Comment Internet a brisé nos détecteurs de bullshit

1. L’essor des images générées par l’IA : un problème de vérité numérique

Les images et vidéos créées par IA (DALL·E, Midjourney, Stable Diffusion, deepfakes) sont devenues si réalistes qu’elles remettent en question la confiance visuelle : un simple visuel ne suffit plus pour établir la réalité. Par exemple, une photo de manifestation ou d’accident peut être fabriquée en quelques minutes, rendant la vérification essentielle.

• Accessibilité : outils grand public qui produisent des visuels convaincants.
• Volume : des millions d’images générées circulent chaque jour sur les réseaux.
• Qualité : détails cohérents (ombres, textures) qui trompent les détecteurs automatiques.

2. Données satellitaires : précieuses mais parfois inaccessibles

Les images satellites sont des preuves puissantes pour vérifier des événements (constructions, incendies, mouvements de troupes), mais l’accès est limité par le coût, les restrictions nationales et la résolution. Par exemple, des images commerciales haute résolution peuvent confirmer l’existence d’une installation, tandis que des restrictions gouvernementales empêchent la diffusion publique de certains clichés.

• Coût : imagerie haute résolution souvent payante.
• Restrictions : embargo ou contrôle national des images sensibles.
• Latence : délai entre la capture et la mise à disposition.

3. Outils de vérification : progrès réels, limites persistantes

Des outils comme la recherche inversée d’images, les analyseurs d’EXIF, InVID, TinEye ou les détecteurs d’IA aident à déceler les faux, mais ils sont pris dans une course permanente avec les générateurs d’images. Par exemple, un deepfake vidéo peut échapper à un détecteur si l’algorithme d’édition soigne les artefacts connus.

• Détecteurs : utiles mais vulnérables aux contournements.
• Méta-données : souvent supprimées ou falsifiées lors du partage sur les réseaux.
• Automatisation : les filtres automatiques génèrent des faux positifs/négatifs.

4. Méthodes robustes : recoupement et vérification géospatiale

La meilleure défense reste une démarche méthodique : recouper sources, géolocaliser, dater et analyser les indices physiques. Exemple concret : pour vérifier une photo de rue, on peut géolocaliser un panneau ou une enseigne, vérifier l’angle des ombres pour estimer l’heure et croiser avec une image satellite ou une webcam locale.

• Géolocalisation : repérer des points fixes (bâtiments, reliefs).
• Chronologie : comparer avec des captures antérieures (satellite, webcams).
• Multiplicité : exiger au moins deux sources indépendantes pour confirmer.

5. Initiatives, normes et acteurs clés

Plusieurs initiatives techniques et réglementaires cherchent à restaurer la confiance : normes de provenance (C2PA), initiatives d’authenticité, organisations d’enquête (Bellingcat, agences de fact-checking), et régulations comme le Digital Services Act en Europe. Ces efforts visent à améliorer la traçabilité et la responsabilité des contenus.

• Standards : métadonnées de provenance pour attester l’origine.
• Fact-checkers : enquêtes publiques et pédagogie.
• Régulation : obligations de transparence pour plateformes en ligne.

6. Recommandations pratiques pour journalistes et citoyens

Face à une réalité visuelle mouvante, adoptez des pratiques concrètes : apprendre à utiliser des outils de vérification, exiger la provenance, et croiser systématiquement les informations. Exemple d’une checklist rapide pour une image virale : recherche inversée, analyse EXIF, géolocalisation, vérification par sources satellites/webcams, contact d’un témoin ou d’un organisme local.

• Former : ateliers de vérification pour journalistes/citoyens.
• Recouper : ne jamais s’appuyer sur une seule source visuelle.
• Demander la provenance : métadonnées et contexte original.