Une photo de dégât des eaux suffit-elle à prouver un sinistre ? L’image d’un colis détérioré montre-t-elle réellement le produit livré ? Une facture photographiée correspond-elle à une dépense réelle ? Une image générée par IA peut représenter une scène entièrement fictive. L’IA peut aussi modifier une photographie existante : ajouter une fissure, accentuer des dommages ou remplacer une information dans un justificatif. Pour les entreprises qui utilisent ces images comme éléments de preuve, l’enjeu dépasse leur apparence. Il faut vérifier ce qu’elles montrent, rechercher une éventuelle intervention de l’IA et déterminer si elles permettent de justifier la demande présentée. Alors, quelles traces une image générée par IA peut-elle laisser ?
Comment détecter une image générée par IA en 4 étapes ?
L’utilisation de l’IA pour falsifier des justificatifs est déjà une réalité. Selon le baromètre Finovox France 2026, 10 % des Français déclarant avoir déjà commis une fraude documentaire indiquent avoir utilisé un logiciel de GenAI.
Pour vérifier une photographie de sinistre, un produit endommagé ou un justificatif, 4 étapes permettent de passer de l’examen de l’image à la vérification des faits.
1. Vérifier la provenance de l’image
Avant d’examiner les détails, il faut identifier la question à résoudre. Cherche-t-on à confirmer l’existence d’un dommage, l’identité d’un produit ou les circonstances d’un incident ?
Dans l’exemple d’un écran fissuré, la photographie doit permettre de rattacher le dommage au produit concerné par la réclamation.
Les premières vérifications consistent à :
- Demander le fichier original, plutôt qu’une capture d’écran ou une image intégrée dans un document.
- Identifier le produit photographié, grâce à une référence ou à un numéro de série lorsqu’il est visible.
- Recueillir les circonstances de la prise de vue, notamment la date et le lien avec l’incident déclaré.
Le fichier d’origine peut conserver des informations utiles à l’analyse. Leur absence ne prouve cependant pas une manipulation : certaines plateformes suppriment des métadonnées ou compressent les images lors de leur transmission.
2. Examiner la cohérence de la scène et les détails du dommage
L’inspection visuelle doit répondre à des questions précises, adaptées à ce que l’image représente.
Pour un écran cassé, on peut examiner la continuité des fissures, leur interaction avec les reflets et leur cohérence entre plusieurs photographies. Pour un dégât des eaux, on peut comparer les traces visibles sur les murs, les objets et les autres vues de la pièce.
Les points à examiner comprennent :
- Les contours et les raccords : le dommage s’intègre-t-il à l’objet ou présente-t-il des transitions inhabituelles ?
- Les ombres et les reflets : sont-ils compatibles avec l’éclairage et la géométrie de la scène ?
- Les détails identifiants : logos, inscriptions et références restent-ils cohérents ?
- Les différentes vues : montrent-elles le même objet et les mêmes dommages ?
Ces observations peuvent révéler une incohérence. En revanche, elles ne permettent pas, seules, de conclure qu’une image a été générée par IA.
L’exemple ci-dessous montre comment une photo peut être modifiée par IA pour simuler un sinistre.
A gauche, la scène originale ; à droite, la même pièce avec des dommages ajoutés artificiellement.
3. Détecter les traces de retouche et de génération par IA
L’examen technique complète la lecture de la scène. Il cherche à distinguer une modification locale d’une création complète.
Selon le fichier et les outils disponibles, l’analyse peut porter sur :
- Les métadonnées, pour examiner les informations conservées sur la création ou le traitement de l’image.
- Les différences entre certaines zones, notamment de bruit numérique, de netteté ou de compression.
- Les traces caractéristiques de génération, recherchées par des modèles de détection spécialisés.
- Les filigranes invisibles, intégrés par certains générateurs pour identifier leurs productions.
Ces contrôles ne répondent pas tous à la même question.
Une trace de retouche peut indiquer que l’image a été modifiée sans identifier l’outil employé. Un filigrane reconnu peut, lui, apporter une information sur une origine générative.
4. Comparer l’image aux autres pièces du dossier
La photographie reçue doit ensuite être confrontée à la facture, au constat, au devis ou au rapport d’expertise. L’objectif est de vérifier que ces pièces décrivent le même bien et les mêmes dommages.
- Avec une facture d’achat : la marque, le modèle et la référence du produit photographié correspondent-ils au bien facturé ?
- Avec un constat : la nature et l’emplacement des dommages visibles correspondent-ils à ceux déclarés ?
- Avec un devis de réparation : les éléments à remplacer ou les surfaces à remettre en état correspondent-ils aux dommages photographiés ?
- Avec un rapport d’expertise : les observations de l’expert concordent-elles avec ce que montre l’image ?
Par exemple, si une photographie présente un écran fissuré alors que le devis concerne un autre modèle, cette différence doit être expliquée avant de retenir l’image comme justificatif. Elle ne prouve pas une génération par IA, mais révèle une incohérence entre les pièces du dossier.
Ces vérifications permettent aussi de repérer les faux justificatifs transmis dans les demandes d’indemnisation de bagages perdus par exemple !
Ces comparaisons permettent de repérer les incohérences d’un dossier. Pour identifier une intervention de l’IA dans l’image elle-même, il existe aussi des filigranes numériques invisibles, comme SynthID. Comment fonctionnent-ils et que permettent-ils de vérifier ?
Comment identifier une image générée par IA avec SynthID ?
Parmi les indices techniques, les filigranes invisibles occupent une place particulière : ils sont volontairement intégrés au contenu généré pour permettre sa reconnaissance. Parmi ces filigranes, existe SynthID.
Développé par Google DeepMind, SynthID est un filigrane invisible intégré aux contenus générés par IA pour permettre leur identification. En octobre 2025, cette technologie avait déjà servi à marquer plus de 10 milliards d’images fixes et de frames vidéo dans les services Google.
Un filigrane intégré aux pixels de l’image
Le principe du marquage rappelle celui d’un filigrane apposé sur les pièces d’un dossier immobilier : une marque accompagne le contenu. Avec SynthID, elle est imperceptible à l’œil nu et sert à identifier une intervention de l’IA.
Ce marquage est intégré à l’image elle-même. Il ne se limite pas à un logo visible ou à une mention dans les propriétés du fichier. Il est conçu pour résister aux transformations courantes, comme la compression ou l’application de filtres.
Que prouve la détection de SynthID ?
La présence d’un filigrane SynthID indique qu’une image a été créée ou modifiée par un outil d’IA qui utilise cette technologie. Elle ne signifie pas que l’image est frauduleuse : une retouche par IA peut avoir un usage légitime.
En revanche, l’absence de filigrane détectable ne prouve pas qu’une image est authentique. Certains générateurs n’utilisent pas SynthID, et certaines transformations peuvent rendre son marquage plus difficile à repérer.
Alors, comment détecter ces filigranes invisibles et repérer les traces de leur suppression ? Ces deux défis mobilisent la R&D de Finovox.
Comment Finovox fait-il évoluer la détection des images créées par IA ?
Grâce au travail de ses équipes R&D, Finovox détecte désormais certains filigranes invisibles (SynthID etc.) présents dans les images générées par IA. Ces marquages permettent de reconnaître une origine artificielle et, selon le dispositif utilisé, d’identifier le générateur.
Cependant, certains fraudeurs cherchent toutefois à supprimer ces filigranes pour masquer l’utilisation de l’IA. Finovox sait, dans une partie de ces cas, repérer les traces de cette suppression. La détection peut ainsi révéler une tentative de dissimulation, qui renforce le soupçon de fraude.
De la recherche à des contrôles utilisables par les clients
Pour développer ces capacités, l’équipe suit les publications scientifiques, étudie les architectures des modèles et explore les caractéristiques des images ainsi que les couches internes des PDF.
Chaque méthode est ensuite testée dans des conditions proches des usages clients : reste-t-elle efficace après une compression ou une conversion ? Déclenche-t-elle des alertes sur des fichiers ayant subi un traitement légitime ? Dans quelles situations échoue-t-elle ?
Ces expérimentations permettent de retenir les approches suffisamment fiables et d’abandonner celles qui n’aboutissent pas.
« Être philosophe dans l’âme, en R&D, c’est accepter de remettre ses hypothèses en question. Nous devons explorer, tester et savoir nous arrêter lorsqu’une piste n’apporte pas de résultat solide. C’est ce discernement qui transforme la recherche en contrôles utiles pour nos clients. »
Sami Touil, Lead R&D chez Finovox
Des avancées qui bénéficient à plusieurs secteurs
Contrairement à une règle métier propre à un justificatif ou à un pays, une méthode de détection des traces de génération peut s’appliquer à plusieurs catégories d’images et de documents.
Une même avancée peut ainsi enrichir les contrôles de plusieurs clients, quels que soient leur secteur ou leur marché, dans le périmètre couvert par la méthode.
Vous recevez des photographies ou des justificatifs pour valider des demandes ? Échangez avec Finovox sur la détection des contenus créés ou modifiés par IA.
Sommaire



.jpg)