Contenus générés par IA en Europe 2026 : adoption et détectabilité

Principaux résultats

• 32,7 % des personnes âgées de 16 à 74 ans dans l’UE ont utilisé des outils d’IA générative au cours des trois mois précédant l’enquête 2025, et 63,8 % des 16-24 ans. Les taux nationaux vont de 17,8 % (Roumanie) à 56,3 % (Norvège).
• La part des entreprises de l’UE qui utilisent l’IA pour générer du texte, de la parole ou du code est passée de 1,3 % en 2021 à 8,8 % en 2025. En 2025, première année de mesure, 9,6 % utilisaient l’IA pour générer des images, des vidéos ou de l’audio.
• En France, 32,8 % des personnes de 12 ans et plus ont déjà utilisé l’IA pour créer des images, des photos ou des vidéos, et seuls 21,4 % des utilisateurs de l’IA vérifient systématiquement ses résultats avant de les utiliser (Baromètre du numérique 2025).
• La détection des fichiers originaux est fiable : 95,6 % des textes IA bruts, 99,5 % des images IA et 95,2 % des clips vidéo IA, chaque fois avec un faible taux de faux positifs.
• La détection s’affaiblit avec la diffusion. Pour les images, elle tient (96,2 % après compression WhatsApp et Instagram). Pour les vidéos IA d’événements de crise, elle passe de 86,9 % à 55,9 % après un seul réencodage.
• Les images réelles sont rarement mal classées : 1,0 % des 1 319 clips réels de crise ont été signalés comme IA.

1. Introduction

Le règlement européen sur l’IA (AI Act) impose aux fournisseurs de modèles génératifs de marquer les contenus audio, images, vidéos et textes synthétiques (article 50, paragraphe 2), et à ceux qui publient des hypertrucages (deepfakes) de les signaler (article 50, paragraphe 4). Ces deux obligations s’appliquent depuis le 2 août 2026. Le marquage fonctionne lorsque le fichier marqué parvient intact à son public. En pratique, les contenus sont capturés à l’écran, réencodés, recadrés et republiés, et les marques lisibles par machine se perdent souvent en chemin.

Ce rapport met en regard deux chiffres pour chaque média : l’ampleur de l’usage de l’IA générative, d’après la statistique publique, et la capacité à reconnaître ses productions a posteriori, d’après des benchmarks de détection. L’objectif est de donner aux décideurs publics, aux plateformes et aux rédactions une image mesurée des situations où la détection peut jouer un rôle et de celles où elle ne le peut pas.

2. Données et méthodes

2.1 Usage de l’IA générative

Particuliers. Table Eurostat isoc_ai_iaiu, issue de l’enquête communautaire sur l’utilisation des TIC dans les ménages et par les particuliers, 2025. Elle indique la part des personnes âgées de 16 à 74 ans ayant utilisé des outils d’IA générative au cours des trois mois précédents, par finalité et par tranche d’âge. Ces questions ont été posées pour la première fois en 2025 : il n’existe donc pas de série temporelle antérieure.

Entreprises. Table Eurostat isoc_eb_ai, entreprises de dix salariés ou plus, toutes activités hors agriculture, industries extractives et secteur financier, 2021 à 2025. Trois indicateurs sont retenus : l’usage d’au moins une technologie d’IA, l’usage de l’IA pour générer du langage écrit ou parlé ou du code, et l’usage de l’IA pour générer des images, des vidéos ou de l’audio (collecté pour la première fois en 2025).

France. Baromètre du numérique 2025 (Arcep, Arcom, CGE, ANCT), publié sur data.gouv.fr : 4 145 personnes de 12 ans et plus, interrogées en ligne et par téléphone. Les parts pondérées ont été calculées à partir des données individuelles à l’aide de la pondération de l’enquête, pour trois questions : la fréquence d’usage de l’IA pour rédiger des textes, la fréquence d’usage pour créer des images, des photos ou des vidéos, et la vérification ou non des résultats de l’IA avant leur utilisation.

Luxembourg. Table du STATEC technologies d’IA utilisées dans les entreprises, publiée sur data.public.lu, par activité économique, 2021 à 2024.

2.2 Détectabilité

Ce rapport présente les résultats de trois évaluations des détecteurs WasItAIGenerated, chacune menée sur des données qui n’ont pas servi à entraîner les modèles :

• Texte (septembre 2026), détecteur tropa-3 : 2 572 textes, dont des productions de modèles de langage actuels et de six outils d’humanisation, notés par cinq détecteurs. Les résultats présentés ici portent sur les 513 textes notés par tous les détecteurs.
• Images et vidéo (octobre 2026) : 469 images issues de 19 générateurs d’images actuels et 164 clips issus de 12 modèles vidéo, face à des photos et clips réels sous licence libre, chacun également sous forme de copies WhatsApp, Instagram et repartagées. Les résultats proviennent de la partie cachée de 40 %.
• Vidéos d’événements de crise (novembre 2026) : 17 974 clips de RA-Bench, un benchmark public de vidéos IA générées par neuf générateurs à partir de 1 830 clips réels de crises, avec une expérience de réencodage et 633 faux ayant trompé les cinq évaluateurs humains.

Les taux de détection correspondent à la part de fichiers IA signalés pour un taux de faux positifs fixé sur les fichiers réels, ou au seuil de production lorsque cela est précisé. La méthodologie complète de chaque benchmark est publiée avec celui-ci.

3. Résultats

3.1 Un Européen sur trois utilise l’IA générative

Eurostat isoc_ai_iaiu, 2025, trois derniers mois. Tous les pays figurent dans le CSV.

3.2 Les entreprises génèrent désormais plus de médias que de texte

Eurostat isoc_eb_ai, entreprises de 10 salariés ou plus.

En 2025, les entreprises de l’UE étaient légèrement plus nombreuses à utiliser l’IA pour générer des images, des vidéos ou de l’audio (9,6 %) que pour générer du texte (8,8 %). En Allemagne, l’écart est plus marqué : 13,5 % contre 9,0 %. La Finlande (21,6 %), la Suède (18,7 %) et le Danemark (17,7 %) sont en tête pour la génération de médias. Pour la question de la détection, cela signifie que les médias synthétiques ne relèvent plus principalement d’un phénomène grand public : une part croissante provient de processus métier ordinaires, comme le marketing.

3.3 France : un tiers crée des images ou des vidéos, peu vérifient le résultat

Baromètre du numérique 2025, n = 4 145, données pondérées ; calcul propre à partir des données ouvertes.

L’enquête française demandait également aux utilisateurs de l’IA s’ils vérifient ce que produisent les outils avant de l’utiliser. 21,4 % le font systématiquement et 43,0 % souvent ; 29,1 % vérifient rarement et 6,6 % jamais. Plus d’un tiers des utilisateurs transmettent donc les productions de l’IA en grande partie sans les vérifier : c’est par là que des textes et des images synthétiques entrent en circulation sans que personne ne les ait examinés d’un œil critique. Le taux d’usage global en France (48,3 %) est supérieur au chiffre d’Eurostat pour la France (37,5 %) parce que les questions diffèrent : Eurostat porte sur les trois derniers mois et sur les 16-74 ans.

3.4 Luxembourg : l’usage de l’IA dépend fortement du secteur

STATEC, entreprises de 10 salariés ou plus, économie marchande non financière.

Dans l’information et la communication, près de la moitié des entreprises luxembourgeoises utilisaient l’IA en 2024 et 28,5 % s’en servaient pour générer du texte ou de la parole, contre 3,4 % dans l’hébergement et la restauration. Les contenus synthétiques proviennent donc de manière disproportionnée des secteurs qui produisent l’essentiel des contenus publiés : médias, logiciels, conseil et services marketing.

3.5 Détectables à la source, beaucoup moins après partage

Pour le texte et les images, la détection résiste bien, y compris après la compression appliquée par les messageries. Le texte réécrit par des outils d’humanisation constitue le point faible évident (57,7 %). Les vidéos d’événements de crise sont le cas le plus difficile : un seul réencodage fait passer le taux de détection de 86,9 % à 55,9 %, et il tombe à 26 % si l’on ajoute une réduction de résolution. À titre de comparaison, les sept détecteurs de recherche évalués dans l’article RA-Bench obtenaient en moyenne une AUC comprise entre 43,9 et 57,3 par générateur sur les clips originaux, soit un niveau proche du hasard ; notre détecteur atteint 92,9 à 100 sur les mêmes paires.

4. Discussion

Le marquage et la détection sont interdépendants. Certains générateurs signent déjà leurs productions : chaque clip Seedance 2.0 examiné dans RA-Bench comportait un manifeste C2PA valide le déclarant généré par IA. Ces informations d’authenticité prouvent l’origine tant que le fichier reste inchangé. La plupart des chaînes de republication les suppriment et, dans la même opération, le réencodage complique aussi la détection fondée sur les pixels. Aucune des deux approches ne couvre seule la copie rediffusée.

Conserver les originaux. Pour les fact-checkeurs, les plateformes et les enquêteurs, la mesure la plus efficace consiste à obtenir la plus ancienne copie disponible d’un fichier. La détection sur les clips originaux (86,9 %) est bien supérieure à celle obtenue sur les copies transformées testées (26 % à 68 %), et les informations d’authenticité, lorsqu’elles existent, ne subsistent que sur l’original.

Exprimer l’incertitude plutôt qu’un oui ou un non. Les scores proches du seuil devraient être présentés comme « à vérifier », et non comme d’origine humaine. Sur RA-Bench, un niveau intermédiaire de vérification pour les scores compris entre 0,5 et 0,8 fait passer la part de clips IA recevant au moins un avertissement de 86,9 % à 94,2 %, tandis que les faux positifs fermes restent à 1,0 %.

Mesurer de manière indépendante. La qualité de détection varie fortement d’un outil à l’autre et se dégrade à mesure qu’apparaissent de nouveaux générateurs. Les benchmarks publics accompagnés de leurs scores bruts, comme RA-Bench et les jeux utilisés ici, permettent de vérifier les affirmations des éditeurs, y compris les nôtres.

Les détecteurs évalués ici sont disponibles sous forme de détecteur gratuit de deepfakes et de vidéos IA, de vérificateur de textes et d’images IA et d’API de détection de deepfakes. Des chiffres plus larges sur les médias synthétiques sont réunis dans nos statistiques sur les deepfakes 2026.

5. Limites et conflit d’intérêts

• L’entreprise de l’auteur développe les détecteurs évalués ici. Deux des trois benchmarks ont été constitués par nos soins ; RA-Bench a été constitué de manière indépendante et n’a jamais servi à l’entraînement.
• Les chiffres d’enquête sont déclaratifs et portent sur les personnes de 16 à 74 ans et sur les entreprises de dix salariés ou plus hors secteur financier.
• Ce rapport met en regard adoption et détectabilité. Il ne mesure pas la part des contenus en circulation qui sont générés par IA.
• L’évaluation RA-Bench porte sur 17 974 des 25 584 fichiers téléchargeables publiquement, tirés au hasard et équilibrés entre générateurs. Les chiffres de détection pour le texte et les images proviennent d’échantillons plus petits ; voir les tailles d’échantillon ci-dessus.

Disponibilité des données

Tous les tableaux de ce rapport, avec l’ensemble des pays des tables Eurostat et tous les secteurs luxembourgeois, sont disponibles sous forme de fichier CSV sous licence CC BY 4.0. Données Eurostat © Union européenne, réutilisées conformément à la politique de droits d’auteur et de licence d’Eurostat ; données STATEC sous CC0. Les chiffres français sont dérivés du Baromètre du numérique, publié sous Open Database License, et sont donc diffusés séparément sous forme de fichier CSV sous licence ODbL 1.0. Les benchmarks de détection sont documentés sur la page des recherches de WasItAIGenerated.

Comment citer ce rapport

Gerard, P. (2026). AI-generated content in Europe 2026: adoption and detectability [Contenus générés par IA en Europe 2026 : adoption et détectabilité]. Rapport de données WasItAIGenerated, version 1.0.https://doi.org/10.5281/zenodo.24145956

Copies archivées : Zenodo · data.gouv.fr · data.public.lu

Références

1. Eurostat (2026). Individuals – use of generative AI tools (isoc_ai_iaiu). Mise à jour le 5 juin 2026.
2. Eurostat (2026). Artificial intelligence by size class of enterprise (isoc_eb_ai). Mise à jour le 15 juin 2026.
3. Arcep, Arcom, CGE, ANCT (2026). Baromètre du numérique, enquête 2025 (données ouvertes, ODbL). data.gouv.fr, mise à jour le 9 février 2026.
4. STATEC (2025). AI technologies in use in enterprises. data.public.lu, CC0.
5. Règlement (UE) 2024/1689 (règlement sur l’intelligence artificielle), article 50.
6. Auteurs de RA-Bench (2026). Can We Defend Against AI-Generated Video Attacks on Real-World Crisis Events? A Systematic Evaluation of Detectors, Generators and Social Dissemination. arXiv:2608.14391.
7. WasItAIGenerated (2026). Pangram vs GPTZero vs ZeroGPT vs tropa-3 : benchmark des détecteurs IA, septembre 2026.
8. WasItAIGenerated (2026). Benchmark des détecteurs d’images et de vidéos IA, octobre 2026.
9. Coalition for Content Provenance and Authenticity. Spécification technique C2PA.