Pangram est un détecteur conçu pour estimer si un texte a été écrit par un humain, généré par une IA ou produit avec une assistance de l’IA. Sa dernière version, Pangram 4, affiche des performances élevées dans les évaluations publiées par l’entreprise et dans plusieurs travaux indépendants. Mais un détecteur IA reste un système probabiliste : son résultat ne permet pas, à lui seul, de prouver comment un texte a été écrit. La récente polémique autour du romancier Thélyson Orélien montre justement pourquoi cette distinction est essentielle.
Jusqu’à récemment, Pangram était surtout connu des chercheurs, enseignants, éditeurs et professionnels confrontés à la multiplication des textes générés par intelligence artificielle. En septembre 2026, son nom a soudainement quitté ce cercle spécialisé pour s’inviter dans l’actualité littéraire française.
Le déclencheur : C’était ça ou mourir, premier roman de l’écrivain canado-haïtien Thélyson Orélien. Tout juste récompensé par le prix du Roman Fnac et devenu l’un des succès de la rentrée, le livre a été accusé par un compte anonyme sur X, « Balance ton Claude », d’avoir été « presque intégralement » rédigé avec une IA. Pour étayer cette accusation, le compte s’appuyait notamment sur des analyses réalisées avec Pangram. La publication est rapidement devenue virale.
Le Monde a ensuite soumis plus de la moitié du roman au détecteur : Pangram aurait classé plus de 95 % du texte comme généré par IA avec un niveau de confiance élevé. Dans le même test, les premières pages d’une quinzaine d’autres romans ont été considérées comme humaines.
Pour autant, cela ne démontre pas que le livre a été écrit par une IA. Cette affaire pose surtout une question beaucoup plus large : que mesure réellement Pangram et jusqu’où peut-on se fier à un détecteur d’IA ?
Qu’est-ce que Pangram ?
Pangram est un outil développé par Pangram Labs pour détecter la présence de texte généré ou modifié par une intelligence artificielle. Son fonctionnement ne consiste pas à rechercher une signature cachée laissée par ChatGPT ou Claude. Pangram utilise lui-même un modèle de machine learning entraîné à distinguer les caractéristiques statistiques de textes humains et de textes générés par des modèles de langage.
Le système analyse notamment la manière dont les mots, structures et formulations s’organisent. Pangram présente ainsi la détection comme un problème de classification : apprendre quelles décisions linguistiques sont davantage caractéristiques d’un humain ou d’un modèle d’IA.
La version actuelle, Pangram 4, est sortie en juillet 2026. Elle cherche également à identifier les textes hybrides : passages entièrement générés, écriture humaine légèrement corrigée par IA ou contenus mélangeant plusieurs formes de rédaction.
Comment Pangram apprend-il à reconnaître un texte IA ?
La méthode repose notamment sur une technique appelée hard negative mining. L’idée est assez simple. Le modèle commence par apprendre sur des exemples connus de textes humains et de textes générés par IA. Les chercheurs recherchent ensuite les textes humains que le système a le plus de mal à reconnaître correctement. Ces cas difficiles sont particulièrement intéressants : ils ressemblent suffisamment à de l’écriture IA pour tromper le détecteur.
Pangram crée alors des équivalents générés artificiellement de ces textes (ce que l’entreprise appelle des synthetic mirrors) puis réentraîne le modèle sur ces exemples difficiles. Le processus est répété afin de réduire progressivement les faux positifs.
C’est une différence importante avec certains détecteurs plus anciens qui s’appuyaient fortement sur des mesures simples comme la « perplexité » du texte.
Pangram est-il vraiment fiable ?
Sur le papier, ses performances sont impressionnantes. Pangram indique que la version 4 atteint, sur son benchmark d’un million de textes humains en anglais, un taux de faux positifs de 0,0041 %, soit environ un document humain mal classé sur 24 000. Sur près d’un million d’exemples supplémentaires couvrant 104 langues, le taux mesuré est de 0,0014 %.
Ces chiffres restent des évaluations publiées par les créateurs du modèle. Mais Pangram a également obtenu de bons résultats lors d’évaluations externes. Des chercheurs de la University of Chicago Booth School of Business ont comparé Pangram, GPTZero, OriginalityAI et un modèle open source sur près de 2 000 passages humains associés à autant de textes générés avec différents grands modèles. Dans cette expérience, Pangram présentait des taux de faux positifs et de faux négatifs proches de zéro sur les textes de longueur moyenne ou élevée et obtenait les meilleurs résultats parmi les détecteurs testés.
L’Université de Chicago met néanmoins elle-même en garde ses enseignants : Pangram peut constituer un signal supplémentaire, mais ses résultats doivent être replacés dans un processus humain plus large et ne pas être utilisés isolément pour conclure à une fraude. C’est probablement la nuance la plus importante.
Un score de 100 % IA n’est pas une preuve à 100 %
L’affichage d’un détecteur peut facilement prêter à confusion. Lorsqu’un outil indique une probabilité très élevée d’écriture IA, l’utilisateur peut être tenté d’interpréter le résultat comme une certitude sur l’histoire réelle du document.
Or Pangram ne regarde pas la personne écrire. Il ne possède ni l’historique des versions Word, ni les brouillons, ni les notes préparatoires, ni les conversations avec un éditeur. Il observe le texte final et estime à quelle catégorie ses caractéristiques ressemblent le plus.
Une prédiction très confiante signifie donc essentiellement :
« Ce texte ressemble fortement aux exemples que le modèle a appris à identifier comme générés par IA. »
Ce n’est pas exactement la même affirmation que :
« Nous savons que ChatGPT ou Claude a écrit ce texte. »
Cette différence devient capitale lorsqu’un score peut déclencher une accusation de fraude, de plagiat ou de tromperie.
Les détecteurs d’IA ont encore plusieurs limites
Même les meilleurs systèmes rencontrent des difficultés.
Les textes trop courts
Pangram recommande lui-même de privilégier des textes suffisamment longs. Une phrase isolée, un titre ou quelques lignes donnent beaucoup moins de matière linguistique au modèle pour effectuer sa classification.
Certains types d’écriture
Les performances varient selon les formats. Pangram reconnaît notamment davantage de difficultés sur des contenus comme la poésie, les recettes, les listes ou des textes très standardisés.
L’édition par IA
La frontière entre humain et IA devient également moins nette. Un collaborateur peut écrire intégralement un document puis demander à ChatGPT de corriger quelques phrases. Un autre peut générer un premier brouillon puis le réécrire profondément. Pangram 4 tente désormais de distinguer différentes formes d’assistance IA, mais la question n’est plus simplement « humain ou machine ».
Les techniques de contournement
Les humanizers cherchent explicitement à réécrire du contenu IA afin de tromper les détecteurs. Pangram affirme avoir renforcé sa résistance à ces outils, mais la détection reste une course permanente entre modèles génératifs, outils de dissimulation et détecteurs.
Des travaux académiques récents rappellent d’ailleurs que, selon le type de texte, la manière de modifier le contenu et les seuils utilisés, la performance des détecteurs peut varier fortement.
Pangram pose finalement une question de confiance
L’affaire Thélyson Orélien dépasse le seul cas d’un roman.
À mesure que l’IA s’intègre dans l’écriture professionnelle, académique et créative, nous chercherons de plus en plus à distinguer ce qui vient d’une personne, d’une machine ou d’une collaboration entre les deux.
Des outils comme Pangram peuvent devenir très utiles pour identifier des signaux difficiles à percevoir à l’œil nu.
Mais leur pouvoir crée également une responsabilité : une probabilité technique ne doit pas devenir automatiquement une accusation humaine.
Le meilleur usage d’un détecteur n’est donc probablement pas de répondre définitivement à la question « qui a écrit ce texte ? », mais d’apporter un élément d’analyse supplémentaire lorsque l’origine d’un contenu doit réellement être vérifiée.
Qu’est-ce que Pangram ?
Pangram est un détecteur utilisant le machine learning pour estimer si un texte est humain, généré par IA ou produit avec une certaine assistance de l’IA.
Pangram est-il fiable ?
Pangram obtient de très bonnes performances dans ses propres benchmarks et dans plusieurs évaluations indépendantes, notamment à l’Université de Chicago. Comme tous les détecteurs, il peut néanmoins produire des faux positifs et des faux négatifs.
Pangram fonctionne-t-il en français ?
Oui. Pangram est multilingue et prend officiellement en charge le français. L’entreprise indique avoir évalué son modèle sur plusieurs langues, même si les performances peuvent varier selon le domaine et le type de texte analysé.
Pangram peut-il prouver qu’un texte a été écrit avec ChatGPT ?
Non. Pangram analyse les caractéristiques du texte et produit une prédiction statistique. Son résultat peut constituer un indice fort, mais il ne reconstitue pas directement le processus réel d’écriture.
Pangram est-il gratuit ?
Une formule gratuite permet actuellement d’analyser jusqu’à 2 000 mots par jour, avec certaines fonctionnalités de détection de l’assistance IA.
