Avis sur le détecteur IA Pangram, l'outil que les chercheurs continuent de valider

Pangram est le détecteur d'IA que des chercheurs indépendants citent régulièrement, ce qui justifie un examen plus attentif que le tableau de bord habituel des fournisseurs. Son éditeur, Pangram Labs, publie un taux de faux positifs d'environ 1 sur 10,000 et une exactitude annoncée de 99.98 percent. Ce sont les chiffres de l'entreprise elle-même, mesurés sur ses propres benchmarks. Ce qui distingue Pangram de la plupart des autres outils, c'est que, pour une fois, des recherches externes récentes vont dans la même direction générale.

Deux évaluations indépendantes sont parues au cours de l'année écoulée, une étude évaluée par les pairs de la Vrije Universiteit Brussel, publiée par Springer en June 2026, et un working paper de la University of Chicago Booth School, présenté dans le Chicago Booth Review en December 2025. Toutes deux plaçaient Pangram nettement devant des concurrents plus connus, notamment Turnitin, GPTZero, et Copyleaks. Aucune des deux études ne fait du score d'un détecteur une preuve de quoi que ce soit à propos d'un document précis, et toutes deux le disent explicitement.

Ce qui suit présente ce que Pangram affirme à son sujet, ce que les deux études ont réellement mesuré, où les preuves restent fragiles, et ce que l'essor de cet outil dit du reste du domaine de la détection.

Ce qu'est Pangram et qui l'utilise

Pangram Labs est une petite entreprise fondée en 2023 à Brooklyn par des chercheurs en IA qui ont auparavant travaillé chez Tesla et Google. Le produit analyse un texte collé ou téléversé et renvoie une estimation de la part générée par l'IA, avec une mise en évidence au niveau de la phrase, ainsi que la détection d'images et la vérification du plagiat dans les offres payantes.

Sa base d'utilisateurs diffère de celle de Turnitin. Turnitin est vendu à des institutions et fonctionne à l'intérieur des learning management systems, tandis que Pangram peut être utilisé par toute personne disposant d'un compte gratuit, ce qui signifie que des étudiants, des éditeurs, du personnel de revues et des lecteurs des admissions l'utilisent directement. C'est le nouvel entrant sur ce marché, et c'est de plus en plus l'outil vers lequel se tournent les chercheurs en intégrité académique lorsqu'ils veulent un point de comparaison, précisément parce qu'il continue d'obtenir dans les tests des résultats que les acteurs en place n'obtiennent pas.

Ce que le fournisseur affirme

Pangram's homepage annonce une précision de 99.98 percent et indique que son taux de faux positifs, c'est à dire le taux auquel des documents humains sont incorrectement signalés comme étant de l'IA, est actuellement de 1 sur 10,000. Un article de blog de l'entreprise sur les faux positifs, rédigé par son CTO, décompose ce chiffre global par genre, 0.004 percent pour les essais académiques, 0.001 percent pour les résumés scientifiques, avec des points faibles que l'entreprise elle même divulgue, comme 0.05 percent pour la poésie et 0.23 percent pour les recettes. L'entreprise affirme également que son modèle détecte encore du texte généré par l'IA après qu'il a été traité par des outils dits humanizer.

Tous ces chiffres sont auto déclarés à partir des propres jeux de test du fournisseur, et le même article comporte les réserves du fournisseur lui même, le modèle fonctionne mieux sur des textes plus longs rédigés en phrases complètes, et l'entreprise déconseille de soumettre à un contrôle des listes à puces courtes ou des textes très formulaires. Il faut garder ces deux aspects à l'esprit. Les affirmations sont exceptionnellement précises et exceptionnellement faibles, et elles restent des affirmations tant qu'une personne extérieure à l'entreprise ne les a pas vérifiées.

Ce que montrent les preuves indépendantes

Le test le plus solide à ce jour est une étude évaluée par les pairs menée par Van Vlasselaer, Van Droogenbroeck et Spruyt à la Vrije Universiteit Brussel, publiée en juin 2026 dans l'International Journal for Educational Integrity. L'équipe a constitué 160 travaux universitaires de niveau master d'au moins 4,000 mots chacun, 40 rédigés par de vrais étudiants avant 2019, 40 entièrement générés avec GPT-4o Deep Research, 40 hybrides, et 40 générés par IA puis délibérément humanisés. Ils les ont tous soumis à Turnitin, GPTZero, Copyleaks et Pangram.

Pour les travaux entièrement générés par IA, l'étude indique que Turnitin, GPTZero et Copyleaks ont « complètement échoué à détecter le contenu généré par IA ». Turnitin a attribué à chacun de ces 40 travaux un score compris entre 0 et 20 percent d'IA, les médianes des trois outils établis étant toutes inférieures à 20 percent pour des travaux rédigés à 100 percent par une machine. Pangram a atteint une exactitude stricte de 65 percent et une exactitude inclusive de 97.5 percent sur le même ensemble, en classant mal un travail. Sur l'ensemble humanisé, Pangram a correctement identifié le contenu IA dans 37 cas sur 40, soit une exactitude stricte de 92.5 percent, tandis que GPTZero a obtenu 2.5 percent, Copyleaks 22.5 percent et Turnitin 50 percent.

Outil	Travaux entièrement IA (exactitude stricte)	Travaux IA humanisés (exactitude stricte)	Travaux humains correctement écartés
Pangram	65%	92.5%	100%
Turnitin	0%	50%	100%
GPTZero	0%	2.5%	100%
Copyleaks	0%	22.5%	100%

Le deuxième point de données est un working paper de Brian Jabarian et Alex Imas à Chicago Booth, résumé dans le Chicago Booth Review en décembre 2025. En testant des détecteurs sur environ 2,000 passages rédigés par des humains dans six supports, ainsi que des versions IA provenant de quatre modèles de pointe, ils ont constaté que le taux de faux positifs de Pangram était pratiquement nul sur la plupart des seuils de décision, avec une précision qui n’est jamais tombée en dessous de 99.8 percent sur leur corpus et des faux négatifs compris entre 2 et 4 percent selon le modèle. Les chercheurs proposent que les institutions adoptent un plafond de politique strict, par exemple pas plus de 0.5 percent d’écriture humaine signalée, avant de faire confiance à un détecteur en usage opérationnel. Il faut noter la différence de statut, l’article de Booth est un working paper, pas encore évalué par les pairs, et il a testé du texte IA non modifié plutôt que des articles universitaires humanisés.

Faux positifs et qui en souffre

Les faux positifs sont l’endroit où se concentre le dommage causé par les détecteurs, et le schéma documenté dans ce secteur est que les signalements touchent de manière disproportionnée les auteurs anglophones non natifs. L’étude de la VUB mérite d’être lue précisément sur ce point, ses 40 articles humains étaient tous rédigés par des locuteurs non natifs de l’anglais, et les quatre outils, Pangram compris, les ont tous validés à 100 percent. C’est un résultat réellement encourageant, et c’est aussi 40 articles. Un échantillon de cette taille ne peut pas confirmer un taux comme 0.004 percent, seuls les tests internes beaucoup plus vastes du fournisseur produisent des chiffres aussi fins, et aucune partie extérieure ne les a reproduits à cette échelle.

La section sur le monde réel de l’étude montre pourquoi la prudence subsiste même avec de bons benchmarks. Lorsque les chercheurs ont appliqué Pangram à 1,163 mémoires de master réels de 2024 et 2025, l’outil a signalé 45.5 percent d’entre eux à un certain niveau, avec une médiane de part d’IA estimée à 30 percent parmi les cas signalés, et il n’existe aucune vérité de terrain pour aucune de ces mémoires. Les auteurs sont directs, les scores de détection sont des signaux initiaux utiles et ne devraient jamais constituer la seule preuve dans des décisions à forts enjeux. Un étudiant confronté à une accusation a encore besoin de moyens fondés sur le processus pour démontrer la paternité, quel que soit le détecteur qui a produit le nombre.

Tarification et accès

Le site de Pangram propose 20 vérifications gratuites par jour après la création d’un compte, les abonnements payants ajoutant du volume de crédits et des fonctionnalités telles que la détection du plagiat. Ce modèle d’accès compte autant que les chiffres de précision, contrairement à Turnitin, qu’un auteur ne rencontre que lorsqu’une institution l’exécute contre lui, Pangram peut être vérifié directement, de sorte qu’un auteur peut voir la même classe de signal qu’un évaluateur pourrait voir avant toute soumission.

La place de Pangram dans le paysage des détecteurs

Le résumé des auteurs de la VUB sur le domaine est sans détour, "Parmi les quatre outils de détection d’IA étudiés ici, à ce moment précis, un seul a produit des résultats satisfaisants." Cette phrase en dit autant sur les acteurs en place que sur Pangram. Turnitin, l’outil sur lequel la plupart des institutions s’appuient réellement, a obtenu un score de zéro pour l’ensemble entièrement généré par IA, et son historique de faux positifs documenté séparément a déjà contraint les universités à traiter ses scores avec prudence. Tous ces outils mesurent des propriétés statistiques du texte, et les mécanismes sous-jacents expliquent à la fois pourquoi la nouvelle approche d’entraînement de Pangram peut prendre l’avantage et pourquoi chacun d’eux demeure probabiliste.

Le verdict honnête, Pangram est actuellement le détecteur le mieux soutenu par les tests indépendants, et de loin, selon les données récentes. Ces données sont aussi limitées. Deux études, l’une évaluée par les pairs, l’autre non, toutes deux datant de l’année écoulée, portant surtout sur l’anglais, principalement sur des textes académiques et web longs. La détection est une course aux armements contre des modèles qui changent chaque trimestre, et un outil qui domine en 2026 ne conserve cet avantage que jusqu’à la génération suivante de texte. Un score Pangram est une estimation mieux calibrée que celles produites par ses rivaux. Cela reste une estimation, et non une preuve de ce qu’une personne particulière a fait.

Voir la comparaison complète

Pangram est un outil parmi d’autres dans un domaine encombré et inégal. Pour voir comment il se compare à Turnitin, GPTZero, Copyleaks, ZeroGPT et aux autres selon les mêmes critères, consultez le guide complet AI detectors compared.

Ce que notre propre recherche a montré

Dans l'étude d'accord entre détecteurs de TextPulse Research, neuf détecteurs d'IA commerciaux ont noté les mêmes 90 textes académiques. L'un d'eux était un texte hybride de 455 mots : une ouverture et une conclusion écrites par un humain autour d'un passage central de 168 mots généré par IA. Pangram a attribué à ce texte 34% d'IA, alors que les verdicts des autres outils sur les mêmes mots allaient de 0% à 95.7% d'IA. L'article complet, le corpus et la matrice des scores par outil sont en accès libre sur TextPulse Research.