Longueur minimale d’un texte pour un détecteur d’IA : ce que publient cinq éditeurs

Chaque détecteur de cette liste publie un plancher, et un simple paragraphe passe sous la plupart d’entre eux. Ce sont les chiffres des éditeurs eux-mêmes, tirés de leur propre documentation et vérifiés le 18 septembre 2026 :

Deux de ces planchers sont exprimés en caractères et les autres en mots, ce qui explique qu’on les confonde si facilement. La conversion est rapide : dans la prose anglaise, un mot compte environ six caractères une fois inclus l’espace qui le suit – sur les 5 357 paragraphes publiés sur ce site, la médiane est de 6,0. Une fois converti, chaque plancher du tableau devient un nombre de mots : le minimum de 300 caractères de Winston correspond à environ 50 mots et sa mise en garde contre les textes de moins de 600 caractères à environ 100 ; le minimum de 350 caractères de Copyleaks correspond à environ 58, et l’échantillon qu’il recommande est de 350 mots ; celui d’Originality est de 100 ; ZeroGPT demande au moins 150 à 200 et indique que 500 à 1 000 et plus est encore plus stable ; celui de Turnitin est de 300. Confrontez votre propre passage à ces chiffres. Pour donner un ordre de grandeur, nous avons compté les mêmes 5 357 paragraphes face aux mêmes planchers : 54 % atteignent les 300 caractères de Winston, 39 % atteignent les 350 de Copyleaks, 6 % atteignent les 100 mots d’Originality, 0,5 % atteignent les 150 de ZeroGPT, et aucun n’atteint l’échantillon de 350 mots que suggère Copyleaks. Le paragraphe médian fait 51 mots et 312 caractères : il dépasse l’un des sept planchers du tableau, les 300 caractères de Winston, et reste en deçà des six autres.

Deux choses sont souvent confondues et méritent d’être séparées. Un plancher est le point en dessous duquel l’éditeur cesse de garantir son propre chiffre – ce n’est pas, dans tous les cas, le point en dessous duquel plus rien ne revient. Certains de ces outils renvoient tout de même un pourcentage : Originality.ai dit des analyses effectuées dans son API qu’elles « have no word count minimum » (n’ont pas de minimum de mots), puis vous prévient que la précision baisse sous 100 mots. D’autres refusent tout simplement, et Turnitin en fait partie. Un chiffre à l’écran n’est donc pas, en soi, la preuve que l’outil a jugé l’échantillon suffisamment grand.

Vous corrigez le passage signalé, vous le collez dans un vérificateur, vous lisez le chiffre, vous décidez si vous avez terminé. Le centre d’aide d’Originality.ai place exactement cette démarche près du haut de sa liste des causes de faux positifs :

You are more likely to receive false positives by only scanning part of the entire piece of content: a single paragraph, the intro, the conclusion, half of the paper... etc. (Vous avez plus de chances d’obtenir des faux positifs en n’analysant qu’une partie du contenu entier : un seul paragraphe, l’introduction, la conclusion, la moitié du devoir... etc.)

La phrase suivante dit ce qu’il faut faire à la place : « We can fix a lot of false positives by scanning the entire piece of content instead of a snippet. This just gives our tool more context and more content to go off of. » (Nous pouvons corriger beaucoup de faux positifs en analysant le contenu entier plutôt qu’un extrait. Cela donne tout simplement à notre outil plus de contexte et plus de contenu sur lequel s’appuyer.)

La même page porte deux expériences que l’éditeur a menées sur lui-même, ce qui est plus rare et plus utile que le conseil :

• Une introduction de blog de 50 mots, rédigée à la main par la personne qui a écrit l’article d’aide, est revenue à 79 % d’IA.
• Une conclusion de 107 mots, également rédigée à la main, est revenue à 69 % d’IA. L’explication de la page est qu’une conclusion est stéréotypée autant que courte : « You summarize everything before, give the reader more options and places to click, and finish up with any final calls to action. » (Vous résumez tout ce qui précède, vous donnez au lecteur plus d’options et plus d’endroits où cliquer, et vous terminez par les derniers appels à l’action.)

Les deux chiffres proviennent d’un texte écrit par des humains. Aucun des deux n’est une preuve sur votre écriture. Ils sont une preuve de ce qu’un extrait court et structurellement prévisible fait à un score, et l’introduction et la conclusion d’un essai sont, par construction, les deux à la fois : courtes et structurellement prévisibles.

Les extraits courts changent aussi le poids accordé à la mise en forme de votre texte. La page des limites de Copyleaks indique que son détecteur lit des milliers de motifs, « not just words or formatting » (pas seulement les mots ou la mise en forme), puis ajoute la partie qui compte pour un échantillon court : « Numbering, bullets, and outline-style headers are only one small part of the overall signal, but in very short texts they can have a larger relative impact to overall AI detection scores. » (La numérotation, les puces et les en-têtes de type plan ne sont qu’une petite partie du signal global, mais dans des textes très courts elles peuvent avoir un impact relatif plus important sur les scores de détection d’IA.) Un paragraphe de méthodologie comptant trois étapes numérotées a exactement cette forme.

Il y a une seconde raison pour laquelle le paragraphe réécrit est le pire échantillon possible, et elle n’a rien à voir avec la longueur : c’est la partie de votre document qui vient d’être le plus fortement modifiée. La page d’Originality est directe sur ce que l’usage d’un outil fait à son score : « if a tool interacted with your content in any way, it will raise the AI score » (si un outil est intervenu de quelque manière que ce soit sur votre contenu, cela augmentera le score d’IA), et elle cite les correcteurs grammaticaux à côté des chatbots. Quoi que vous pensiez de cette politique, cela signifie que le paragraphe sur lequel vous avez travaillé est celui qui porte le plus de signaux de modification, et vous demandez à l’outil de le juger seul.

La plupart des détecteurs colorent aujourd’hui des phrases individuelles, ce qui invite à lire le rapport phrase par phrase. Deux éditeurs disent directement que ces lectures plus petites pèsent moins que la lecture globale.

La documentation de l’API de Winston AI, en décrivant le tableau des scores par phrase qu’elle renvoie, ajoute : « Please note that assessments on smaller samples are less accurate than the general score. » (Veuillez noter que les évaluations portant sur des échantillons plus petits sont moins précises que le score général.)

Les indications de GPTZero sur son surlignage de phrases vont plus loin, et elles répondent à une question qu’on nous pose sans arrêt : pourquoi la réécriture des phrases surlignées n’a pas fait bouger le score :

Some sentences in an otherwise AI or human document might not show up as highlighted. They may still have an effect on your score, but they aren't more likely than other parts of your document. (Certaines phrases d’un document par ailleurs classé IA ou humain peuvent ne pas apparaître surlignées. Elles peuvent tout de même avoir un effet sur votre score, mais pas plus que d’autres parties de votre document.)

Puis, avec la raison attachée : « You may find that adjusting an entire document changes your score more than just adjusting the sentences. This is because our detector holistically analyzes the document, and its prediction can depend on a pattern that affects the bulk of the text. » (Vous pouvez constater que modifier un document entier change davantage votre score que de modifier seulement les phrases. C’est parce que notre détecteur analyse le document de façon globale, et sa prédiction peut dépendre d’un motif qui affecte l’essentiel du texte.)

C’est l’éditeur qui dit que les surlignages ne sont pas une carte complète de ce qui a produit le chiffre. Ce que les détecteurs d’IA mesurent réellement explique comment ces scores sont produits et pourquoi l’explication habituelle est dépassée ; la conclusion pratique est ici plus étroite. Si vous traitez les phrases surlignées comme la liste complète de ce qui demande attention, vous travaillez à partir d’une carte partielle, selon la description de l’éditeur lui-même.

La longueur n’est pas la seule chose qui déplace une lecture. Copyleaks permet à un établissement de choisir l’un des trois niveaux de sensibilité, et publie ce que chacun fait à ses propres taux d’erreur :

Lisez la première et la dernière ligne ensemble. Passer du réglage le plus prudent au plus sensible multiplie par environ vingt le taux de faux positifs publié, et c’est un interrupteur sur l’écran de quelqu’un d’autre. Vous ne pouvez pas voir sur quelle position il est, et rien dans le rapport qu’on vous remet ne vous le dira.

Donc, lorsque votre propre vérification et celle de votre établissement ne concordent pas, il existe au moins trois explications ordinaires avant que quiconque en arrive à « l’un des deux est cassé » : un outil différent, un réglage différent sur le même outil, et une quantité de texte différente. Pourquoi deux détecteurs d’IA donnent des scores différents passe en revue les autres.

Quoi que vous lanciez chez vous, le chiffre qui a des conséquences est produit par l’outil de votre établissement, sur le fichier que vous déposez, avec ses réglages. Turnitin ne produit aucun score d’IA pour un dépôt de moins de 300 mots de prose, et pour les documents juste au-dessus de cette ligne il décrit sa propre prédiction comme proche du tout ou rien – ce que cela fait aux travaux courts est un sujet en soi.

Les devoirs Clarity plus récents de Turnitin publient une plage de travail dans le même esprit : « For Turnitin Clarity to work optimally, we recommend a minimum word count of 300 words and a maximum of approximately 2,500 words » (pour que Turnitin Clarity fonctionne de façon optimale, nous recommandons un nombre de mots minimum de 300 mots et un maximum d’environ 2 500 mots) et, lorsque la détection d’écriture par IA est activée, « submissions must be between 300 and 30,000 words. » (les dépôts doivent compter entre 300 et 30 000 mots).

Pouvoir seulement effectuer votre propre vérification dépend de ce que votre établissement a activé et des écrans auxquels vous avez accès, ce qui est une autre question avec sa propre réponse : comment vérifier votre travail avant de le déposer.

1. Analysez le document entier, pas le passage. C’est le seul changement qui corresponde au conseil de tous les éditeurs : pas de nouvel outil, pas de nouveau compte, pas de nouveau réglage, seulement la même vérification sur plus de texte. Sur les outils qui facturent à la longueur, cela coûte davantage – la documentation de l’API de Winston dit « Each word that is processed by the API consumes one credit » (chaque mot traité par l’API consomme un crédit) –, et c’est malgré tout la lecture que leurs propres pages vous disent de retenir.
2. Comparez ce qui est comparable. Une comparaison avant/après n’a de sens que si l’outil, les réglages et la quantité de texte sont les mêmes des deux côtés. Changer la taille de l’échantillon entre les deux lectures modifie la lecture en elle-même.
3. Attendez-vous à ce que le chiffre bouge sans que vous touchiez au texte. Les modèles changent de version. La documentation de l’API de Winston liste vingt-deux versions sélectionnables, de 2.0 à 4.18, et choisit par défaut la plus récente. Un score d’il y a trois semaines et un score d’aujourd’hui peuvent ne pas venir du même modèle.
4. Ne traitez un chiffre issu de votre propre vérification comme un verdict, dans aucune des deux directions. Une lecture basse à la maison n’est pas une mise hors de cause, parce que l’outil de votre établissement est un autre outil. Une lecture haute sur un extrait de 60 mots n’est pas davantage un résultat : 60 mots franchissent l’un des sept planchers ci-dessus et aucun des autres.
5. Conservez le rapport qu’on vous a réellement remis. Si un signalement a déjà eu lieu, le document qui compte est celui qu’a produit votre établissement, pas une lecture que vous avez générée après coup. Revérifier après une réécriture traite ce que cette comparaison peut et ne peut pas montrer.

Existe-t-il un nombre de mots à partir duquel les détecteurs deviennent fiables ? Aucun de ces éditeurs ne revendique un point à partir duquel son résultat devient certain. Ce qu’ils publient, c’est un plancher en dessous duquel ils le disent non fiable, et une direction : plus c’est long, plus c’est stable. Copyleaks le formule ainsi : « the accuracy of our detection increases as the text length increases » (la précision de notre détection augmente à mesure que la longueur du texte augmente) ; la formulation de ZeroGPT est qu’un texte plus long « improves stability » (améliore la stabilité).

Mon paragraphe de 150 mots est revenu à 80 %. Cela veut-il dire qu’il est à 80 % IA ? Non, et la confusion mérite d’être dissipée parce qu’elle est intégrée à la façon dont ces scores sont nommés. Le centre d’aide d’Originality.ai le dit clairement : « an AI score of 90% doesn't mean that AI produced 90% of the content. It means that our tool is 90% confident that AI was used in some part to produce the content » (un score d’IA de 90 % ne signifie pas que l’IA a produit 90 % du contenu. Cela signifie que notre outil est sûr à 90 % que l’IA a été utilisée pour produire une partie du contenu). Un chiffre de confiance et un chiffre de proportion du document se ressemblent à l’identique à l’écran et veulent dire des choses différentes. Le pourcentage de Turnitin est encore une troisième variante : une part du texte éligible.

Puis-je simplement fusionner quelques paragraphes pour passer au-dessus du plancher ? C’est exactement ce que suggère ZeroGPT : « consider merging sections before checking. » (envisagez de fusionner des sections avant la vérification.) Cela vous fait franchir un seuil de longueur, mais la lecture décrit alors le bloc fusionné, et non le paragraphe qui vous inquiétait. Si votre question porte sur un passage précis, aucun arrangement du texte n’y répond proprement, ce qui est la réponse honnête plutôt que la réponse satisfaisante.

Ces planchers s’appliquent-ils aussi au rapport Turnitin de mon établissement ? Les planchers ci-dessus appartiennent au détecteur propre à chaque éditeur. Turnitin a les siens : aucun score en dessous de 300 mots de prose, et seules les phrases de prose comptent dans le pourcentage. Les listes, les tableaux et les puces sont exclus de ce qu’il mesure, ce qui explique que les surlignages et le chiffre puissent sembler désaccordés.

• Copyleaks Help, le nombre minimal de caractères pour une vérification avec le AI Detector.
• Copyleaks Help, quelles sont les limites de notre AI Detector et le réglage du niveau de sensibilité de la détection d’IA.
• Winston AI, la référence de l’API v2 de détection de contenu IA.
• Originality.ai Help, les causes les plus courantes de faux positifs (mis à jour le 28 octobre 2025) et les nombres de mots minimum pour les analyses.
• ZeroGPT, la réponse de la FAQ sur la longueur du texte.
• GPTZero Support, comment interpréter l’analyse avancée par phrase.
• Turnitin Guides, les exigences de fichier pour un AI Writing Report, créer un devoir Clarity et la FAQ sur les capacités de détection d’écriture IA, d’où vient la formulation du tout ou rien.