Turnitin détecte-t-il Grok ? Ce que dit la liste des modèles

Oui. Grok est nommément cité dans la liste de modèles publiée par Turnitin. Cette liste indique que le modèle de détection de l’écriture IA de Turnitin pour les soumissions en anglais peut détecter les contenus issus d’un ensemble de modèles qui comprend Grok, aux côtés de GPT, Gemini, Claude, LLaMA, Mistral, DeepSeek, Nova et o1-mini. La liste couvre également « tools based on these LLMs as well, » (les outils reposant également sur ces LLM), ce qui signifie que les applications et les services bâtis sur les modèles de langage de Grok entrent dans le périmètre de détection annoncé.

Grok a connu plusieurs versions, chacune avec ses capacités et son contexte de lancement. La clause « tools based on these LLMs » (les outils reposant sur ces LLM) signifie que les applications en aval qui utilisent Grok comme modèle sous-jacent entrent elles aussi dans le périmètre annoncé. Savoir si chaque version de Grok est repérée avec la même exactitude est une autre question, à laquelle la liste elle-même ne répond pas.

Turnitin ne publie pas de tableau répertoriant les modèles avec des résultats de détection de type réussite/échec. L’entreprise fournit à la place une liste en ligne, séparée par des virgules, au sein de sa documentation. La phrase d’introduction se lit ainsi : « Currently, Turnitin's AI writing detection model for English submissions can detect content from » (actuellement, le modèle de détection de l’écriture IA de Turnitin pour les soumissions en anglais peut détecter les contenus issus de), suivie d’une liste où Grok figure aux côtés d’autres grands modèles de langage. Claude et Gemini partagent cette même ligne, et Turnitin détecte-t-il Claude, Copilot ou Gemini revient sur ce point. La liste se termine en précisant que la couverture s’étend « tools based on these LLMs as well. » (aux outils reposant également sur ces LLM).

L’expression clé est ici « can detect content from. » (peut détecter les contenus issus de). Cette formulation nous apprend que le détecteur est entraîné à reconnaître les textes produits par ces modèles. Elle ne promet pas une détection parfaite. La phrase qui suit immédiatement la liste compte tout autant : « We will continue to expand our detection capabilities to other models in the future. » (nous continuerons à l’avenir d’étendre nos capacités de détection à d’autres modèles).

Concrètement, pour Grok, cela signifie que tout outil ou service qui utilise les modèles de langage de Grok pour produire du texte entre dans le périmètre annoncé. La sensibilité de cette couverture peut varier, et nous y revenons dans les sections suivantes.

Pour comprendre pourquoi la détection n’est pas un simple oui ou non, il est utile de regarder le mécanisme décrit par Turnitin. Lorsqu’un document est soumis, les phrases en sont extraites puis découpées en sections qui se chevauchent, soumises à une analyse de prédiction. Chaque section est classée par le modèle de détection IA et reçoit une valeur comprise entre 0 et 1, qui exprime la probabilité que le texte ait été écrit par un humain ou généré par une IA. Chaque phrase retenue à l’intérieur de ces sections hérite du score de sa section. Comme les sections se chevauchent, une même phrase peut recevoir plusieurs scores, qui sont ensuite regroupés en un seul. Ces scores de phrase sont à leur tour agrégés et servent à calculer le score d’écriture IA de l’ensemble du document.

Autrement dit, le pourcentage final qui figure sur votre rapport est l’agrégation d’une multitude de petites prédictions faites au niveau de la phrase. Ce n’est pas un unique balayage qui classe d’un bloc tout le document comme IA ou comme humain. Chaque phrase pèse dans le total, et le chevauchement des sections permet de lisser les cas limites.

Le modèle de Turnitin n’est pas figé. Selon la documentation : « As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed. » (à mesure que nous faisons évoluer notre modèle pour mieux détecter les LLM plus récents, il est probable que nos capacités de détection évoluent elles aussi, ce qui modifiera le pourcentage d’IA. Toutefois, pour un document déjà soumis, le pourcentage d’IA ne changera que s’il est soumis à nouveau pour être traité.)

Cela a une conséquence pratique. Si vous soumettez un document aujourd’hui et obtenez un certain pourcentage d’IA, ce même document peut recevoir un pourcentage différent s’il est soumis à nouveau plusieurs semaines ou plusieurs mois plus tard. Le modèle est mis à jour, et ces mises à jour peuvent faire bouger les scores dans un sens comme dans l’autre. Un passage qui paraît humain aujourd’hui peut paraître généré par IA après une mise à jour, ou l’inverse.

Pour un texte produit par Grok, cela signifie que le taux de détection que vous observez aujourd’hui ne correspondra pas forcément à celui que vous observerez plus tard. Grok lui-même a connu plusieurs itérations, et le modèle de Turnitin continue de se développer. Si vous avez entre les mains deux rapports portant sur le même fichier, comparer deux rapports plutôt que deux scores est le seul moyen de savoir lequel des deux a bougé. La liste des modèles confirme que Grok est dans le périmètre, mais la sensibilité de cette détection peut varier à mesure que Turnitin affine son modèle.

Turnitin reconnaît ouvertement que son détecteur ne repère pas tout. La documentation indique : « In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing. » (Pour maintenir ce faible taux de faux positifs de 1 %, il se peut que nous manquions une partie du texte écrit par IA dans un document. Cela ne nous pose pas de problème, car nous ne voulons pas signaler à tort un texte écrit par un humain comme écrit par une IA. Par exemple, si nous estimons que 50 % d’un document ont probablement été écrits par un outil d’IA, ce document pourrait contenir jusqu’à 65 % d’écriture IA.)

C’est un arbitrage assumé. Turnitin donne la priorité à un faible taux de faux positifs, ce qui revient à accepter qu’une partie du texte IA passe entre les mailles. Un document qui affiche 50 % d’IA peut en réalité en contenir jusqu’à 65 %. Le détecteur pèche par excès de prudence : il préfère laisser passer du texte IA plutôt que de signaler à tort un texte humain.

Pour comprendre pourquoi le détecteur fonctionne ainsi, il faut regarder ce qu’il mesure réellement. Le modèle de Turnitin ne s’appuie pas sur les métriques souvent évoquées dans les débats publics sur la détection de l’IA — une affirmation à mettre en regard de Turnitin utilise-t-il la perplexité et la burstiness pour détecter l’IA. La documentation indique : « Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data. » (notre modèle n’est pas explicitement programmé pour évaluer des signaux particuliers tels que la « burstiness », la « perplexité » ou d’autres métriques individuelles parfois mentionnées dans les débats publics. Il apprend des régularités statistiques à partir de nos données d’entraînement.) Le modèle applique ensuite ce qu’il a appris pour classer le texte. Comme le dit Turnitin : « Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers. » (nos classifieurs sont entraînés à détecter ces différences de probabilité d’apparition des mots et connaissent bien les séquences de probabilité propres aux rédacteurs humains.)

En d’autres termes, le détecteur s’intéresse aux schémas de probabilité d’apparition des mots, pas à des signaux de surface comme la variation de la longueur des phrases ou la rareté du vocabulaire. C’est pour cela qu’un texte IA fortement remanié ou réécrit peut parfois échapper à la détection, et c’est aussi pour cela que Turnitin détecte-t-il les humanizers d’IA n’appelle pas une réponse par oui. Si les séquences de probabilité des mots se déplacent suffisamment au fil des modifications, le classifieur peut cesser de reconnaître le texte comme généré par IA. Pour un texte issu de Grok, cela signifie que le détecteur s’attache aux régularités statistiques de l’écriture elle-même, et non à l’identification de Grok comme source précise.

Si votre rapport Turnitin signale des passages comme générés par IA, la démarche la plus pragmatique consiste à ne traiter que les sections signalées, plutôt que de réécrire le document entier : c’est précisément ce que décrit ne réécrire que les paragraphes signalés par un rapport Turnitin. Comme Turnitin note phrase par phrase, vous pouvez repérer les segments précis qui ont déclenché la détection et concentrer votre révision à cet endroit.

Conservez vos citations, vos tableaux et votre mise en forme tels quels. Seuls les passages signalés comme IA demandent un travail. Si vous révisez et soumettez à nouveau, gardez à l’esprit que le pourcentage d’IA peut bouger sous l’effet des mises à jour du modèle, et pas seulement à cause de vos modifications.

Les passages éligibles peuvent être relancés sans frais.