Lorsqu’un chercheur utilise un modèle de langage pour l’aider à rédiger un article, l’IA laisse souvent des traces révélatrices. Des mots comme « delve », « underscore », « intricate » et « pivotal » apparaissent bien plus fréquemment que dans les textes humains. Les structures de phrases suivent des schémas prévisibles. Des amorces comme « ces dernières années… » et des transitions comme « non seulement X, mais aussi Y » signalent le texte comme généré par IA aux lecteurs avertis, et aux logiciels de détection.
Jie Ding, professeur associé à l’École de statistiques de l’Université du Minnesota, a publié un outil conçu pour supprimer ces traces. Appelé Academic Humanizer, il s’agit d’un ensemble d’instructions structurées pouvant être intégrées à un agent de codage IA, Claude Code, Codex ou similaire, pour auditer un manuscrit académique à la recherche de marqueurs d’IA et le réécrire pour qu’il paraisse humain.
« Le travail consiste à éliminer les marqueurs d’IA sans banaliser le texte, et à imposer la discipline qu’un humaniseur général néglige : chaque affirmation mérite son chiffre, sa figure ou sa citation, et aucun verbe n’est plus fort que la preuve qui l’appuie », lit-on dans le README de l’outil sur GitHub.
Six niveaux de nettoyage
L’Academic Humanizer opère sur six niveaux. D’abord, un catalogue général élimine les mots surutilisés (delve, intricate, tapestry, pivotal, foster, leverage, realm, seamless, et autres). Ensuite, il cible les marqueurs académiques spécifiques : verbes exagérés, hype de significativité, intensificateurs vides, padding de nouveauté et amorces formulaires. Troisièmement, il préserve les conventions académiques. Quatrièmement, il fait correspondre chaque affirmation à sa preuve, sans assertions non étayées. Cinquièmement, il calibre la voix et le contexte. Sixièmement, il propose un mode de proposition de financement adapté aux structures d’examen NSF et NIH.
Un exemple avant-après issu du README illustre l’effet. Avant : « Ces dernières années, l’apprentissage continu a attiré une attention croissante et obtenu un succès remarquable. Cependant, les méthodes existantes font encore face à des défis cruciaux. Dans cette proposition, nous proposons un cadre novateur qui exploite des techniques de pointe pour explorer ces problèmes complexes, ouvrant la voie à un paradigme transformateur qui révolutionnera le domaine. » Après : « L’apprentissage continu est important, mais les méthodes actuelles restent empiriques et leurs principes sont flous. Cela limite la fiabilité et le progrès. Cette proposition construit un cadre fondé sur trois axes : adaptation, supervision douce et connaissance transdisciplinaire. »
Le débat éthique
Les réactions sont nettement divisées. Francisco Maria Calisto, chercheur en informatique de santé à l’Université de Lisbonne, a confié à Nature qu’il utilise massivement l’outil. « C’est le meilleur que j’aie jamais utilisé », a-t-il dit, pour les courriels, la documentation de code comme les manuscrits.
Miguel Angel Blazquez Rodriguez, biologiste végétal à l’Université polytechnique de Valence, était plus sévère : « Je n’aime pas ça. C’est trompeur. »
Cassidy Sugimoto, informaticienne à l’Université Carnegie Mellon, s’est dite préoccupée : « Je crains que ce cas d’usage soit nuisible pour la science. Je suis inquiète. »
Ding lui-même établit une distinction entre l’outil et son mauvais usage. « Je sépare l’outil du comportement », a-t-il déclaré à Nature. « La question éthique est la non-divulgation et l’intention qui la sous-tend, pas l’existence d’un outil d’aide à la rédaction. »
Après des demandes des médias, Ding a mis à jour la description de l’outil, passant de « supprime les marqueurs d’IA habituels » à « améliore la clarté et la voix », et a ajouté une note éthique précisant que l’outil ne supprime pas l’obligation de divulguer l’assistance par IA.
Une course aux armements de détection
La sortie de l’Academic Humanizer intervient dans un contexte d’utilisation croissante de l’IA dans l’édition académique. Une étude de février 2026 par He et Bu dans PNAS (DOI : 10.1073/pnas.2526734123) a analysé 5 114 revues et 5,2 millions d’articles, constatant que malgré l’adoption de politiques de divulgation d’IA par 70 % des revues, l’utilisation de l’IA pour l’écriture a explosé sans différence statistique entre les revues avec ou sans ces politiques. Sur 75 000 articles publiés depuis 2023, seulement environ 76, soit environ 0,1 %, ont explicitement divulgué leur usage d’IA. Les auteurs ont conclu que les politiques actuelles ont « largement échoué » à promouvoir la transparence.
Les entreprises de détection réagissent. Pangram Labs, une start-up de détection d’IA basée à Brooklyn fondée en 2024 par d’anciens ingénieurs de Google et Tesla, a testé l’Academic Humanizer. Le PDG Max Spero a indiqué que les premiers tests « ont détecté la plupart des textes humanisés, mais pas tous », et Pangram conçoit des versions améliorées pour détecter les sorties de l’outil. Dans une prépublication de 2025 (arXiv : 2501.03437), Pangram a démontré un modèle appelé DAMAGE robuste face à 19 outils d’humanisation et de paraphrase d’IA, revendiquant plus de 90 % de précision sur tous les humaniseurs testés.
La question est de savoir si la course aux armements entre humaniseurs et détecteurs sert l’intégrité scientifique ou augmente simplement le coût de la malhonnêteté. Pour l’instant, l’Academic Humanizer reste disponible sur GitHub, et le débat sur la question de savoir s’il s’agit d’un outil de révision légitime ou d’un instrument de tromperie est loin d’être clos.
Traduit par Lydie
Sources
1. Nature News, “‘Humanizer’ tool erases signs of AI-written text” (7 July 2026). DOI: 10.1038/d41586-026-02105-3
2. Academic Humanizer GitHub repository: https://github.com/AIScientists-Dev/academic-humanizer
3. He, Y. & Bu, Y., “Academic journals’ AI policies fail to curb the surge in AI-assisted academic writing”, Proc. Natl Acad. Sci. USA 123, e2526734123 (2026). DOI: 10.1073/pnas.2526734123
4. Masrour, E., Emi, B. & Spero, M., “DAMAGE: Detecting Adversarially Modified AI Generated Text”, arXiv:2501.03437 (2025)