Authentifier le réel : pourquoi marquer le réel est plus important que marquer le synthétique

Pour les entreprise, les éditeurs et les grands médias, la principale menace n'est plus seulement d'identifier ce qu'une machine a généré. Il s'agit de prouver l'intégrité des contenus visuels authentiques. Relever ce défi exige de dépasser les conteneurs de métadonnées et d'intégrer des systèmes de signaux de provenance directement dans la couche de pixels elle-même.

C2PA et JPEG Trust : deux normes, une fragilité commune

Le marché considère souvent la C2PA comme la réponse exclusive à la vérification des contenus, mais ce n'est pas le seul cadre disponible. Le Code de bonnes pratiques de l'Office européen de l'IA n'impose pas exclusivement la C2PA, reconnaissant que des normes alternatives existent. Un exemple notable est le projet JPEG Trust, qui établit un cadre de confiance pour les systèmes d'imagerie, conçu pour équilibrer la sécurité, la confidentialité et les données de provenance d'une manière qui complète plutôt qu'elle ne duplique la C2PA.

L'adoption de la C2PA s'accélère également au niveau matériel. Les principaux fabricants d'appareils photo, notamment Sony, Nikon, Canon et Leica, intègrent la conformité C2PA directement dans le micrologiciel de leurs appareils, garantissant que le manifeste cryptographique d'un actif est créé au moment exact de la capture.

Pourtant, bienqu'elles utilisent les manifestes C2PA ou les architectures JPEG Trust, les solutions basées sur les métadonnées partagent une vulnérabilité fondamentale : les informations de provenance résident en dehors du payload lui-même. Les plateformes de réseaux sociaux suppriment systématiquement les métadonnées pour réduire la bande passante, les conversions de format rompent les hachages cryptographiques, et une simple capture d'écran sépare complètement l'image de son historique. Une fois ce conteneur supprimé, l'actif devient anonyme et invérifiable.

SynthID et le filigrane forensique : une distinction nécessaire

Pour pallier les limites des métadonnées, l'attention du marché s'est tournée vers la solution SynthID de Google, qui est devenue la technologie de filigrane la plus commentée dans la thématique des contenus IA. Cependant, sa fonction est fréquemment mal caractérisée. Même si SynthID est techniquement un outil de filigrane au niveau du pixel, ce n'est pas un outil généraliste de récupération forensique. C'est un marqueur dépendant de son modèle, conçu spécifiquement pour signaler qu'un actif a été créé par la solution générative Gemini de Google. Il fonctionne au sein de l'infrastructure de Google et n'a pas la capacité de récupérer les métadonnées supprimées sur des plateformes tierces, ni de suivre les images du monde réel sur le web ouvert. Il ne vérifie que la présence de sa propre signature, ce qui signifie qu'il ne peut identifier que les contenus produits par les propres modèles de Google comme Gemini, Imagen et leurs dérivés.

Cette distinction est d'une importance capitale. La véritable lacune sur le marché de l'intégrité des contenus n'est pas l'identification des images générées par l'IA, mais la protection des images authentiques. La photographie réelle, les actifs visuels d'entreprise et les images documentaires non altérées représentent les cibles les plus précieuses pour la manipulation et le détournement, mais ils restent entièrement mal desservis par les outils centrés sur l'IA. Des solutions comme celles d'Imatag sont conçues précisément à cette fin, spécialisées dans le tatouage numérique de contenu authentique plutôt que le marquage de productions synthétiques.

Les mécanismes de la preuve au niveau du pixel

La protection des actifs authentiques nécessite un tatouage numérique imperceptible, basé sur un signal. Plutôt que d'ajouter des paquets de données externes à un fichier, cette méthode fonctionne en manipulant directement les valeurs des pixels, en utilisant l'intégration dans le domaine spatial ou des transformations dans le domaine fréquentiel telles que la transformée en cosinus discrète. Le signal est tissé et intégré dans les valeurs de luminance et de chrominance même de l'image, le rendant inséparable des données visuelles elles-mêmes.

La conséquence pratique est significative : le signal forensique survit au trou analogique. Une compression agressive avec perte, un recadrage géométrique, une conversion de format et même une capture d'écran ne peuvent pas le supprimer. Le tatouage numérique persiste quelle que soit la manière dont l'actif est distribué ou dégradé.

Cela crée un flux de travail de récupération puissant lorsqu'il est associé à des normes de métadonnées. Lorsqu'une plateforme supprime un manifeste C2PA ou un conteneur JPEG Trust, le filigrane intégré agit comme une clé immuable. Les systèmes automatisés peuvent scanner la couche de pixels, détecter le signal et relier de manière programmatique les enregistrements de provenance originaux à l'actif. La chaîne de confiance est restaurée sans aucune intervention humaine.

L'horizon législatif : un cadre encore en construction

Le paysage réglementaire concernant l'authentification des contenus évolue, mais des lacunes importantes subsistent. L' Acte sur l'IA de l'UE établit des exigences de marquage lisibles par machine strictement pour les productions générées par l'IA, sans obligation équivalente pour le contenu authentique et réel.

La législation qui s'est le plus rapprochée de la résolution de cette lacune est celle de la Californie. Par le biais de la Loi californienne sur la transparence de l'IA (SB 942, signée en 2024) et son amendement AB 853 (signé en octobre 2025), la Californie a mis en place le cadre de provenance le plus avancé adopté à ce jour par toute juridiction. La loi AB 853 exige notamment que les fabricants d'appareils photo et d'enregistrement vendus dans l'État de Californie à partir de 2028 offrent aux utilisateurs la possibilité de intégrer des signaux de provenance dans les photos et vidéos capturées au moment de leur création. C'est la première fois qu'une législation aborde formellement l'authentification des contenus capturés par appareil photo.

Cependant, même cette loi articule la question autour de la distinction entre le contenu authentique et le contenu généré par l'IA, plutôt que d'exiger la protection des actifs réels en tant que tels. Plutôt que de faire peser la charge de l'application sur les photographes ou les marques, les futures législations pourraient viser à intégrer le système de signaux de provenance comme une exigence d'infrastructure par défaut. En passant d'un modèle d'obligation individuelle à un cadre où l'authenticité est intégrée au processus standard de capture et de distribution, les régulateurs peuvent garantir que la protection du « réel » devienne une garantie structurelle plutôt qu'un choix stratégique facultatif.

‍