Anthropic ajoute des filigranes invisibles à Claude : ce que cela signifie pour les contenus générés par l'IA

2026/08/12 16:07:00

picture[data-cms-leading-picture="true"]{display:none!important}

Pendant des années, détecter un texte écrit par une IA consistait principalement à deviner. Un document pouvait sembler provenir de Claude, ChatGPT ou un autre modèle linguistique, mais une fois le texte copié dans un document, un site web ou une publication sur les réseaux sociaux, il n’y avait généralement aucune preuve lisible par machine indiquant son origine. Anthropic cherche désormais à changer cela. Les modèles Claude pris en charge commencent à intégrer des filigranes imperceptibles directement dans le texte généré, tandis que les sorties d’images et de fichiers pris en charge peuvent transporter des informations de provenance signées.

Ce changement est significatif car il déplace le débat de la simple question de savoir si l'écriture semble artificielle à celle de savoir si le contenu numérique peut contenir des indices sur la manière dont il a été créé ou traité. Mais les filigranes invisibles ne constituent pas un détecteur d'IA parfait. La modification, la réécriture, la traduction, les courts extraits et les contenus issus de sources multiples peuvent tous compliquer la détection. Pour les éditeurs, les étudiants, les marketeurs, les utilisateurs de Web3 et les développeurs de agents IA, la véritable histoire pourrait donc être l'émergence de la traçabilité du contenu lisible par machine — et les nouvelles questions qu'elle soulève sur la confiance, l'identité, l'auteur et la vérification sur l'ensemble d'Internet.

Qu'est-ce que précisément Anthropic change ?

Anthropic introduit deux approches liées mais distinctes pour marquer le contenu généré par Claude. Pour le texte, les modèles pris en charge intègrent une filigrane imperceptible directement dans la sortie. Cette marque est conçue pour être lisible par machine sans modifier le sens ni la lisibilité normaux du texte. Pour les formats d’images et de fichiers pris en charge, Anthropic utilise des informations de provenance signées qui peuvent enregistrer la participation de Claude et aider à vérifier si un fichier a été modifié ultérieurement.

Le marquage se fait au niveau du modèle, et non simplement en tant qu'ajout à l'interface du site Claude. Cela importe, car le même principe peut s'étendre à Claude accessible via des API, des outils de développement, des produits d'entreprise et des déploiements cloud pris en charge. Anthropic indique que le marquage s'applique globalement dès que le modèle prend en charge cette fonctionnalité, et non uniquement pour les utilisateurs en Europe.

Contenu ou méthode d'accès	Approche de notation	Ce qu'il est conçu pour faire
Texte généré par Claude	Watermark intégré imperceptible	Fournir un signal d'origine Claude lisible par machine
Images et fichiers pris en charge	Métadonnées de provenance signées	Enregistrer l'historique de traitement et vérifier l'intégrité
Claude.ai et produits pris en charge	Marquage au niveau du modèle	Maintenez la provenance cohérente à travers les interfaces
API et déploiements cloud pris en charge	Marquage au niveau du modèle	Étendez le signal au-delà du site web Claude

Une limitation importante concerne le timing. Le changement ne signifie pas que chaque texte historique généré par Claude contient soudainement un filigrane. Anthropic indique que les modèles pris en charge publiés à compter du 2 août 2026 incluent le marquage dès leur lancement, tandis que le support pour les modèles plus anciens est étendu progressivement.

Comment fonctionne un filigrane de texte AI invisible ?

Le concept est le plus facile à comprendre en comparant un filigrane textuel aux métadonnées classiques des fichiers. Les métadonnées appartiennent généralement au conteneur du fichier. Une photographie peut contenir des informations sur l'appareil photo, le logiciel de retouche ou la date de création, mais ces informations peuvent disparaître lorsque l'image est copiée, compressée, convertie ou téléchargée sur un service qui supprime les métadonnées. Le texte simple est encore plus difficile à gérer, car les gens copient constamment des phrases entre les sites web, les e-mails, les documents, les applications de messagerie et les systèmes de gestion de contenu.

Anthropic affirme que son filigrane textuel est intégré directement dans le texte généré. Cela signifie que le flux de travail prévu ressemble davantage à : sortie Claude → copier → coller → publier, avec le signal lisible par machine pouvant continuer à suivre le langage. L'utilisateur ne voit pas d'étiquette évidente telle que « Généré par Claude », et le texte doit rester lisible de manière normale.

Ce qu'Anthropic n'a pas révélé

La mise en œuvre technique reste l’une des principales questions sans réponse. Anthropic n’a pas rendu publique l’algorithme complet de marquage, le mécanisme statistique ou au niveau des jetons impliqué, le seuil exact de détection ni la longueur minimale de passage requise pour une identification fiable. Elle n’a pas non plus affirmé que le système repose sur des caractères Unicode à largeur nulle, malgré l’apparition fréquente de cette explication dans les spéculations en ligne. Pour l’instant, la conclusion précise est beaucoup plus restreinte : Anthropic a décrit ce que le marquage est censé accomplir, mais pas exactement comment fonctionnent le codage et le système de détection sous-jacents.

Pourquoi Claude filtre-t-il le contenu dans le monde entier ?

Le calendrier est étroitement lié au régime de transparence de l'Union européenne sur l'IA. L'article 50 de la loi européenne sur l'IA introduit des obligations de transparence pour les fournisseurs de systèmes d'IA générative, incluant des exigences visant à rendre les contenus générés ou manipulés par l'IA identifiables de manière lisible par machine. Ces dispositions de transparence sont devenues applicables à partir du 2 août 2026, transformant l'origine des contenus d'une question de recherche en un enjeu de conformité de plus en plus important pour les grands fournisseurs d'IA.

Ce qui rend l'approche d'Anthropic particulièrement intéressante, c'est que l'entreprise ne traite pas le marquage comme un mode produit exclusivement destiné à l'UE. Dès qu'un modèle Claude prend en charge le système de marquage, cette fonctionnalité s'applique dans toutes les régions où ce modèle est disponible. Sur le plan technique et opérationnel, une implémentation au niveau du modèle peut être plus simple que de maintenir des comportements de génération fondamentalement différents pour chaque juridiction réglementaire.

Cela ressemble au phénomène plus vaste parfois appelé l'effet Bruxelles, selon lequel les règles élaborées pour le marché européen influencent les normes mondiales des produits, car les entreprises multinationales privilégient un système cohérent plutôt que de maintenir des versions régionales fragmentées. Anthropic n'a pas décrit son déploiement mondial exactement dans ces termes, mais le résultat est similaire : une exigence de transparence liée à la réglementation européenne contribue à façonner la manière dont le contenu généré par Claude est géré dans le monde entier.

Que prouve réellement la détection d'un filigrane Claude ?

La mauvaise compréhension la plus importante à éviter est la suivante : détecter un filigrane de Claude ne prouverait pas nécessairement que Claude a rédigé un document entier depuis le début. Considérez un auteur qui effectue des recherches et rédige indépendamment un article de 2 000 mots, puis demande à Claude de corriger la grammaire et d'améliorer la fluidité des phrases. La version retournée peut contenir un signal d'origine Claude, même si les recherches initiales, les arguments, la structure et une grande partie du langage proviennent d'un auteur humain.

L'hypothèse inverse est également risquée. Ne pas détecter une empreinte numérique ne prouve pas automatiquement qu'un passage a été rédigé par un humain. Le texte pourrait provenir d'un modèle plus ancien non pris en charge, avoir été fortement modifié, traduit, mélangé avec d'autres textes, ou tout simplement être trop court pour une détection fiable de l'empreinte numérique.

Résultat de la détection	Ce que cela peut indiquer	Ce qu'il ne prouve pas automatiquement
Watermark Claude détecté	Claude a probablement généré ou traité la sortie	Claude a créé chaque idée et chaque phrase
Aucun filigrane détecté	Aucun signal Claude pris en charge n'a été trouvé de manière fiable	Le contenu est certainement écrit par un humain
Le signal partiel reste	Certains signaux d'origine modèle ont peut-être survécu à l'édition	Le texte est identique à la sortie originale de Claude

Cette distinction sera extrêmement importante dans l’éducation, l’édition, le journalisme et l’écriture professionnelle. La provenance du contenu peut fournir des preuves sur la participation des outils, mais l’auteurship est une question bien plus large, impliquant qui a créé les idées, qui a pris les décisions éditoriales et dans quelle mesure l’IA a participé à l’œuvre finale.

Les filigranes de Claude peuvent-ils survivre à l’édition et à la réécriture ?

Anthropic affirme que le filigrane est conçu pour survivre aux copies ordinaires et peut rester détectable après certaines modifications. Cela le rend fondamentalement différent d'une étiquette attachée uniquement à l'interface originale de Claude. Si un utilisateur copie le texte généré dans un traitement de texte ou un système de gestion de contenu, le filigrane peut continuer à exister, car le signal est associé à la sortie linguistique et non uniquement à la page web d'origine.

Cependant, le système n'est pas indestructible. Anthropic reconnaît explicitement que des modifications intensives, une reformulation, une traduction, la combinaison de la sortie du modèle avec d'autres textes, ou encore le traitement de passages très courts peuvent réduire ou éliminer la détection fiable. Il s'agit d'une limitation technique importante, car le contenu en langage naturel est particulièrement facile à transformer tout en conservant son sens.

Anthropic n'a pas publié de règle simple telle que « modifier 30 % du texte supprime le filigrane », et de telles affirmations doivent être traitées avec prudence. La manière utile de considérer cette fonction n'est donc pas comme une gestion des droits numériques pour les phrases, mais comme un signal de provenance à robustesse limitée. Il peut augmenter la quantité d'informations disponibles sur l'origine du contenu sans garantir une attribution permanente sous chaque transformation.

Le marquage IA n'est pas identique à la détection IA

Les détecteurs d'écriture par IA traditionnels analysent généralement les caractéristiques d'un passage terminé et estiment si ces caractéristiques ressemblent au langage produit par un modèle. Ils peuvent examiner la prévisibilité statistique, la structure des phrases, le choix des mots, les motifs de jetons ou d'autres signaux linguistiques. Le résultat est généralement probabiliste : un détecteur peut indiquer qu'un passage a une forte probabilité d'être généré par une IA.

Le marquage modifie la direction du problème. Au lieu de demander à une tierce partie d'inférer l'auteur à partir du style d'écriture, le système d'IA dépose intentionnellement un signal détectable dans sa sortie au moment de la génération.

Détecteur d'IA traditionnel	Filigrane IA intégré
Déduit l'origine à partir des schémas linguistiques	Recherches d'un signal d'origine intentionnel
Généralement basé sur la probabilité	Plus directement orienté vers la provenance
Peut classer incorrectement l'écriture humaine ordinaire	Dépend de la présence et de la survie de la marque
Ne nécessite pas de coopération de la part du fournisseur du modèle	Exige que le fournisseur mette en œuvre la notation
Réponds à « Cela a l’air généré par une IA ? »	Répond « Un signal de modèle connu est-il présent ? »

Aucun système ne résout l'ensemble du problème. Une filigrane ne peut pas indiquer à un lecteur si une déclaration est vraie, si l'auteur a utilisé l'IA de manière appropriée ou si une publication est fiable. Elle peut apporter des éléments sur la provenance, mais la provenance n'est pas équivalente à la crédibilité.

Les filigranes de texte et le C2PA résolvent des problèmes différents

Anthropic utilise une stratégie différente pour les images et fichiers pris en charge, car ces médias offrent des conteneurs plus naturels pour les informations de provenance. C2PA, ou la Coalition for Content Provenance and Authenticity, a développé un cadre technique ouvert généralement associé aux Content Credentials. Il permet aux contenus numériques de transporter des informations cryptographiquement signées concernant leur origine et leur historique de traitement.

Cela fonctionne bien pour les fichiers multimédias, car un fichier peut conserver un enregistrement structuré indiquant qu’un outil particulier l’a créé ou modifié. Un vérificateur peut alors examiner les informations signées et déterminer si l’enregistrement de provenance reste intact. Le texte se comporte différemment. Un paragraphe copié depuis une fenêtre de discussion dans un courriel peut ne plus avoir aucun lien avec le fichier dans lequel il a été créé pour la première fois.

Les deux approches traitent donc des problèmes liés mais différents. Le C2PA est particulièrement utile pour enregistrer une chaîne de provenance autour des actifs médiatiques, tandis que le marquage d'eau intégré cherche à faire survivre un signal d'origine lorsque le contenant environnant disparaît. Aucune ne garantit que la revendication sous-jacente est véridique, et aucune ne doit être confondue avec un DRM. Leur objectif commun est de rendre l'historique du contenu numérique plus facile à inspecter.

Ce que cela signifie pour les écrivains, les éditeurs et le SEO

Pour les rédacteurs, la conséquence la plus immédiate peut être l'effondrement de la distinction simple entre « écrit par un humain » et « écrit par une IA ». Les flux de travail créatifs réels se situent de plus en plus quelque part au milieu. Un journaliste peut mener des entretiens originaux mais utiliser Claude pour résumer les transcriptions. Un marketeur peut rédiger un article à la main et n'utiliser l'IA que pour la révision. Un chercheur peut générer un premier brouillon avec l'IA mais restructurer complètement et vérifier les faits du résultat final. Tous ces cas impliquent des niveaux très différents d'auteur humain, même si Claude a touché au texte final.

Les éditeurs et les plateformes de contenu pourraient éventuellement intégrer un contrôle d'origine dans leurs processus éditoriaux. Un manuscrit, un article ou une publication générée par un utilisateur pourrait être vérifié à la recherche de signaux connus d'origine IA, en complément des contrôles de plagiat, de vérification des faits ou des politiques de divulgation. La démarche risquée consisterait à considérer une marque détectée comme une preuve automatique de mauvaise conduite. Une marque d'origine peut indiquer que Claude a traité le contenu ; elle ne peut pas, en elle-même, déterminer si l'utilisation respecte les règles de l'éditeur.

SEO pose une autre question importante. Il n'existe actuellement aucune base pour supposer qu'un filigrane Claude entraîne automatiquement une pénalité en matière de classement dans les moteurs de recherche. Les moteurs de recherche évaluent déjà le contenu à travers des signaux bien plus larges, tels que l'utilité, l'originalité, la pertinence, l'autorité et l'expérience utilisateur. Le changement à plus long terme pourrait être que la provenance du contenu devienne une autre source d'informations contextuelles. Si cela se produit, la question essentielle en SEO ne sera plus simplement « L'IA a-t-elle été utilisée ? », mais plutôt si le contenu résultant offre une valeur originale, une responsabilité et une authorship transparente.

Pourquoi les utilisateurs de crypto et de Web3 devraient s'en préoccuper

À première vue, les filigranes invisibles peuvent sembler n’avoir aucun lien avec les cryptomonnaies. Mais le problème sous-jacent — comment les systèmes numériques prouvent l’origine, l’identité et l’historique de traitement — est étroitement lié à des questions que les développeurs Web3 ont travaillées pendant des années.

De la détection de contenu à la provenance numérique

Le système d'Anthropic est essentiellement une forme de traçabilité délivrée par le fournisseur. Claude génère ou traite le texte, le système d'Anthropic y insère un signal reconnaissable, et une infrastructure de détection compatible peut ensuite identifier cette implication. Ce modèle fonctionne bien lorsque les utilisateurs font confiance au fournisseur d'IA et que ce dernier maintient des outils de vérification fiables.

Les approches Web3 commencent souvent par une architecture différente. Un créateur, un agent logiciel, une organisation ou un appareil peut signer cryptographiquement une revendication. Les identifiants décentralisés, les attestations vérifiables, les contrats intelligents et les attestations sur chaîne peuvent ensuite créer des enregistrements que d'autres systèmes vérifient indépendamment. Cela ne fait pas de la blockchain un remplacement du marquage de Claude. Au contraire, il ouvre la possibilité à différentes couches de provenance de travailler ensemble.

Un système de contenu futur pourrait, par exemple, distinguer la provenance du modèle, qui enregistre qu’un système d’IA a traité le contenu, et la provenance du créateur, qui enregistre qui a approuvé, publié ou possède une version particulière. Une blockchain peut fournir des horodatages durables et des attestations signées, mais elle ne peut pas déterminer magiquement si l’affirmation sous-jacente est correcte. L’infrastructure crypto est la plus robuste pour prouver qu’un enregistrement signé spécifique existe — pas pour prouver que la réalité correspond à l’enregistrement.

Les agents IA pourraient rendre la traçabilité encore plus importante

Le débat d'aujourd'hui suppose toujours un flux de travail relativement simple : un humain demande du texte à un modèle d'IA, puis publie le résultat. L'économie émergente des agents IA est bien plus complexe. Un agent autonome peut rechercher des informations, un autre les résumer, un troisième les réécrire pour un public particulier, et un quatrième publier le résultat final ou l'utiliser pour déclencher une décision financière.

Cela rend la provenance encore plus importante, car les machines doivent de plus en plus évaluer des informations créées par d'autres machines. Un agent de trading automatisé lisant une analyse de marché peut vouloir savoir quel modèle l'a produite, quelles sources ont été utilisées, si un autre agent l'a modifiée, et si une entité autorisée a approuvé le résultat final. Les mêmes questions se poseront pour la génération de code, les rapports de recherche, le support client automatisé et le commerce machine-à-machine.

L'infrastructure crypto pourrait croiser cette tendance, car les agents IA commencent également à utiliser des wallets, des stablecoins, des identités sur chaîne et des systèmes de paiement programmables. Avec le temps, l'identité des agents, la provenance des transactions et la provenance du contenu pourraient devenir des éléments d'une même architecture de confiance. L'initiative de marquage d'Anthropic ne construit pas tout ce système, mais elle démontre pourquoi les informations d'origine lisibles par machine deviennent de plus en plus précieuses.

Ce que les filigranes de Claude ne peuvent toujours pas résoudre

La première limitation est la robustesse. Le langage humain peut être restructuré sans modifier significativement le sens, ce qui rend le marquage de texte fondamentalement plus difficile que la signature d’un fichier numérique inchangé. Une réécriture intensive, une traduction, une synthèse ou une fusion de passages provenant de sources différentes peuvent affaiblir le signal. Cela signifie que la détection du marquage ne sera jamais identique à la lecture d’une signature immuable d’un créateur à partir d’un fichier.

La deuxième limitation est l'attribution. Un signal Claude peut indiquer que Claude a participé à un processus, mais la participation n'équivaut pas à l'auteurship. De plus, une filigrane ne prouve pas la vérité. Claude peut générer du contenu exact avec un filigrane, du contenu inexact avec un filigrane, ou simplement modifier des informations erronées écrites par un humain. De même, un contenu écrit par un humain sans aucun filigrane peut tout de même être faux.

Le troisième défi est l’interopérabilité. Si chaque grande entreprise d’IA développe son propre système de marquage fermé, les plateformes pourraient éventuellement avoir besoin d’infrastructures de détection séparées pour Anthropic, Google, OpenAI, Meta, xAI et de nombreux autres fournisseurs plus petits. Des normes ouvertes de provenance pourraient devenir de plus en plus importantes si Internet évolue vers un monde où le contenu traverse couramment plusieurs systèmes d’IA avant publication.

Que se passe-t-il ensuite pour la vérification du contenu IA ?

Plusieurs développements détermineront si le système de marquage de Claude devient une norme industrielle majeure ou simplement un composant d’un écosystème de traçabilité bien plus vaste.

Documentation technique : Anthropic doit encore fournir des informations plus approfondies sur la précision de détection, la robustesse, les exigences en matière de longueur de passage et la mise en œuvre.
Vérification par un tiers : L'utilité du filigrane augmentera considérablement si les éditeurs, les plateformes et les outils indépendants peuvent détecter de manière fiable les signaux pris en charge par Claude.
Couverture des modèles plus anciens : L'extension du support des filigranes au-delà des modèles récemment publiés déterminera à quel point l'origine de Claude deviendra cohérente dans les flux de travail réels.
Adoption de la plateforme : Les moteurs de recherche, les éditeurs, les réseaux sociaux, les écoles et les plateformes de gestion de contenu décideront si les signaux de provenance deviennent une partie intégrante des processus quotidiens de modération et de divulgation.
Normes intermodèles : La question à long terme est de savoir si les entreprises d'IA convergeront vers des normes d'origine interopérables ou construiront des écosystèmes séparés qui ne peuvent pas facilement vérifier l'autre.

Ces questions sont plus importantes que de déterminer si un seul paragraphe peut être étiqueté comme « généré par l’IA ». L’objectif plus vaste est de créer un environnement numérique dans lequel les machines et les humains peuvent comprendre d’où provient le contenu et comment il a évolué.

Les filigranes invisibles ne sont que le début

Le geste d'Anthropic est important car il transforme l'origine du contenu d'une expérience facultative en une composante du comportement par défaut des modèles Claude pris en charge. Associé aux nouvelles exigences d'transparence de l'UE en matière d'IA et à l'utilisation croissante de systèmes d'origine signée comme C2PA, il oriente vers un internet où les médias générés par l'IA portent de plus en plus des informations lisibles par machine sur leur origine.

Cela ne supprimera pas les fausses informations, le plagiat, les revendications fausses d'auteur ou l'utilisation abusive de l'IA. Les filigranes peuvent être endommagés, la provenance peut être incomplète, et même un contenu parfaitement vérifié peut encore être erroné. Mais la direction sous-jacente est significative.

L’avenir du contenu généré par l’IA sera donc peut-être moins axé sur la création d’outils de plus en plus agressifs visant à deviner si un texte a été écrit par une machine, et davantage sur l’intégration dès le départ de la traçabilité dans le cycle de vie du contenu. Pour les utilisateurs, éditeurs, développeurs et créateurs d’agents IA du Web3, les questions essentielles deviendront de plus en plus : Qui a généré cela ? Qui l’a modifié ? Qui l’a approuvé ? Et ces affirmations peuvent-elles être vérifiées de manière indépendante ?

Les filigranes invisibles constituent une première réponse à ce problème bien plus vaste.

FAQ

Tous les modèles Claude intègrent-ils déjà un filigrane dans leurs sorties ?

Non. Le déploiement est lié aux modèles pris en charge, et non appliqué rétroactivement à toutes les sorties historiques de Claude. Anthropic indique que les modèles publiés à partir du 2 août 2026 prennent en charge le nouveau système de marquage lorsqu’ils sont désignés comme compatibles, tandis que le support pour les modèles plus anciens est progressivement étendu. Par conséquent, les utilisateurs ne doivent pas supposer que chaque texte produit par Claude contient un filigrane détectable.

Claude Code produit-il également du texte marqué ?

Les modèles pris en charge utilisés via Claude Code sont inclus dans l'approche globale de marquage au niveau des modèles d'Anthropic. La distinction importante est que le marquage dépend du support du modèle sous-jacent, et non du fait que l'utilisateur accède à Claude via l'interface de discussion classique, un environnement de codage ou un autre produit pris en charge.

Les réponses de l'API Claude sont-elles marquées ?

Lorsque les développeurs utilisent un modèle Claude prenant en charge le système de marquage, le marquage textuel au niveau du modèle peut s'appliquer également aux sorties générées par l'API. C'est l'un des aspects les plus importants du déploiement, car d'énormes quantités de texte générées par Claude sont produites via des applications et des services entreprises, et non directement sur Claude.ai.

Un filigrane Claude peut-il identifier l'utilisateur individuel ayant généré le texte ?

La description publique d'Anthropic se concentre sur l'identification de la participation de Claude et la provenance du contenu, et non sur la révélation de l'identité de l'utilisateur individuel derrière une invite. Il n'existe actuellement aucune base pour supposer qu'un filigrane de texte détecté révèle automatiquement un compte Claude, une identité personnelle ou l'utilisateur exact ayant généré le passage.

Les filigranes de Claude détermineront-ils qui détient le droit d'auteur ?

Non. Le signal de provenance et la propriété du droit d'auteur sont des questions distinctes. Une filigrane peut aider à établir qu'un système d'IA a traité un contenu, mais les questions de droit d'auteur dépendent de la législation applicable, du degré d'auteurship humain, des termes contractuels et du processus créatif réel. La détection de filigrane seule ne peut pas déterminer la propriété légale.

Un article rédigé par un humain peut-il encore contenir un filigrane de Claude ?

Oui. Un auteur peut rédiger un article entièrement à la main, puis demander à Claude de relire, traduire, résumer, formater ou réécrire certaines parties. La sortie renvoyée par un modèle Claude pris en charge peut alors contenir un signal d'origine Claude. C'est pourquoi la détection d'un filigrane doit être interprétée comme une preuve de la participation d'une IA, et non comme une preuve automatique que l'œuvre originale a été créée par une machine.

Clause de non-responsabilité : Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil en investissement. Les investissements en cryptomonnaies comportent des risques. Veuillez effectuer vos propres recherches (DYOR).

Avertissement : Pour votre confort, cette page a été traduite à l'aide de la technologie IA. Pour obtenir les informations à la source, consultez la version anglaise originale.