Pangram : détecteur d'IA pour texte et images, avec réserves
En bref
- Pangram propose un détecteur d'IA revendiquant 99,7 % de précision sur 26 modèles (ChatGPT, Claude, Gemini, etc.), vérifié par des universités.
- L'outil combine détection de contenu IA, analyse de segments et vérification de plagiat.
- Les commentaires révèlent des cas d'imprécision, des faux positifs avérés, et une dépendance forte à la longueur du texte analysé.
Ce que dit la source
Pangram affirme résoudre le défi croissant de distinguer le texte généré par IA du contenu humain dans l'académie, les médias et l'entreprise. L'entreprise présente sa technologie comme supérieure aux détecteurs open source : basée sur une recherche propriétaire de plusieurs années, entraînée sur des données diversifiées et capable de détecter du contenu IA « humanisé » ou modifié. Elle revendique un taux de précision de 99,8 % pour Claude Opus 5 et de 99,7 % en moyenne sur 26 modèles testés, avec vérification indépendante par l'Université du Maryland et l'Université de Chicago.
- Pangram détecte aussi du contenu IA partiellement réécrit (« AI Assistance ») ou humanisé, pas uniquement le texte entièrement généré.
- L'outil fonctionne sur plus de 20 langues et supporte image et texte (détection d'images générées annoncée comme nouvelle fonctionnalité).
- Benchmarks : 99,8 % sur Claude Opus 5, 99,6 % sur GPT-5.6, 99,5 % sur Gemini 3 (selon les données du site, testées juillet 2026).
- L'entreprise revendique un faux positif de 1 sur 10 000, mais les commentaires soulèvent le manque de détail sur le taux de faux positifs par modèle et la nature exacte de cette métrique.
- Modèle commercial : essai gratuit avec 3 scans par jour, API payante ; l'intégration Gmail est annoncée comme nouvelle.
Dans les commentaires
Débat partagé, techniquement nuancé. Une partie du fil reconnaît la fiabilité globale ; plusieurs commentateurs signalent des cas de faux positifs concrets ou doutent de la méthodologie annoncée.
- Plusieurs commentateurs contestent la fiabilité réelle : un utilisateur rapporte que Pangram a classé un texte 50/50 humain-IA comme 100 % humain ; un autre a observé des images NovelAI V5 mal classées comme non-IA.
- L'exactitude des benchmarks est questionnée : les chiffres affichés (99,8 %) semblent être le taux de vrais positifs seul, sans intégrer le faux positif (1/10 000), ce qui complique la comparaison réelle ; absence de détail par modèle.
- Cas d'usage limite pour les textes courts : un commentateur a développé son propre détecteur après avoir jugé Pangram inadapté aux commentaires de code, domaine où la longueur est insuffisante pour une détection fiable.
- Débat philosophique sous-jacent : un commentateur soulève que la détection binaire (IA oui/non) ignore la réalité : les LLM sont souvent des outils d'assistance (relecture, grammaire) intégrés au processus d'écriture humain, ce que Pangram pénalise indistinctement.
- Scepticisme modéré sur la valeur ajoutée : plusieurs participants doutent que le problème pertinent soit la détection en tant que telle, plutôt que la question de la signification et de l'originalité du contenu.
Alternatives citées : Commentateurs citent : outils open source (évoqués mais pas nommés précisément), agents de détection maison entraînés sur des features stylistriques anciennes (voir lien proposé en [7]).
Notre lecture
Pangram fournit un outil de détection d'IA techniquement solide pour les textes longs et structurés, avec benchmarks tiers vérifiables. Cependant, la synthèse des commentaires révèle trois limites opérationnelles : (1) des faux positifs documentés dans des cas réels, (2) une dégradation marquée sur textes courts (code, commentaires), (3) une méthodologie d'évaluation opaque sur le taux de faux positifs par modèle. Pour les institutions cherchant une défense contre les soumissions 100 % générées, c'est probablement le meilleur candidat du marché. Pour les cas d'usage gris (texte partiellement assisté, texte court, domaines spécialisés), l'outil demande de la contextualisation. Le modèle commercial freemium (3 scans/jour) est une barrière modérée pour l'expérimentation. Recommandation : tester sur un petit lot de votre cas d'usage réel avant validation budgétaire.