La startup new-yorkaise Pangram a levé 9 millions de dollars et a utilisé cette annonce de financement pour déployer une nouvelle génération de son logiciel de détection de l’IA, pariant que la demande continuera d’augmenter à mesure que les textes rédigés par l’IA et les images synthétiques deviendront plus difficiles à distinguer du travail humain en ligne. Selon TechCrunch, le tour de table a été mené par Menlo Ventures, avec la participation de Haystack, ScOp, Script Capital et Cadenza.

En parallèle du financement, Pangram a lancé un nouveau modèle de détection de texte appelé Pangram 4 et a placé un détecteur d’images, Pangram Image, en aperçu de recherche. L’entreprise positionne ces deux produits comme une infrastructure pour un problème de confiance croissant dans les secteurs de l’édition, de l’éducation, du recrutement et des plateformes sociales : il ne s’agit pas de savoir si l’IA existe dans un flux de travail, mais si les lecteurs et les évaluateurs peuvent savoir quand elle a été utilisée et à quel point elle a influencé le résultat final.

Cela compte parce que le marché de l’IA générative passe de la nouveauté à la gouvernance. Depuis que ChatGPT a normalisé l’écriture assistée par l’IA, les équipes sont passées de l’expérimentation de la génération de texte à la gestion de ses effets secondaires, notamment les citations halluciné es, les textes SEO spammy, le contenu synthétique de profils et les litiges autour de la divulgation. Pangram entre dans ce débat avec une proposition simple : la détection, même imparfaite, peut devenir une couche de confiance pratique pour le web ouvert et les workflows d’entreprise.

Ce que Pangram a annoncé

L’information principale est une annonce combinée de financement et de produit. TechCrunch a rapporté que Pangram a levé 9 millions de dollars pour faire évoluer son logiciel de détection et a lancé Pangram 4 pour le texte, ainsi que Pangram Image en aperçu limité.

Pangram affirme que Pangram 4 est conçu pour identifier non seulement les textes entièrement générés par l’IA, mais aussi les brouillons mixtes humain-IA et les textes passés par des outils dits de « humanisation ». C’est un choix de produit notable. Beaucoup de détecteurs de première génération se concentraient sur une classification binaire : humain ou machine. Pangram mise plutôt sur un cas d’usage plus opérationnel dans lequel les écoles, les éditeurs et les plateformes veulent savoir si l’IA a contribué à une soumission, même si un humain a modifié le résultat.

L’entreprise dit aussi que Pangram Image vise à détecter des visuels générés par l’IA à travers plusieurs familles de modèles, plutôt que de s’appuyer sur des vérifications de filigranes liées à un seul fournisseur de modèles. Selon le reportage de TechCrunch, Pangram indique que le système d’images examine des motifs statistiques au niveau des pixels et peut parfois identifier du contenu synthétique même lorsqu’une image générée par l’IA apparaît dans une photographie par ailleurs réelle.

Pangram propose un abonnement web grand public facturé 20 dollars par mois, selon TechCrunch, et distribue également le logiciel via une API et une extension Chrome. L’extension étiquette le contenu en temps réel sur des services comme X, LinkedIn, Substack, Reddit et Medium, et fournit un « score de santé du fil » montrant une répartition estimée entre contenu humain et contenu IA à l’écran.

Pourquoi la startup pense que le moment est opportun

Pangram a été fondée il y a environ deux ans par Max Spero et Bradley Emi, diplômés de Stanford en IA et en apprentissage automatique, selon TechCrunch. La thèse de l’entreprise est que le contenu d’internet ne devient pas seulement plus assisté par l’IA, mais que le volume de matériel de faible qualité ou trompeur généré par des machines crée un besoin d’outils de filtrage et de divulgation.

Cette thèse est plus facile à comprendre dans le climat actuel d’application des règles. TechCrunch a souligné une nouvelle politique d’arXiv pouvant imposer une interdiction de soumission d’un an si les auteurs semblent ne pas avoir vérifié la sortie des grands modèles de langage, y compris des références hallucinées ou des méta-commentaires de chatbot laissés en place. Les exemples peuvent sembler extrêmes, mais ils illustrent un changement institutionnel plus large : le problème n’est plus seulement que l’IA générative peut produire de mauvais résultats, mais que les organisations ont désormais besoin de procédures pour les repérer avant publication, dépôt ou examen.

Dans ce contexte, Pangram ne cherche pas à empêcher complètement l’usage de l’IA. TechCrunch a rapporté que Spero présentait l’assistance de l’IA comme potentiellement acceptable si les utilisateurs la divulguent. Cette distinction est importante pour les équipes produit. L’opportunité commerciale peut être plus grande dans l’attribution, les politiques de workflow et le scoring de confiance que dans la simple police du contenu. Un détecteur capable de distinguer un texte entièrement généré d’un travail humain légèrement retouché par l’IA est plus utile aux éditeurs et aux équipes de conformité qu’un score trop simpliste de réussite/échec.

Comment Pangram dit que la technologie fonctionne

Selon TechCrunch, le système de détection de Pangram est entraîné sur des dizaines de millions de documents humains connus. L’entreprise crée ensuite ce que Spero a décrit comme un « miroir synthétique » pour chacun : une contrepartie rédigée par l’IA, conçue pour correspondre au sujet, à la longueur et au ton de l’original. Le modèle est ensuite entraîné à apprendre les différences stylistiques récurrentes entre la version humaine et la version générée.

C’est un angle différent des systèmes fondés sur les métadonnées ou les filigranes. Pangram dit ne pas dépendre de filigranes cachés ni de traces de copier-coller. À la place, l’entreprise tente d’inférer des schémas d’auteur à partir des statistiques du langage et des images.

Pour les développeurs, la promesse réside ici dans la portabilité. Si un détecteur dépend du filigrane d’un fournisseur de modèles, il est limité par la couverture de ce fournisseur et vulnérable aux transformations qui suppriment ou masquent le signal. En revanche, un classifieur entraîné sur les caractéristiques de sortie peut mieux se généraliser à travers des modèles comme Claude et ChatGPT. Le compromis est que les systèmes basés sur des classifieurs peuvent être fragiles lorsque l’écriture humaine ressemble à la sortie d’un modèle, ou lorsque les utilisateurs modifient fortement les brouillons générés.

Cette limite est apparue dans les propres tests de TechCrunch. La publication a rapporté que Pangram détectait souvent les articles entièrement générés par l’IA à partir de ChatGPT et Claude, et qu’il n’était pas facilement contourné par des prompts conçus pour tromper les détecteurs. Mais les tests ont aussi révélé des faux positifs au niveau des phrases, y compris des cas où des passages réécrits par des humains étaient tout de même signalés comme assistés par l’IA. Dans une version peaufinée d’un article écrit par un humain, le détecteur aurait produit un score d’assistance IA modéré qui semblait globalement plausible, tout en classant mal certaines phrases individuelles.

Preuves, benchmarks et ce qui reste à vérifier

Les affirmations les plus fortes de cette histoire viennent de Pangram lui-même et doivent être lues comme des données fournies par le vendeur, sauf si elles ont été benchmarkées de manière indépendante. TechCrunch a rapporté que Pangram affirme que Pangram 4 dépasse 99 % de précision pour détecter l’écriture assistée par IA et le contenu mixte humain-IA, et qu’environ un document humain sur 10 000 est incorrectement étiqueté comme IA.

Ce sont des chiffres ambitieux pour une catégorie de détection qui a historiquement eu du mal avec la généralisation, les faux positifs et la réécriture adversariale. L’article de TechCrunch propose des tests anecdotiques globalement favorables, en particulier sur des textes clairement générés et sur des newsletters au style marqué, mais cela ne remplace pas une méthodologie de benchmark publiée. L’article ne fournit pas d’ensemble d’évaluation public, de protocole de comparaison des modèles ni de ventilation détaillée par domaine, langue et intensité de modification.

La même prudence s’applique aux signaux d’adoption. TechCrunch a rapporté que Substack a intégré la technologie de Pangram pour montrer aux lecteurs quels auteurs utilisent l’IA dans leurs newsletters, et que d’autres clients API incluent Quora, des écoles et universités, des éditeurs et agents, ainsi que des recruteurs. Ces catégories de clients sont significatives, en particulier la mention de Substack et Quora, mais les preuves de la source n’incluent ni la taille des contrats, ni la profondeur du déploiement, ni les volumes d’utilisation, ni la rétention, ni les métriques d’expansion.

La concurrence compte aussi. TechCrunch a cité Winston AI, Originality.ai, Copyleaks et GPTZero comme rivaux visant une demande similaire. Cela suggère que Pangram ne crée pas une catégorie à partir de zéro. Il cherche à se différencier par la détection de la paternité mixte, la résistance aux outils d’humanisation et l’analyse d’images entre modèles, plutôt que par le simple postulat qu’une détection de l’IA est nécessaire.

Ce que cela signifie pour les bâtisseurs et les acheteurs en entreprise

Pour les équipes produit, la mise à jour de Pangram montre que la détection de l’IA évolue d’une niche de plagiat scolaire vers une couche de confiance et de modération. Un outil comme Pangram 4 est plus facile à justifier lorsqu’une organisation a besoin d’orientation de workflow, de signaux de divulgation ou de déclencheurs de QA plutôt que de jugements finaux. En pratique, cela pourrait signifier signaler des brouillons juridiques pour examen manuel, identifier des candidatures synthétiques dans le recrutement, ou marquer des contenus de newsletters sur Substack afin que les lecteurs disposent de davantage de contexte.

Pour les entreprises, les questions clés sont la fiabilité et l’adéquation aux politiques. Un détecteur qui repère un texte manifestement machine mais classe parfois à tort une écriture humaine soigneuse reste gérable s’il alimente des files de révision. Il est bien plus risqué s’il devient la seule base de sanctions contre des employés, étudiants, prestataires ou créateurs. Les acheteurs voudront comprendre le score de confiance, les voies de recours et la façon dont les performances changent selon le type de contenu.

Il y a aussi un angle de stratégie de plateforme. À mesure que des services comme Reddit, Medium, LinkedIn et X se remplissent de publications assistées par l’IA, des couches de confiance tierces pourraient devenir une fonctionnalité à part entière. L’extension Chrome de Pangram va dans ce sens en transformant la provenance du contenu en couche de navigation visible pour l’utilisateur. Reste à savoir si les plateformes accueilleront cette couche ou choisiront de développer leurs propres alternatives.

Ce qu’il faut surveiller ensuite

Premièrement, surveiller les tests indépendants de Pangram 4 et Pangram Image. Les benchmarks publics, les évaluations multilingues et les comparaisons côte à côte avec GPTZero, Copyleaks, Winston AI et Originality.ai compteront davantage que les annonces de lancement.

Deuxièmement, voir si Pangram Image passe rapidement de l’aperçu de recherche à une disponibilité large et si le système résiste à des images modifiées, compressées ou republiées. La détection d’images synthétiques est particulièrement sensible aux changements de distribution.

Troisièmement, suivre les preuves clients au-delà des simples mentions de noms. Si Substack approfondit son usage de Pangram, ou si Quora, des universités ou des éditeurs annoncent des déploiements plus larges, cela en dira plus sur la traction du marché qu’une levée de fonds à elle seule.

Enfin, garder un œil sur les évolutions de politique. Si davantage de revues, d’écoles, de places de marché ou de plateformes sociales ajoutent des règles de divulgation de l’IA, des outils comme Pangram pourraient devenir intégrés aux systèmes de soumission et de modération plutôt que de rester de simples surcouches optionnelles.

Point de vue Creati.ai

La levée de Pangram concerne moins un détecteur isolé qu’une nouvelle couche de contrôle qui émerge autour de l’IA générative. La première vague de produits IA s’est concentrée sur la vitesse de création. La vague suivante porte de plus en plus sur la vérification, la divulgation et la confiance. Cela crée de la place pour des sociétés comme Pangram, surtout si elles peuvent s’intégrer à de vrais workflows plutôt que de proposer seulement des analyses ponctuelles.

La difficulté n’est pas de prouver que le contenu synthétique existe ; c’est de rendre la détection utile sans outrepasser ses limites. Pour les bâtisseurs et les acheteurs, la valeur de Pangram 4 et Pangram Image dépendra de leur capacité à soutenir la prise de décision avec une incertitude calibrée. Dans l’IA d’entreprise, les gagnants de cette catégorie pourraient être les fournisseurs qui traitent la détection comme une infrastructure probabiliste, et non comme un moteur de verdict façon tribunal.