir du choix trop simple entre « aucune IA » et « tout est permis ». Le monde du livre devrait établir une échelle transparente :
- Assistance technique : orthographe, recherche, classement de notes — usage généralement acceptable.
- Assistance créative limitée : suggestions de plans, reformulations ou variantes — acceptable selon les règles du prix ou de l’éditeur, mais éventuellement à déclarer.
- Génération substantielle : scènes, chapitres ou prose fournis par l’IA — déclaration indispensable et incompatibilité possible avec certains prix littéraires.
- Œuvre principalement générée : elle peut éventuellement exister comme une nouvelle catégorie artistique, mais ne devrait pas être présentée comme un roman intégralement écrit par une personne.
Les prix ont parfaitement le droit de décider qu’ils récompensent une écriture humaine. Mais ils devraient annoncer à l’avance leurs critères, mettre en place une procédure contradictoire et ne pas laisser un logiciel opaque décider seul de la carrière d’un auteur.
L’IA ne tuera donc pas la littérature, mais elle va tuer la confiance si son utilisation reste cachée. Et à l’inverse, elle pourrait aussi faire émerger des formes nouvelles, pourvu que le lecteur sache clairement ce qu’il lit et qui — ou quoi — en est réellement l’auteur.
Peut-on remettre en question l’outil utilisé pour détecter qu’un texte est écrit par une IA ? Comment fonctionnent ces outils ?
Ces outils ne « reconnaissent » pas l’IA comme on reconnaîtrait une signature. Ils effectuent une comparaison statistique : ils cherchent si le texte ressemble davantage aux textes produits par des humains ou à ceux produits par des modèles d’IA.
Il faut donc les considérer comme des détecteurs de ressemblances, pas comme des machines capables d’établir avec certitude l’origine d’un texte.
1. Comment sont-ils entraînés ?
On rassemble deux grandes collections :
- des textes dont on sait qu’ils ont été écrits par des humains : romans, articles, devoirs, courriels, essais, etc. ;
- des textes générés par différentes IA, à partir de nombreux sujets et consignes.
On présente ensuite ces millions d’exemples à un programme de classification. Celui-ci apprend progressivement les différences statistiques qui reviennent le plus souvent.
Pangram, par exemple, indique utiliser un réseau neuronal de type transformer, entraîné sur des textes humains et artificiels appartenant à de nombreux domaines. arxiv.org
Le principe peut être résumé ainsi :
« Parmi tous les textes que j’ai étudiés, celui-ci ressemble-t-il davantage au groupe humain ou au groupe IA ? »
2. Quels indices recherchent-ils ?
Le détecteur ne cherche pas uniquement des expressions caricaturales comme « Dans un monde en constante évolution » ou « Il est important de souligner que… ». Il analyse simultanément de très nombreuses caractéristiques.
La prévisibilité des mots
Une IA choisit généralement les mots les plus plausibles compte tenu de ceux qui précèdent. Son texte peut donc être statistiquement très prévisible.
Prenons :
La nuit était noire et le silence régnait dans la maison.
Cette phrase est naturelle, mais relativement attendue.
À l’inverse :
La nuit mâchait les dernières lumières du village.
Le choix de « mâchait » est moins prévisible. Ce genre d’écart peut davantage ressembler à une intervention humaine — sans que cela constitue évidemment une preuve.
La mesure historique de cette prévisibilité est souvent appelée la perplexité : plus un texte est prévisible pour un modèle, plus sa perplexité est faible.
La régularité
Les textes d’IA présentent parfois :
- des phrases de longueurs assez équilibrées ;
- des paragraphes construits de manière semblable ;
- des transitions très propres ;
- une progression particulièrement méthodique ;
- peu de ruptures grammaticales ou stylistiques ;
- une répartition régulière du vocabulaire.
Les humains ont souvent une écriture plus irrégulière : phrases extrêmement courtes suivies de phrases longues, digressions, changements de rythme, répétitions involontaires ou images inattendues.
Cette variation est parfois désignée par le terme anglais burstiness.
Les constructions linguistiques
Les systèmes modernes analysent également :
- les associations de mots ;
- la syntaxe ;
- les signes de ponctuation ;
- les enchaînements entre les phrases ;
- les répétitions sémantiques ;
- les structures argumentatives ;
- la manière d’introduire ou de conclure une idée ;
- la fréquence de certains groupes de mots.
Ils peuvent détecter des combinaisons invisibles à la lecture humaine. Ce n’est donc pas forcément une expression précise qui déclenche l’alerte, mais l’accumulation de milliers de petits indices.
3. Comment obtiennent-ils un pourcentage ?
Le texte est souvent découpé en passages. Chaque passage reçoit un score, puis l’outil combine les résultats.
Il peut alors afficher, par exemple :
- texte probablement humain ;
- texte probablement généré ;
- texte mixte ;
- 85 % de contenu susceptible d’avoir été généré par une IA.
Mais une précision essentielle s’impose :
« 95 % de texte détecté comme artificiel » ne signifie pas nécessairement « il existe 95 % de chances que l’auteur ait triché ».
Cela peut signifier que 95 % des passages présentent les caractéristiques que le logiciel associe à l’IA. La signification exacte dépend du fabricant et de la manière dont son score est calibré.
C’est un peu comme un détecteur de fumée : il peut détecter un signal très fort, mais il ne sait pas toujours si celui-ci provient d’un incendie, d’un plat brûlé ou de vapeur.
4. Pourquoi peuvent-ils se tromper ?
Un humain peut naturellement écrire « comme une IA »
Une personne ayant une écriture très claire, régulière et scolaire peut être signalée à tort. Cela peut également toucher :
- les personnes écrivant dans une langue qui n’est pas leur langue maternelle ;
- les textes fortement corrigés par un éditeur ;
- les documents administratifs ou très standardisés ;
- certains styles sobres et répétitifs ;
- les textes traduits.
Le style professionnellement corrigé peut lui-même devenir un facteur perturbateur pour certains détecteurs.
Une IA peut être rendue moins détectable
À l’inverse, il est possible de demander à une IA :
- d’introduire des irrégularités ;
- de varier les longueurs de phrases ;
- d’imiter le style d’un auteur ;
- de reformuler plusieurs fois son texte ;
- de supprimer les tournures habituelles ;
- de conserver quelques fautes.
Une étude de 2026 a montré que des reformulations stratégiques pouvaient faire fortement diminuer la détection par Pangram. Les chercheurs en concluent que les détecteurs repèrent parfois les habitudes de certains modèles plutôt qu’une propriété universelle de « l’écriture artificielle ».
Les IA évoluent continuellement
Un détecteur entraîné sur les textes produits par les modèles de 2025 peut moins bien reconnaître un modèle sorti en 2026. Il doit donc être régulièrement réentraîné.
Le problème des textes mixtes
La situation devient très difficile à analyser si l’auteur :
- écrit son premier jet ;
- demande à l’IA de le corriger ;
- reprend lui-même la correction ;
- fait retravailler certaines phrases ;
- conserve d’autres passages inchangés.
Qui a alors écrit le texte ? Le détecteur peut éventuellement repérer des changements de style, mais il ne peut pas reconstruire avec certitude tout le processus de création.
Les outils récents, comme Pangram 4, prétendent mieux identifier ces textes hybrides et localiser les passages concernés, mais cela reste une classification probabiliste.
5. Sont-ils fiables ?
Ils peuvent être assez performants dans les conditions correspondant à leurs tests : textes suffisamment longs, modèles connus, langues et styles représentés dans l’entraînement.
Mais leur efficacité réelle dépend de nombreux paramètres :
- longueur du passage ;
- langue employée ;
- genre du texte ;
- modèle d’IA utilisé ;
- degré de réécriture humaine ;
- éventuelle traduction ;
- date de production ;
- réglage du seuil de détection.
Même OpenAI avait lancé son propre détecteur en 2023 avant de le retirer quelques mois plus tard en raison de son taux de précision insuffisant. openai.com
Pangram annonce aujourd’hui des performances beaucoup plus élevées que les anciens outils, mais ses chiffres démontrent une efficacité sur des jeux de tests, pas une capacité magique à connaître l’histoire réelle de chaque document.
6. Comment établir plus sérieusement qu’un livre a été écrit avec l’IA ?
Un détecteur devrait seulement constituer un indice de départ. Pour une décision grave — exclusion d’un prix, sanction scolaire, rupture d’un contrat — il faudrait réunir plusieurs éléments :
- analyser le manuscrit complet plutôt que quelques extraits ;
- utiliser plusieurs détecteurs indépendants ;
- comparer le style avec les œuvres précédentes de l’auteur ;
- examiner les brouillons successifs ;
- consulter l’historique des fichiers Word ou Google Docs ;
- vérifier les dates et les métadonnées ;
- demander les carnets, notes préparatoires et recherches ;
- repérer d’éventuelles sources copiées ou paraphrasées ;
- permettre à l’auteur de répondre aux accusations ;
- éventuellement demander une expertise linguistique humaine.
L’historique de rédaction est souvent beaucoup plus probant qu’un score. Un document qui s’est construit progressivement pendant deux ans, avec des centaines de modifications cohérentes, constitue une trace très différente d’un roman apparu presque intégralement en quelques opérations de copier-coller.
Dans l’affaire Thélyson Orélien, le résultat du détecteur peut donc être troublant — surtout si une très grande partie du roman est signalée — mais il ne devrait pas suffire isolément. Ce sont la convergence des analyses, l’examen des versions de travail, les éventuelles similitudes avec d’autres textes et les explications de l’auteur qui peuvent permettre d’aboutir à une conclusion raisonnablement solide.
