Turnitin détecte-t-il Claude, Copilot ou Gemini ?

Les versions de Claude et de Gemini figurent dans une liste de modèles dont le détecteur anglais de Turnitin dit qu’il « can detect content from » (peut détecter le contenu). Copilot n’est nommé dans aucune des cinq pages que nous avons lues, mais ce n’est ni une exemption ni la preuve qu’un travail précis fait avec Copilot sera détecté. Product Updates et les notes de version générales nomment aussi des modèles dans des mises à jour par langue : la FAQ n’est donc pas la seule source publique où Turnitin cite des noms de modèles. Aucun des documents consultés ne fournit de tableau stable de probabilités par modèle. La documentation du rapport décrit plutôt des probabilités calculées sur des passages de texte qui se chevauchent, avec une sortie classée comme probablement humaine ou probablement générée par IA.

Les sources sont cinq pages nommément identifiées, lues le 18 août 2026 : le guide du AI Writing Report, la FAQ sur la détection, le journal des modifications du modèle de détection de l’écriture par IA, les notes de version générales de Turnitin et Product Updates. Les conclusions ci-dessous restent à l’intérieur de ces pages et des sections citées. Elles ne prétendent pas couvrir tout le site de Turnitin, et l’article ne publie ni totaux de caractères ni comptes de mots issus de pages mises à jour sur place.

Une chose que ce texte ne prétend pas : que changer de modèle ne change rien. Les sources consultées ne donnent aucun chiffre qui permettrait de prédire cette comparaison, et nous non plus.

La liste se trouve dans la FAQ de Turnitin sur la détection de l’écriture par IA, et elle apparaît deux fois sur cette page : une fois dans la réponse à « How does it work? » (Comment cela fonctionne-t-il ?), et une autre fois sous la question « Which AI writing models can Turnitin's technology detect? » (Quels modèles d’écriture par IA la technologie de Turnitin peut-elle détecter ?). Les deux versions commencent de la même façon.

« Currently, Turnitin's AI writing detection model for English submissions can detect content from GPT-4o (released 2024-05) ... » (Actuellement, le modèle de détection de l’écriture par IA de Turnitin pour les travaux en anglais peut détecter le contenu de GPT-4o (publié en 2024-05) ...)

Le verbe mérite qu’on s’y arrête. « Can detect content from » (Peut détecter le contenu de) est une affirmation sur la couverture. Ce n’est pas une note sur ce qui aurait un jour passé un test, et beaucoup de ce qui s’écrit sur le sujet la transforme discrètement en la seconde chose. Le 18 août 2026, la phrase citait plusieurs versions de GPT, Gemini et Claude, à côté d’entrées de LLaMA, Mistral, Deepseek, Nova et Grok, plus o1-mini. C’est un instantané daté des familles présentes, pas un total définitif.

Chaque entrée porte une date de sortie entre parenthèses. Ignorez-les. Les deux copies de la même liste sur la même page se contredisent sur au moins deux de ces dates, et elles se contredisaient encore quand nous avons vérifié le 18 août 2026 : quelle que soit celle que vous lisez, la page elle-même vous dit que les dates ne sont pas tenues à jour.

La phrase se termine ensuite par « and tools based on these LLMs as well » (ainsi que les outils basés sur ces LLM), et la phrase suivante dit que Turnitin va « continue to expand our detection capabilities to other models in the future » (continuer à étendre nos capacités de détection à d’autres modèles à l’avenir).

On cherche en général avec un nom de produit plutôt qu’avec un nom de modèle. Dans les cinq pages citées plus haut, nous n’avons trouvé aucune déclaration de couverture, aucun chiffre de précision ni aucune prédiction de résultat propres à Copilot. C’est une constatation bornée à ces pages, pas une affirmation sur toutes les pages de Turnitin.

La FAQ termine sa liste de modèles par « and tools based on these LLMs as well » (ainsi que les outils basés sur ces LLM). Cette clause générale peut être pertinente lorsqu’un outil utilise un modèle listé, mais cet article n’a pas établi quel modèle utilisaient un produit Copilot, un mode et une date donnés. Sans cette correspondance, la clause ne peut pas nous dire si un travail précis fait avec Copilot sera signalé. L’absence du nom du produit ne prouve ni l’exemption ni la détection.

La FAQ anglaise cite des modèles dans une déclaration de couverture, mais cette réponse n’associe à chaque entrée ni taux de détection, ni chiffre de précision, ni classement de difficulté. Le seul chiffre qu’elle associe à la détection est un objectif global de faux positifs : « under 1% for documents with over 20% of AI writing » (moins de 1 % pour les documents contenant plus de 20 % d’écriture par IA). Le chiffre vaut pour le détecteur dans son ensemble ; il ne classe pas Claude contre Gemini ni aucune autre paire.

D’autres pages de Turnitin publient bien des noms de modèles. Product Updates a cité des versions de GPT et de Gemini dans sa mise à jour du modèle espagnol du 5 mai 2026. Les notes de version générales de Turnitin ont ajouté le 18 août 2026 une mise à jour du modèle arabe qui nomme des versions de plusieurs familles. Le journal des modifications distinct du modèle de détection de l’écriture par IA résume certaines versions avec moins de détail. Ces pages réfutent directement l’idée que la FAQ serait le seul endroit public où Turnitin nomme des modèles.

Ce que ces mises à jour nominatives ne fournissent toujours pas, c’est un tableau stable de probabilités par modèle pour un travail arbitraire. Une note de couverture de version et une prédiction pour un fichier donné sont deux affirmations différentes.

La FAQ décrit le traitement en un seul paragraphe, et il est assez court pour être lu en entier :

« When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated. Each qualifying sentence within these segments inherits the segment's score. » (Lorsqu’un travail est soumis à Turnitin, les phrases du travail sont extraites et segmentées en sections qui se chevauchent pour l’analyse de prédiction. Chaque section est classée par le modèle de détection d’IA et reçoit une valeur entre 0 et 1, qui indique la probabilité que le texte soit probablement humain ou généré par IA. Chaque phrase éligible dans ces sections hérite du score de la section.)

Deux catégories dans cette dernière proposition. Probablement humain, probablement généré par IA. Quoi qu’on vous dise sur un détecteur capable de reconnaître l’empreinte d’un modèle particulier, voici le récit du fournisseur lui-même sur ce que son classificateur produit, et il n’y a pas de troisième case. Turnitin dit aussi que son modèle n’est pas construit à partir de métriques nommées : il « is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions » (n’est pas explicitement programmé pour évaluer des signaux précis tels que 'burstiness,' ou 'perplexity,' ou d’autres mesures individuelles parfois évoquées dans les discussions publiques), et « instead, it learns statistical patterns from our training data » (à la place, il apprend des régularités statistiques à partir de nos données d’entraînement). Ce que cette distinction change concrètement est détaillé dans ce que mesurent les détecteurs d’IA.

Si vous vous imaginiez une batterie de détecteurs, un par générateur, la FAQ décrit la direction inverse dans la phrase qui suit immédiatement la liste de modèles :

« In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate. » (En juillet 2026, nous avons mis à jour l’architecture de notre modèle afin de consolider un ensemble de plusieurs modèles en un seul modèle. Cette mise à jour améliore et simplifie le rapport d’écriture par IA, tout en maintenant un taux de faux positifs inférieur à 1 %.)

La FAQ décrit un classificateur unique qui produit des probabilités au niveau du texte. Par ailleurs, elle publie une déclaration de couverture des modèles. La phrase sur l’architecture de juillet figure dans la FAQ mais pas dans le journal des modifications du modèle de détection de l’écriture par IA. Ce décalage montre pourquoi il faut nommer le type de page au lieu de traiter n’importe quelle page de mise à jour comme un historique de versions exhaustif.

Le 4 août 2026, Turnitin a fusionné deux catégories de rapport en une seule. Le surlignage violet, qui marquait le texte généré par IA ayant aussi été paraphrasé par IA, n’est plus affiché. Le raisonnement donné sur sa page de mises à jour produit est ce que l’entreprise a publié de plus direct sur l’attribution d’un outil, et il décrit ses propres utilisateurs :

« Reduce the risk of unwarranted academic misconduct reviews by removing distinctions that could be read to imply more certainty about the specific tool or workflow used to produce a submission » (Réduire le risque d’examens injustifiés pour inconduite académique en supprimant les distinctions qui pourraient être lues comme impliquant une plus grande certitude sur l’outil ou le flux de travail précis utilisé pour produire un travail)

Une distinction ajoutée par le fournisseur en 2024 a disparu en 2026 parce que les lecteurs tiraient l’identité de l’outil d’un rapport qui ne pouvait pas la porter. Notez ce qui n’a pas changé. La note de version qui annonce la fusion dit que le modèle « will continue to detect likely AI generated content that may have been further modified by AI paraphrasers or bypassers » (continuera de détecter les contenus probablement générés par IA qui pourraient avoir été ensuite modifiés par des paraphraseurs ou des contourneurs d’IA). Moins de couleurs dans l’interface, la même affirmation de détection en dessous.

Cela a une conséquence pratique. Si vous avez sous les yeux une capture d’écran qui contient du violet, ce rapport n’a pas été produit selon les règles actuelles, car Turnitin dit que la mise à jour s’applique aux fichiers nouvellement soumis et que les travaux déjà soumis doivent être soumis à nouveau pour obtenir le rapport mis à jour. Datez un rapport avant d’en tirer des conclusions. Comment lire un rapport d’écriture par IA de Turnitin détaille ce que le chiffre actuel inclut.

La longueur, par exemple, et dans une direction qui surprend. Les textes courts n’obtiennent pas des résultats plus sûrs, mais plus grossiers :

« In shorter documents where there are only a few hundred words, the prediction will be mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap. This means that some text that is a mix of AI-generated and original content could be flagged as entirely AI-generated. » (Dans les documents plus courts où il n’y a que quelques centaines de mots, la prédiction sera surtout « tout ou rien » parce que nous prédisons sur une seule section, sans possibilité de chevauchement. Cela signifie qu’une partie du texte qui mélange contenu généré par IA et contenu original pourrait être signalée comme entièrement générée par IA.)

C’est une propriété du document, pas de la personne qui l’a rédigé. Il en va de même pour les propriétés que Turnitin cite lorsqu’il décrit ses propres erreurs :

« Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas. » (Parfois, les faux positifs, c’est-à-dire le fait de signaler à tort comme généré par IA un texte écrit par un humain, peuvent concerner un contenu sans grande variation structurelle, un texte qui se répète littéralement, ou un texte paraphrasé sans développer d’idées nouvelles.)

Variation structurelle, répétition, idées qui ne se développent pas. Chaque élément se mesure sans savoir d’où vient le texte. Aucun n’est un fournisseur. Tout cela ne revient pas à dire que « changer de modèle ne sert à rien », et il serait malhonnête de le présenter ainsi, puisque les pages n’abordent tout simplement pas cette comparaison. Cela signifie en revanche que la variable à laquelle les gens consacrent le plus de temps est celle sur laquelle leur propre documentation dit le moins. Si vous avez été signalé pour un texte que vous avez écrit vous-même, préparer une réponse est une meilleure façon d’occuper un après-midi.

Nous vendons un outil de réécriture de documents : lisez donc cette section en gardant cela à l’esprit. Nous ne promettons aucun résultat de détection, et ce n’est pas par modestie. Les systèmes de détection évoluent. La page publique Product Updates consigne le changement de rapport du 4 août, ce qui suffit à montrer que le rapport lui-même peut changer sans rien affirmer sur qui a reçu une notification distincte.

Le périmètre et le coût peuvent être décrits honnêtement, et c’est ce que décrit L’outil HumanPen. Un rapport Turnitin ou iThenticate est au fond une liste de coordonnées, et le transmettre avec le fichier confine la réécriture à ces coordonnées ; les phrases qui sont en dehors gardent la formulation que vous leur avez donnée. Les crédits comptent la quantité de prose modifiée, pas la taille du fichier. Les passages éligibles peuvent être relancés gratuitement.

Il existe aussi de vraies raisons de ne rien utiliser de ce type, et elles sont exposées séparément dans quand un outil de réécriture à l’échelle du document est le mauvais outil. Six situations, chacune citée de nos propres pages, où la réponse honnête est : vos propres mains.

Copilot n’est pas nommé. Est-ce utile ? Les cinq pages consultées ne donnent pas de conclusion propre à Copilot. La clause générale de la FAQ sur les « tools based on these LLMs » (outils basés sur ces LLM) peut s’appliquer lorsqu’un outil utilise un modèle listé, mais nous n’avons pas établi quel modèle se trouvait derrière un produit, un mode et une date donnés de Copilot. Un nom manquant ne permet pas de prédire le résultat d’un travail.

L’un des modèles listés est-il plus sûr que les autres ? Les pages consultées ne fournissent pas de classement stable par modèle. Product Updates et les notes de version citent parfois des modèles en décrivant des changements de couverture, mais ce n’est pas un tableau de probabilités pour le prochain fichier. Un pourcentage tiré des propres travaux de quelqu’un est un autre type de preuve et doit être lu comme tel. La version générale de cela se trouve dans pourquoi le même texte obtient un score différent sur chaque détecteur.

Tout cela s’applique-t-il à un travail en espagnol ou en japonais ? Ces langues utilisent des modèles de détection distincts, et le détail publié diffère selon les pages. Product Updates cite des versions de GPT et de Gemini dans sa mise à jour pour l’espagnol du 5 mai 2026, tandis que le journal des modifications distinct du modèle de détection résume cette version sans la même liste. Les notes de version générales de Turnitin sont une troisième source, pas un autre nom pour l’une ou l’autre page. Sur les limites par langue, voir Turnitin peut-il détecter l’IA dans des travaux qui ne sont pas en anglais.

Une personne qui corrige peut-elle voir quel modèle j’ai utilisé ? La documentation actuelle du rapport que nous avons consultée décrit des sorties probablement humaines ou probablement issues de l’IA, pas un champ avec le nom du modèle. Depuis le 4 août 2026, le rapport n’affiche plus qu’une seule catégorie de texte généré par IA, et la raison invoquée par l’entreprise pour la fusion était de supprimer les distinctions « that could be read to imply more certainty about the specific tool or workflow used to produce a submission » (qui pourraient être lues comme impliquant une plus grande certitude sur l’outil ou le flux de travail précis utilisé pour produire un travail).

J’ai utilisé une version plus ancienne d’un modèle qui figure sur la liste. Résultat différent ? Les pages consultées ne nous permettent pas de le prédire. Les versions apparaissent séparément dans la liste de la FAQ, chacune avec une date entre parenthèses, mais les deux copies se contredisent sur certaines dates et n’associent aucun chiffre de résultat à chaque version. Une mise à jour de couverture datée ne permettrait pas non plus de prédire un fichier.