Technologie
La détection des faux doit désormais tenir hors du laboratoire, chaque jour, sur de vrais sinistres, de vrais comptes et de vrais appels, et c’est pour cela qu’elle a plus que jamais besoin de la méthode scientifique. Label4.ai s’est construite sur cette méthode, un choix assumé après l’autre.
Contactez-nous et mettez-nous au défi

La détection est née de la recherche, et elle en dépend toujours. Ce qui a changé, c’est l’endroit où elle doit fonctionner : de nouveaux générateurs sortent sans cesse, et un détecteur qui brille sur un jeu de test mais pas sur vos contenus ne vous sert à rien. Label4.ai se tient entre les deux mondes : notre équipe de recherche conçoit et entraîne ses propres détecteurs, en lien étroit avec le laboratoire CRIStAL du CNRS et l’équipe ARTISHAU d’Inria, et chaque modèle est éprouvé sur des cas réels avant d’arriver sur les vôtres.
Avec les laboratoires
Les travaux les plus récents sur les traces de génération et de retouche, et sur le watermark, discutés avec les équipes qui les mènent.
Chez Label4.ai
Conçus et entraînés par notre équipe, puis testés sur des générateurs qu’ils n’ont jamais vus.
Avec vos équipes
Dans la console Anomaly Engine et par l’API, sur les contenus que vos équipes reçoivent chaque jour.
Patrick Bas, directeur de recherche CNRS au laboratoire CRIStAL, siège à notre comité scientifique, et Teddy Furon, directeur de recherche Inria, est notre conseiller scientifique. Le comité, composé de chercheurs extérieurs, examine nos méthodes.
Indépendants des modèles génératifs : nous n’en construisons aucun et ne dépendons d’aucun, nous ne jugeons donc jamais notre propre travail. Prix de la Recherche InCyber 2026. Nos partenaires : Sopra Steria, Capgemini et b<>com.
Il n’y a pas de percée unique derrière Label4.ai, seulement une série de choix, que nous tenons dans chaque projet.
Un détecteur conçu pour tout n’est réglé pour rien. Chaque projet est monté pour un cas d’usage : les contenus que vous recevez, les faux qui vous visent, l’action qui suit.
Un pourcentage fait bien dans une présentation, mais personne ne sait quoi en faire : il a été mesuré sur les contenus de quelqu’un d’autre, avec le seuil de quelqu’un d’autre. Nous mesurons vos taux de fausses alertes et de faux manqués sur vos propres contenus, avant tout engagement : des résultats que vous pouvez exploiter.
Tout détecteur arbitre entre les deux. Trop de signalements et votre équipe se noie dans des contenus authentiques, trop peu et les faux passent. Le bon équilibre dépend de ce que vous coûte un faux manqué, c’est pourquoi nous le réglons avec vous.
Les mêmes 400 contenus, dont 12 faux, lus à trois seuils. Illustration.
Un texte ne garde aucune trace physique de sa fabrication : rien, dans les mots eux-mêmes, ne permet d’établir de façon fiable qu’une machine les a écrits. On peut repérer un style dans un contexte donné, mais un humain peut l’imiter ou écrire naturellement de la même façon : impossible alors de maîtriser les fausses alertes, d’autant qu’écrire avec une IA est devenu courant au quotidien. Cela n’a de sens que là où la main humaine est l’essentiel, en littérature par exemple. Partout ailleurs, nous concentrons notre travail sur les contenus qui portent des traces mesurables : images, documents, voix et vidéos.
Un faux n’est ni une question de goût, ni une question de ce que dit le contenu. C’est un contenu qui comporte une anomalie par rapport à ce qu’on est en droit d’attendre de lui.
Nous cherchons cet écart à quatre endroits à la fois, avec des lectures adaptées à chaque type de contenu, puis nous en tirons une seule conclusion.
Ce que le fichier enregistre de l’appareil et des logiciels qui l’ont touché, lu pour ce que cela peut confirmer, sans jamais aller au-delà.
Les identifiants de contenu et les marques invisibles que les générateurs placent dans ce qu’ils produisent. Quand l’une d’elles est présente et lisible, elle nomme l’outil qui a produit le contenu.
Les régularités statistiques qu’un modèle laisse dans tout ce qu’il produit, et que l’œil et l’oreille ne perçoivent pas. Elles changent d’un type de contenu à l’autre : le grain et la compression d’une image, la hauteur et le timbre d’une voix. C’est d’elles que viennent la plupart des réponses, et elles sont les plus riches dans le fichier d’origine : chaque réencodage, recadrage ou capture d’écran en efface une partie, c’est pourquoi nous nous branchons sur vos flux entrants.
Un contenu authentique modifié à un endroit, à la main ou par un modèle : un chiffre réécrit sur un document, une bosse ajoutée sur une photo, quelques mots insérés dans un enregistrement. Nous cherchons la zone qui ne ressemble pas au reste du fichier : une autre histoire de compression, une rupture dans le grain, un passage dont les fréquences ne ressemblent pas au reste de l’enregistrement.
Nous regardons comment un contenu a été fabriqué et vous laissons ce qu’il raconte : savoir si un document dit vrai ou si un total est juste reste du ressort de vos propres contrôles.
Label4.ai est une couche de confiance : une couche de défense, pensée dès le départ pour s’ajouter à celles que vous avez déjà. Voici ce qui la compose.
Nous lisons ce que porte le fichier lui-même, pas qui l’a envoyé ni d’où. Cela nous rend indépendants de vos canaux et de vos outils, et complémentaires de tous les contrôles qui regardent ailleurs.
Nos détecteurs sont des modèles déterministes entraînés en interne, sans LLM : ils mesurent au lieu de donner un avis, et un même contenu analysé deux fois reçoit deux fois la même réponse.
Banques, assureurs, administrations : beaucoup ne peuvent pas laisser sortir leurs contenus. L’ensemble s’installe donc aussi dans votre infrastructure, sans aucune connexion sortante, avec les mêmes modèles que notre cloud.
Nous suivons chaque nouveau modèle génératif dès sa sortie, testons les nôtres sur des générateurs qu’ils n’ont jamais vus et les mettons à jour en continu, parce que le prochain modèle n’attendra personne.
Conçue dès le premier jour pour s’ajouter à une stack existante, par la console Anomaly Engine ou par l’API, à côté de vos contrôles d’identité, de vos règles et de vos équipes.
Aucun contrôle seul n’arrête tous les faux. Une défense qui fonctionne est faite de plusieurs couches, chacune rattrapant ce que les autres laissent passer, et la nôtre est celle qui lit le contenu lui-même.
La détection et le watermark sont les deux faces d’une même couche de confiance : l’une repère ce qui trahit un faux, l’autre place une marque invisible dans un contenu au moment où il est produit, pour que chacun puisse ensuite vérifier d’où il vient. Très peu d’équipes au monde maîtrisent les deux. Notre expertise du watermark permet aussi à votre organisation de prouver l’origine de ses propres contenus.
Une marque ne prouve l’origine que des contenus qui la portent. Pour tous les autres, la détection prend le relais. Nous faisons les deux, si bien qu’une même analyse lit la marque quand elle est là et cherche les traces de fabrication quand elle n’y est pas.
Nos conseillers scientifiques travaillent depuis plus de vingt ans sur la sécurité du watermark, aux côtés de l’équipe ARTISHAU d’Inria, notre partenaire de recherche. Cette expertise sert toute notre couche de confiance : savoir comment une marque tient et comment on l’attaque, c’est aussi savoir repérer un contenu qui a été trafiqué.
L’article 50 de l’AI Act impose aux fournisseurs d’IA générative de marquer ce que produisent leurs modèles. Seule entreprise française spécialisée dans le watermark à y avoir contribué, nous avons participé à la rédaction du code de bonnes pratiques européen qui en fixe les modalités, nous l’avons signé, et nous travaillons aux côtés des autorités françaises sur la transparence des contenus.
Chaque marque est un équilibre entre rester invisible, résister à ce que le contenu traverse, ne pas pouvoir être contrefaite et porter plus ou moins d’information. Il n’existe pas de marque idéale en général, seulement la marque idéale pour un usage : nous la concevons avec vous, et nous entraînons sa robustesse contre les transformations propres à vos canaux de diffusion.
Chaque image ou voix produite par le modèle est marquée au moment où elle est créée, sans changement visible, et la marque doit résister aux retouches, aux recadrages et aux captures d’écran.
Le client doit pouvoir vérifier qu’il vient bien de la banque, et une voix clonée ne doit jamais passer pour un conseiller autorisé.
Personne ne doit voir la marque, et elle doit résister à chaque recompression jusqu’à la rédaction.
Des traits fins laissent peu de place, et la preuve de l’auteur du schéma doit être impossible à contrefaire.
La marque est répartie dans les pixels ou dans le son, sous le seuil de ce que l’œil et l’oreille perçoivent, pour résister à la compression et aux retouches courantes.
Le générateur place la marque pendant qu’il crée le contenu, si bien que chaque résultat la porte dès sa création. Les éditeurs de modèles utilisent notre solution dans notre cloud ou sur leurs propres serveurs : elle se branche si besoin sur leur chaîne existante, et elle a été conçue dès le départ pour s’y adapter.
Une marque peut simplement signaler sa présence, « ceci vient de nous », ce qui laisse toute la place à l’invisibilité et à la robustesse. Elle peut aussi porter un vrai message : des métadonnées chiffrées, un identifiant, une source, une date, une version, qui ramènent à l’original. Entre les deux, sa capacité se règle selon ce que vous avez besoin de retrouver.
Sans la clé secrète, personne ne peut lire la marque ni en fabriquer une fausse.
Envoyez-nous des contenus dont vous connaissez déjà la réponse, et voyez ce que Label4.ai y trouve.
Contactez-nous et mettez-nous au défiLa technologie à l’œuvre dansSinistres assuranceFraude documentaireRemboursements et livraisonsFraude à l’identitéDeepfakes et usurpationAuthenticité des médiasDéfense et renseignement