Qu’est-ce que l’AI slop : glossaire, signes de ChatGPT, Claude et Gemini, et comment éviter d’en produire

Dans cet article : carte des termes · glossaire · origine du mot · chiffres · impact · signes dans les textes · GPT, Claude, Gemini · langues · images, musique, code · détecteurs · comment éviter le slop · FAQ · sources

Carte des termes

Les dictionnaires et les médias emploient les mots autour du slop de façon approximative et les confondent souvent. Il est utile de les classer selon l’endroit où naît le problème.

Glossaire

Chaque entrée comprend une définition, une origine et un lien avec le slop. Les entrées vont du plus général au plus précis.

AI slop

L’AI slop est un contenu numérique de faible qualité, produit par l’intelligence artificielle en grande quantité et avec peu d’effort humain, souvent sans que personne l’ait demandé.

Origine : le terme a commencé à se répandre en mai 2024. L’utilisateur @deepfates l’a comparé au spam le 6 mai, et deux jours plus tard Simon Willison écrivait que le slop est au contenu IA non sollicité ce que le spam est aux e-mails non sollicités. Willison souligne qu’il n’a pas inventé le mot.

Exemple : une étude de 2024 de Stanford et Georgetown a analysé 120 pages Facebook qui avaient publié au moins 50 images générées par IA et totalisé des centaines de millions d’interactions. Une publication a dépassé 40 millions de vues.

Limite : tout ce qui est réalisé avec l’aide de l’IA ne relève pas du slop. Willison écrit que tout contenu généré par IA n’est pas du slop, de même que tout e-mail promotionnel n’est pas du spam. Ce qui tranche, c’est le soin de l’auteur et ce qu’il apporte lui-même.

Workslop

Le workslop est un livrable produit par IA qui a l’apparence d’un bon travail mais manque de la substance nécessaire pour faire avancer une tâche, de sorte que le destinataire doit le terminer.

Origine : le terme a été introduit le 22 septembre 2025 dans un article de la Harvard Business Review signé par une équipe de BetterUp Labs et du Stanford Social Media Lab.

Chiffres : dans une enquête auprès de 1 150 salariés américains, environ 40 % ont déclaré avoir reçu du workslop au cours du mois écoulé. Traiter un cas leur a pris en moyenne 1 heure et 56 minutes. Les auteurs ont estimé la perte à 186 dollars US par salarié et par mois. Ces chiffres reposent sur les estimations des répondants et BetterUp vend des services de coaching, il faut donc les prendre comme des ordres de grandeur.

Lien avec le slop : le workslop est du slop en entreprise. Il fait gagner du temps à l’expéditeur et reporte le travail sur le destinataire.

Botshit

Le botshit est un contenu mensonger ou inventé par un chatbot qu’une personne utilise dans sa communication ou ses décisions sans le vérifier.

Origine : Tim Hannigan, Ian McCarthy et Andre Spicer l’ont introduit dans l’article « Beware of botshit » publié dans Business Horizons (2024). Le mot s’appuie sur la notion de bullshit du philosophe Harry Frankfurt, c’est-à-dire un contenu produit sans souci de la vérité. Le dommage n’apparaît que lorsque le contenu est utilisé. Les auteurs répartissent donc le travail avec les chatbots en quatre modes, selon l’importance de l’exactitude d’une réponse et la facilité à la vérifier.

Exemple : un chatbot d’Air Canada a indiqué à tort à un client qu’il pouvait demander rétroactivement une réduction pour deuil. En février 2024, un tribunal de Colombie-Britannique a ordonné à la compagnie de lui verser la différence.

Lien avec le slop : le slop est un produit, le botshit est une défaillance de processus. Il naît à l’instant où quelqu’un utilise le texte inventé.

Hallucination

L’hallucination est une sortie fluide et assurée d’un modèle de langage, mais fausse ou sans fondement, comme une citation, une étude ou un lien inventés.

Débat sur le nom : certains auteurs préfèrent le mot confabulation, employé par exemple dans une étude de Nature de juin 2024 sur la détection des hallucinations. Hicks, Humphries et Slater soutiennent dans « ChatGPT is bullshit » (2024) que les modèles ne se soucient tout simplement pas de la vérité.

Exemple : en 2023, des avocats américains ont soumis des décisions de justice inventées par ChatGPT, et le juge leur a infligé une amende de 5 000 dollars US (Mata v. Avianca).

Lien avec le slop : l’hallucination est la part du slop que les lecteurs détectent le moins bien, car le texte paraît sûr de lui. Le 1er octobre 2026, Google a mis à jour ses recommandations sur le contenu IA et a qualifié de critique la vérification manuelle des faits avant publication.

Sycophancy

La sycophancy (complaisance) est la tendance d’un assistant à dire aux utilisateurs ce qu’ils veulent entendre : les flatter, leur donner raison et modifier sa réponse pour l’aligner sur leur opinion, même lorsque celle-ci est factuellement fausse.

Exemple : le 25 avril 2025, OpenAI a déployé une mise à jour de GPT-4o qui, selon sa propre description, était trop complaisante et peu sincère, et l’a retirée en quelques jours.

Lien avec le slop : un modèle sycophante encense un concept médiocre et n’oppose aucune résistance, si bien que le slop passe sans correction. Les fournisseurs s’emploient donc à supprimer ces tics. Selon une analyse de Simon Willison, Anthropic a inscrit dans le prompt système de Claude 4 (mai 2025) une règle selon laquelle une réponse ne doit pas commencer par un éloge de la question.

Model collapse

Le model collapse est la dégradation progressive de modèles génératifs qui apprennent de façon répétée à partir des sorties de modèles précédents : les phénomènes rares disparaissent, les sorties s’aplatissent et se répètent.

Origine : Ilia Shumailov et ses coauteurs ont décrit l’effet dans Nature le 24 juillet 2024 (l’étude « AI models collapse when trained on recursively generated data »). Les termes apparentés sont Model Autophagy Disorder (Rice University, 2023) et Habsburg AI, une métaphore de Jathan Sadowski datant de février 2023 pour un modèle qui apprend à partir des sorties d’autres modèles et devient, pour ainsi dire, consanguin.

Débat sur la menace : l’effondrement se produit lorsque les modèles s’entraînent uniquement sur des données synthétiques. Selon Gerstgrasser et al. (2024), il est évité lorsque les données synthétiques s’ajoutent aux données réelles d’origine. Nous n’avons pas trouvé de preuve solide d’un effondrement dans les modèles de pointe déployés, l’affirmation selon laquelle le slop ruinera les prochains modèles est donc contestée.

Dead internet theory

La dead internet theory soutient que la plupart des contenus et des activités en ligne sont produits par des bots et des contenus générés automatiquement plutôt que par des personnes.

Origine : elle est apparue vers 2021 sur le forum Agora Road’s Macintosh Cafe et a atteint le grand public avec l’essai de Kaitlyn Tiffany dans The Atlantic du 31 août 2021, dont le sous-titre dit que la théorie est fausse tout en paraissant vraie. La version forte (le web est entièrement faux et dirigé par une autorité cachée) est une théorie du complot. La version modérée (les bots et les contenus IA sont très répandus sur le web) est étayée par des données sur le trafic des bots.

Chiffres : selon le rapport d’Imperva (Thales), le trafic automatisé représentait environ 51 % de l’ensemble du trafic web en 2024, soit, pour la première fois en une dizaine d’années, plus que le trafic humain. Il compte les requêtes sur le réseau d’un seul fournisseur et inclut les bots utiles, il ne dit donc pas quelle part du contenu a été écrite par l’IA.

Altman : en septembre 2025, Sam Altman a écrit qu’il n’avait jamais pris cette théorie très au sérieux, tout en notant qu’il semble désormais y avoir beaucoup de comptes sur X gérés par des modèles de langage.

Enshittification

L’enshittification est le nom donné par Cory Doctorow à la dégradation progressive d’une plateforme en ligne : elle commence par servir ses utilisateurs, puis les sacrifie à ses clients professionnels, et finit par presser aussi ces clients pour garder la valeur pour elle-même.

Origine : Doctorow a forgé le terme en 2022. L’American Dialect Society l’a choisi comme mot de l’année 2023, le Macquarie Dictionary pour 2024, et un livre du même titre est paru en octobre 2025.

Lien avec le slop : il s’agit de l’interprétation de commentateurs, selon laquelle les plateformes en fin de cycle ont intérêt à remplir les fils de contenus bon marché. Nous n’avons pas vérifié le lien établi par Doctorow lui-même avec le slop.

Brain rot

Le brain rot désigne la détérioration supposée de l’état mental d’une personne après une consommation excessive de contenus en ligne futiles, ou ces contenus eux-mêmes.

Origine : la plus ancienne occurrence connue est celle de Thoreau dans Walden en 1854. Oxford University Press l’a élu mot de l’année 2024 le 2 décembre 2024, et slop figurait parmi les finalistes. Selon OUP, la fréquence du terme a augmenté de 230 % entre 2023 et 2024.

Double sens : en octobre 2025 est paru un preprint intitulé « LLMs Can Get ‘Brain Rot’ » (Texas A&M, UT Austin et Purdue). Les modèles qui poursuivaient leur entraînement sur des tweets de faible qualité raisonnaient moins bien et géraient moins bien les contextes longs. Il s’agit d’une étude pilote fondée sur des données de X.

Scaled content abuse

Le scaled content abuse est, selon Google, la production en masse de pages dont l’objectif principal est de manipuler le classement dans les résultats de recherche au lieu d’aider les utilisateurs.

Origine : Google a introduit le terme le 5 mars 2024, avec la core update de mars, en remplacement de sa règle antérieure sur les contenus générés automatiquement. La politique s’applique que les pages soient produites par l’automatisation, par des personnes ou par les deux.

Ce que Google dit de l’IA : depuis février 2023, sa position est que l’usage de l’IA n’enfreint pas en soi les règles. L’infraction consiste à produire du contenu principalement pour manipuler le classement. Depuis le 15 mai 2026, les politiques anti-spam couvrent aussi explicitement la manipulation des réponses d’IA générative dans la recherche.

Chiffres : en annonçant le changement en mars 2024, Google a indiqué qu’il réduirait de 40 % les contenus peu qualitatifs et non originaux dans les résultats, et après le déploiement il a annoncé 45 %. Il s’agit de son propre chiffre, sans méthodologie publiée, et il ne concerne pas uniquement l’IA.

Slopsquatting

Le slopsquatting est une attaque dans laquelle quelqu’un enregistre le nom d’un paquet logiciel inventé par un modèle de code, puis un développeur l’installe parce qu’il fait confiance à la réponse du modèle.

Origine : le nom (slop plus typosquatting) est attribué par plusieurs sources à Seth Larson de la Python Software Foundation, et il s’est répandu en avril 2025.

Chiffres : selon des résumés de l’étude de Spracklen et al. (USENIX Security 2025), qui a testé 16 modèles en Python et JavaScript, environ 19,7 % des paquets recommandés n’existaient pas, et 43 % des noms inventés revenaient à chacune des dix répétitions du même prompt. La répétition transforme les noms inventés en proies prévisibles.

Vibe coding

Le vibe coding est une façon de programmer dans laquelle une personne confie des tâches à une IA en langage courant et ne relit pas le code généré en profondeur.

Origine : Andrej Karpathy l’a employé dans un post sur X le 2 février 2025. Collins Dictionary en a fait le mot de l’année 2025 (annoncé le 6 novembre 2025) et l’a défini plus largement comme la production de code à partir du langage naturel à l’aide de l’IA.

Lien avec le slop : du code non relu et des rapports de bugs non lus sont du slop dans le logiciel. Le projet curl a mis fin à son programme de bug bounty le 31 janvier 2026 parce que, selon Daniel Stenberg, il était submergé de rapports de vulnérabilités sans valeur générés par IA.

Ferme de contenus et pink slime

Une ferme de contenus est un site web qui produit en grand volume des contenus bon marché, calés sur les requêtes de recherche, pour le trafic et les revenus publicitaires.

Lien avec le slop : les fermes de contenus sont le précurseur du slop, avec le même motif économique, et l’IA générative n’a fait que rendre la production moins chère. Au 23 juin 2026, NewsGuard suivait 3 749 sites qu’il classe comme fermes de contenus IA, en 16 langues. La définition et la méthode ont changé en 2026, les séries ne sont donc pas entièrement comparables.

Les sites pink slime se font passer pour des médias d’information locaux mais publient des textes automatisés ou partisans. C’est une catégorie différente des fermes de contenus IA.

Deepfake

Un deepfake est une vidéo, un enregistrement audio ou une image de synthèse créés par deep learning, qui imitent de façon convaincante une personne réelle.

Différence avec le slop : un deepfake est une tromperie ciblée, alors que le slop est un contenu de faible qualité en général. Dictionary.com trace une ligne comparable au sein du slop : le slop délibérément trompeur (des images censées paraître réelles) et le slop bâclé (des posts et des livres IA sans édition humaine).

D’où vient le mot slop et comment les dictionnaires le définissent

Le mot lui-même est ancien. En annonçant son mot de l’année, Merriam-Webster a expliqué que slop désignait autrefois la boue molle et les déchets alimentaires, puis quelque chose sans valeur, et seulement depuis peu des contenus d’intelligence artificielle.

Pour le contenu IA, il s’est répandu en mai 2024. Le 6 mai, @deepfates écrivait que slop allait entrer au dictionnaire un peu comme spam, et le 8 mai Simon Willison décrivait le slop comme du contenu IA non sollicité. The Guardian a publié un article le 19 mai et le New York Times le 11 juin, tous deux fondés sur l’analogie avec le spam. Willison a ensuite affiné la notion de slop en contenu à la fois non demandé et non relu. Merriam-Webster (15 décembre 2025) et l’American Dialect Society ont choisi slop comme mot de l’année 2025, et le Macquarie Dictionary a retenu le terme AI slop (25 novembre 2025).

En tchèque, on emploie le terme emprunté AI slop, traduit librement par břečka (gadoue). L’allemand utilise « KI-Slop » et « AI Slop » ainsi que des traductions comme « KI-Müll » ou « digitaler Abfall », le français utilise « AI slop » et des traductions comme « bouillie » ou « déchet » (d’après des guides et blogs tchèques, allemands et français, par exemple t3n, IONOS et Blog du Modérateur).

Les définitions diffèrent surtout selon qu’elles mentionnent ou non que personne ne voulait le contenu. Macquarie et Willison l’incluent, Merriam-Webster et l’American Dialect Society non. Dans leur article « Why Slop Matters », Kommers et al. écrivent que le slop a jusqu’ici résisté à toute définition formelle et décrivent à la place trois propriétés prototypiques.

Slop s’emploie dans deux sens. Le premier désigne les contenus de faible qualité produits en masse sur le web. Le second, plus étroit, est utilisé par les personnes qui travaillent avec les modèles de langage pour désigner les formules et motifs répétés des modèles. EQ-Bench en tire un Slop Score : 60 % du poids revient aux mots surutilisés, 25 % au schéma de contraste « not just X, but Y » et 15 % aux expressions de trois mots surutilisées. L’étude Antislop (Paech et al., 2025) indique que certains motifs sont plus de mille fois plus fréquents dans les textes de modèles de langage que dans les textes humains.

Quelle part de slop sur le web et ce que mesure chaque chiffre

Les chiffres sur la part de contenu IA sont cités souvent et sans contexte. Chacun mesure autre chose.

Deux de ces chiffres semblent se contredire, et pourtant les deux peuvent être vrais. Graphite indique que 86 % des articles bien classés sur Google étaient écrits par des humains, et Ahrefs que 74 % des nouvelles pages contiennent au moins un peu de contenu IA. Ils utilisent une population, une définition et un détecteur différents. Graphite indique aussi un taux de faux positifs de 4,2 % pour son détecteur, soit environ un article humain sur 24 étiqueté comme IA.

L’estimation très citée selon laquelle 90 % du contenu en ligne serait synthétique d’ici 2026 n’a aucune base empirique. Elle est apparue dans un document d’Europol qui renvoyait au livre de Nina Schick de 2020 sur les deepfakes, lequel parlait de vidéo et ne donnait pas de dénominateur clair (analyse du magazine Reason, 2023).

Ce que le slop fait aux marques et aux équipes

Une étude commandée par le réseau publicitaire Raptive (3 000 adultes américains, juillet 2025) a constaté que lorsque les lecteurs soupçonnent un contenu d’être issu de l’IA, leur confiance chute de près de 50 %, même si un humain l’a écrit. Pour les produits annoncés à côté de tels contenus, la propension à envisager un achat a reculé de 14 %. Raptive vend de la publicité sur des sites au contenu fait par des humains, elle a donc un intérêt au résultat.

Dans une étude de décembre 2024 (plus de 2 000 participants, enquête, EEG et suivi oculaire), NielsenIQ a constaté que les spectateurs jugent les publicités IA moins engageantes et plus agaçantes, ennuyeuses et confuses que les publicités traditionnelles, et a mesuré pour elles une activation mémorielle plus faible.

Au sein des entreprises, le slop abîme les relations. Selon des résumés médiatiques de l’étude sur le workslop, 42 % des destinataires jugeaient l’expéditeur moins digne de confiance et 37 % moins intelligent. En marketing et vente B2B, le workslop adressé à un client est une offre, un e-mail ou un rapport que l’expéditeur n’a pas relu. À quoi ressemble une prospection fondée sur des signaux plutôt que sur une correspondance IA de masse, l’article Go-to-market engineering le décrit.

Comment reconnaître l’AI slop dans un texte

Les signes d’un texte IA peuvent être classés selon la solidité des preuves. Les mieux documentés sont le vocabulaire et le style de chaque modèle, parce que des études les ont mesurés. La plupart des autres signes viennent de ce que des éditeurs de Wikipedia et des auteurs de guides ont remarqué. Aucun signe ne suffit à lui seul. Le guide de Wikipedia dit explicitement que tous les textes présentant ces indicateurs ne viennent pas de l’IA, car les modèles ont appris à partir d’écrits humains.

Ce que les études ont mesuré

• Vocabulaire. Kobak et al. (Science Advances, juillet 2025) ont comparé 15,1 millions de résumés PubMed de 2010 à 2024 et trouvé 379 mots dont la fréquence a bondi en 2024, surtout des mots comme « delves », « underscores » et « showcasing ». Ils ont estimé qu’au moins 13,5 % des résumés de 2024 avaient été traités par un modèle de langage. Juzek et Ward (COLING 2025) ont isolé 21 mots que ChatGPT emploie trop et désigné l’entraînement par retour humain comme cause probable.
• Style du modèle. Sun et al. (ICML 2025) ont entraîné un classifieur capable de dire à partir du texte lequel de cinq modèles (ChatGPT, Claude, Grok, Gemini, DeepSeek) l’avait écrit, avec une précision de 97,1 %. Le signal réside surtout dans le choix des mots : même après avoir mélangé les mots d’un texte, la précision n’est tombée qu’à 88,9 %.
• Les signes évoluent. Un preprint sur les tendances du vocabulaire (arXiv, février 2025) a relevé que la fréquence du mot « delve » dans les résumés a nettement chuté après un pic de janvier à mars 2024. Les auteurs suggèrent que les gens continuent d’utiliser les modèles tout en évitant les mots devenus un indice trahissant l’IA.

Ce que les éditeurs et les auteurs de guides ont remarqué

Le guide « Signs of AI writing » est issu de WikiProject AI Cleanup, qui examine les contributions assistées par IA depuis 2023. C’est une page de conseils, sans le statut d’une règle de Wikipedia. Il énumère ces groupes de signes :

• Emphase excessive. Le texte explique en termes génériques pourquoi le sujet compte, par exemple « a pivotal moment » ou « a broader movement ».
• Formules promotionnelles. Par exemple « stands as a testament », « plays a vital role » ou « rich cultural heritage ».
• Constructions de contraste. Le guide recense le schéma « it is not just about X, it is Y » sous le nom de negative parallelism.
• Règle de trois. Listes de trois éléments, par exemple trois adjectifs à la suite.
• Attribution vague. « Experts agree » sans nom ni source.
• Mise en forme. Titres dont chaque mot commence par une majuscule, excès de gras, emojis inattendus, puces là où une phrase suffirait.
• Restes de conversation et artefacts. Mentions de la date de connaissance du modèle et chaînes techniques dans les liens, comme contentReference[oaicite:1], turn0search0 ou citeturn0news0. Les artefacts sont le seul signe sans ambiguïté.

Le tiret est le signe le plus connu et le moins fiable. Le guide ne le juge utile qu’en combinaison avec d’autres et note que les chatbots récents l’utilisent moins. Le 14 novembre 2025, Sam Altman a écrit que ChatGPT respecte désormais enfin l’interdiction des tirets dans les instructions personnalisées, même si OpenAI a précisé que le comportement par défaut pourrait ne pas changer complètement. Des sites tchèques comme Zive.cz et 365tipu y voient la trace la plus visible de l’IA. La typographie tchèque emploie le demi-cadratin entouré d’espaces et les textes ordinaires n’utilisent pas le tiret cadratin, mais nous n’avons trouvé aucune étude sur la part des tirets dans les textes IA tchèques.

Rythme, vide et sources inventées

• Rythme. Graphite a comparé 10 000 articles humains à 90 000 articles IA issus de neuf modèles et constaté que les modèles emploient un vocabulaire plus large, des mots plus longs et moins de variation dans la longueur des phrases. Graphite est une société de marketing, et les textes IA ont été produits en développant des résumés avec GPT-4.1, ce qui peut fausser le résultat.
• Vide. Les guides tchèques (sBranding, Jecas.cz) concordent : une longue introduction sans propos, une conclusion qui répète le titre, aucun exemple, chiffre ou nom concret. Certains de ces sites vendent des formations ou des outils.
• Hallucination. Les sources, citations et liens inventés sont le signal le plus fiable, mais ils disparaissent dès que l’auteur vérifie la sortie.

Voici à quoi ressemblent les signes réunis. À gauche, une introduction inventée d’un article de blog, à droite sa version après la relecture de l’auteur :

GPT, Claude, Gemini et les autres : en quoi leurs textes diffèrent

On peut distinguer les modèles à leurs textes, mais les signes concrets changent plus vite que la recherche ne peut suivre. L’étude de Sun et al. (ICML 2025) a distingué cinq modèles de chat avec une précision de 97,1 %. Elle a recherché des mots caractéristiques avec TF-IDF. Selon un résumé de l’étude, les mots typiques de ChatGPT sont « certainly », « overall » et « typically », et ceux de Claude « according to », « based on » et « appears to ». Nous n’avons pas obtenu les listes complètes pour les cinq modèles. Selon l’étude, Claude utilisait moins de segments en gras et d’intertitres que les autres API de chat.

Noms fictifs. Le préprint « Ghost Couple » (juin 2026, repris aussi par Nature le 30 septembre 2026) a constaté que les modèles génèrent des paires de noms qui reviennent. Pour Claude (neuf versions testées), ce sont Elena Vasquez et Marcus Chen, pour GPT Elara Voss. Selon Nature, ces noms apparaissent dans des centaines de faux manuscrits sur Zenodo et ResearchGate. Les auteurs admettent eux-mêmes que certains de ces noms peuvent appartenir à de vrais chercheurs.

Les tics se déplacent. Selon Graphite, le nombre de tics répétés n’a reculé que de 4 % pour Claude Opus 5.5 par rapport à Opus 5, alors que les tirets ont reculé de plus de 90 %. La disparition d’un signal ne signifie donc pas moins de tics au total.

Interface. Anthropic publie les prompts système de Claude pour les applications web et mobiles, et ils ne s’appliquent pas à l’API. Les constats faits sur une interface ne se transposent pas à l’autre sans vérification. La plupart des études sont en outre en anglais. Nous n’avons trouvé aucune comparaison par modèle pour le tchèque, l’allemand ou le français.

Une règle pratique en découle. Considérez comme suspect un signe vieux de plus de six mois, et comme non transférable un signe observé dans une seule version d’un modèle.

Ce que l’on sait des signes en tchèque et dans d’autres langues

Les guides tchèques citent de façon constante le tiret long, des clichés comme « In today's digital age », des phrases de longueur égale et une conclusion qui répète le titre. Aucun d’eux n’a mesuré ces signes sur un corpus. Les sources sont des articles de presse et des blogs d’agences, dont certains vendent des formations ou des outils. Les guides allemands (par exemple t3n) citent des ouvertures comme « In der heutigen … Welt », le schéma « Nicht nur X, sondern auch Y » et « Zusammenfassend lässt sich sagen ». Les blogs français citent « dans un monde », « à l’ère de », « au cœur de », « il est important de » et des connecteurs formels comme « en outre » et « par conséquent ». Ce sont des guides pratiques sans mesure. Nous n’avons trouvé aucune étude comparant la fréquence de ces formules en allemand et en français avec celle des textes humains.

Ce sont les recherches sur les détecteurs qui sont les mieux étayées. MULTITuDE (Macko et al., EMNLP 2023) contient 74 081 textes en 11 langues, dont le tchèque, et a montré que la plupart des détecteurs échouent en contexte multilingue, tandis que les détecteurs affinés pour des langues précises s’en sortent mieux. CEAID (2025) couvre sept langues d’Europe centrale, dont le tchèque et l’allemand (188 098 textes). Les détecteurs affinés y ont obtenu les meilleurs résultats et se sont aussi montrés les plus résistants à la réécriture.

Sans entraînement, les gens n’y arrivent pas. Milička et al. (PLOS ONE, octobre 2025) ont constaté, auprès de locuteurs tchèques, que les participants partaient d’idées fausses sur les textes d’IA et ne s’amélioraient que grâce à un retour immédiat.

Le slop au-delà du texte : images, vidéo, musique et code

Images. Les gens reconnaissent mal les visages générés par IA. Nightingale et Farid (PNAS 2022) ont mesuré 48,2 % de réussite auprès de 315 participants, soit le niveau du hasard, et les participants jugeaient les visages synthétiques plus dignes de confiance. Miller et al. (Psychological Science 2023) ont constaté que les gens qualifiaient plus souvent d’humains les visages d’IA que les vrais, et que ceux qui se montraient les plus sûrs d’eux commettaient le plus d’erreurs. Un préprint de Microsoft de juillet 2025 (un quiz avec plus de 12 500 participants et environ 287 000 évaluations) a mesuré une précision globale de 62 %, et ses auteurs écrivent que ce résultat surestime probablement la capacité des gens aujourd’hui.

Les défauts typiques comme les mains, les inscriptions, les ombres ou une peau trop lisse sont décrits surtout par des guides commerciaux et s’estompent avec les modèles récents. Nous n’avons trouvé aucune étude indépendante sur leur évolution. Une trace est décrite par des sources communautaires et par TechRadar : les images de ChatGPT du printemps 2025 avaient une teinte allant du jaune au sépia, qu’OpenAI n’a pas expliquée.

Provenance. Google marque les images de Gemini d’un filigrane invisible SynthID, et dans l’application Gemini, vous pouvez téléverser une image et vérifier si une IA de Google l’a créée. Les images récentes portent aussi des métadonnées C2PA. La vérification ne reconnaît toutefois que les contenus marqués.

Musique et vidéo. En septembre 2025, Spotify a déclaré avoir supprimé plus de 75 millions de titres de spam au cours des 12 derniers mois. En octobre 2026, la plateforme aurait écarté des recommandations plus de 50 millions de titres de « slop and spam », ce qui est une autre mesure : n’additionnez donc pas ces chiffres. Le cas de Velvet Sundown, de l’été 2025 : un « groupe » a gagné des centaines de milliers d’auditeurs mensuels en quelques semaines, puis a admis qu’il s’agissait d’un projet d’IA. À l’opposé, Meta a lancé Vibes, un fil de vidéos d’IA, le 25 septembre 2025 (TechCrunch l’a qualifié de fil d’AI slop dans son titre) et OpenAI a lancé l’application Sora cinq jours plus tard.

Code. Outre le cas de curl (voir vibe coding), d’autres projets open source ont restreint les contributions d’IA, par exemple Gentoo (2024), NetBSD, Ghostty et tldraw (janvier 2026).

Pourquoi les détecteurs de textes d’IA ne suffisent pas

Un détecteur est un signal qui appelle une vérification plus poussée, et il ne peut pas devenir une preuve. Les raisons :

• Taux d’erreur. Graphite indique un taux de faux positifs de 4,2 % pour son détecteur, sur un échantillon d’articles humains antérieurs à ChatGPT. Weber-Wulff et al. (International Journal for Educational Integrity, 2023) ont testé des outils de détection et conclu qu’ils ne sont ni assez précis ni assez fiables pour des décisions importantes. La réécriture du texte dégrade encore les résultats.
• Langues. Hors de l’anglais, les détecteurs échouent le plus souvent selon MULTITuDE, et ceux affinés pour une langue précise s’en sortent le mieux.
• Biais. Liang et al. (Patterns, 2023) ont constaté que sept détecteurs classaient en moyenne 61,3 % des essais rédigés par des personnes dont l’anglais n’est pas la langue maternelle comme écrits par une IA. Une étude de 2026 sur le tchèque (Al Ali, Helcl et Libovický, EACL 2026) n’a trouvé aucun biais systématique envers les locuteurs non natifs du tchèque, si bien que ce constat ne peut pas être étendu à tous les détecteurs et à toutes les langues.
• Approche des contributeurs. Les contributeurs de Wikipedia déconseillent les détecteurs et désignent la vérification que les sources étayent bien le texte comme la méthode la plus fiable.

Plutôt qu’un détecteur, vérifiez les sources et les faits, interrogez l’auteur sur sa méthode de travail et jugez ce que le texte apporte au lecteur.

Comment éviter de produire du slop

Le slop naît à trois endroits : au brief (le modèle reçoit trop peu), à la sortie (personne n’ajoute rien) et au contrôle (personne ne vérifie). La procédure ci-dessous couvre les trois.

1. Partez de votre propre matière. Un modèle compose à partir de ce qu’on lui donne. Sans données de votre CRM, notes d’appels, citations de clients et résultats de campagnes, il compose une moyenne. Mettez dans le brief au moins un élément que personne d’autre n’a.
2. Définissez la valeur ajoutée à l’avance. Qu’est-ce que le lecteur tirera du texte qu’il ne trouvera pas dans les dix premiers résultats de recherche ? Les Quality Rater Guidelines de Google de janvier 2025 attribuent la note la plus basse aux contenus en grande partie copiés, paraphrasés ou créés par une IA avec un minimum d’effort, d’originalité et de valeur ajoutée.
3. Rédigez le plan vous-même. Un modèle écrit mieux à partir d’un plan que sans plan. C’est une expérience pratique, et nous ne connaissons aucune étude à ce sujet.
4. Vérifiez chaque chiffre, nom, citation et lien. Depuis le 1er octobre 2026, les recommandations de Google sur les contenus d’IA jugent critiques la vérification manuelle des faits et la relecture avant publication. D’après la presse, le contrôle porte aussi sur les titres, les meta descriptions et les textes alternatifs.
5. Interdire des formules ne suffit pas. Une liste de mots interdits aide en surface. Un texte vide reste vide, et d’après les mesures de Graphite, les tics se déplacent ailleurs.
6. Lisez le texte à voix haute et faites-le lire par quelqu’un qui connaît le sujet. Demandez-lui où il dirait « j’ai déjà lu ça ».
7. Signez-le. Le nom de l’auteur, la date et la responsabilité du contenu font partie de ce que Google utilise pour juger la fiabilité (E-E-A-T).
8. Ne promettez pas de réponses d’IA que vous n’avez pas. Depuis le 15 mai 2026, les règles de Google contre le spam couvrent explicitement la manipulation des réponses d’IA générative, avec la même sanction que pour le spam de classement. Le guide de Google de mai 2026 précise aussi que l’optimisation pour les fonctionnalités de recherche par IA reste du SEO. Nous en parlons plus en détail dans l’article How to get into ChatGPT's answers.

Le test du slop : dix questions avant de publier

1. Le texte contient-il au moins un fait, un exemple ou une idée qui ne figurait pas dans le brief ?
2. Pouvez-vous retrouver une source pour chaque chiffre, nom et citation ?
3. Peut-on supprimer le premier paragraphe sans perdre d’information ?
4. Le même texte pourrait-il figurer sur le site d’un concurrent en changeant seulement le nom de l’entreprise ?
5. L’auteur le dirait-il ainsi à voix haute devant un client ?
6. Voit-on clairement à qui s’adresse le texte et ce que le lecteur doit faire ensuite ?
7. L’auteur connaît-il le sujet par la pratique et saurait-il répondre à des questions en conversation ?
8. La longueur des phrases et des paragraphes varie-t-elle, ou sont-ils tous semblables ?
9. La conclusion répète-t-elle l’introduction ou le titre ?
10. L’auteur signerait-il chaque phrase devant un client ?

Étiquetage des contenus d’IA dans l’UE. Le règlement sur l’intelligence artificielle (AI Act) impose, à l’article 50, une obligation de transparence pour les deepfakes et pour les textes d’IA publiés afin d’informer le public sur des questions d’intérêt public, sauf si un humain a relu le contenu et assume la responsabilité éditoriale de la publication. Selon le calendrier initial, les obligations devaient s’appliquer à partir du 2 août 2026, et des reports de certaines d’entre elles étaient en discussion ; vérifiez donc l’état actuel avec un juriste avant le déploiement.

Sources

Définitions et termes : Merriam-Webster, Word of the Year 2025: slop · ABC News, AI slop is Macquarie Dictionary’s Word of the Year 2025 · American Dialect Society, 2025 Word of the Year is slop · Simon Willison, Slop is the new name for unwanted AI-generated content · Kommers et al., Why Slop Matters, ACM AI Letters (2026) · Oxford University Press, Brain rot (2024) · American Dialect Society, Enshittification (2023) · Shumailov et al., AI models collapse when trained on recursively generated data, Nature (2024) · Gerstgrasser et al., Is Model Collapse Inevitable? (2024) · Hannigan, McCarthy et Spicer, Beware of botshit, Business Horizons (2024) · Harvard Business Review, AI-Generated “Workslop” Is Destroying Productivity (2025) · LLMs Can Get “Brain Rot”, arXiv (2025) · Spracklen et al., We Have a Package for You!, USENIX Security (2025)

Chiffres et impact : Graphite, More Articles Are Now Created by AI Than Humans (2025) · Ahrefs, What percentage of new content is AI-generated? (2025) · Imperva, 2025 Bad Bot Report · NewsGuard, AI Tracking Center · The Decoder sur l’étude de Kapwing (2025) · Reason, That time we tried to make sense of a statistic (2023) · Raptive, The “AI stink” is real (2025) · NIQ, Will AI-generated advertising disrupt the creative industry? (2024) · Stanford Internet Observatory et CSET, How Spammers, Scammers and Creators Leverage AI-Generated Images on Facebook (2024)

Signes des textes et des modèles : Wikipedia, Signs of AI writing · Kobak et al., Delving into LLM-assisted writing in biomedical publications through excess vocabulary, Science Advances (2025) · Juzek et Ward, Why does ChatGPT “delve” so much?, COLING (2025) · Sun et al., Idiosyncrasies in Large Language Models, ICML (2025) · EQ-Bench, Slop Score · Paech et al., Antislop (2025) · Graphite, AI Tells (mise à jour 2026) · Sam Altman sur les tirets dans ChatGPT (14 nov. 2025) · OpenAI, Sycophancy in GPT-4o (2025) · GitHub, Claude says “You’re absolutely right!” about everything (issue #3382) · Brzozowski et Chung, Ghost Couple (2026)

Images, musique, code et provenance : Nightingale et Farid, AI-synthesized faces are indistinguishable from real faces, PNAS (2022) · Miller et al., AI hyperrealism, Psychological Science (2023) · Microsoft, How good are humans at detecting AI-generated images? (2025) · Google, Verifying images in the Gemini app (SynthID) · Music Business Worldwide, Spotify has deleted 75M spammy tracks (2025) · Daniel Stenberg, The end of the curl bug bounty (2026)

Google, détecteurs et langues : Google Search Central, Google Search’s guidance about AI-generated content (2023) · Google Search Central, March 2024 core update and new spam policies · Google Search Central, Using generative AI content on your website · Liang et al., GPT detectors are biased against non-native English writers, Patterns (2023) · Weber-Wulff et al., Testing of detection tools for AI-generated text (2023) · Macko et al., MULTITuDE, EMNLP (2023) · Macko et Kopál, CEAID (2025) · Al Ali, Helcl et Libovický, Different Time, Different Language, EACL (2026) · Milička et al., Humans can learn to detect AI-generated texts, PLOS ONE (2025) · sBranding, Co je AI slop a jak ho poznat · t3n, Floskeln, Buzzwords, Gedankenstriche: So erkennst du KI-Texte · IONOS, AI Slop: Definition, Risiken und Strategien · Blog du Modérateur, AI slop : comment l’IA générative transforme le web en décharge numérique · Loumina, Reconnaître un texte d’IA : les tics de ChatGPT · Jecas.cz, Je možné poznat AI obsah?

Services associés : contenu et SEO et IA & automatisation. Cet article prolonge How to get into ChatGPT's answers, AI agents in marketing et What honestly annoys me about marketing.