OpenAI dévoile un nouvel outil pour détecter les images générées par ChatGPT

OpenAI dévoile un nouvel outil de détection capable d’identifier les images générées par ses modèles, notamment ChatGPT et DALL-E, dans un contexte où la vérification de l’origine des médias numériques devient une priorité pour les organisations publiques et privées. Cet outil, présenté en mode research preview, s’appuie sur deux signaux complémentaires pour fournir une indication robuste sur l’origine d’un visuel. L’objectif est clair: augmenter la sécurité numérique, renforcer la lutte contre la falsification d’images et offrir un cadre plus fiable pour l’interprétation des contenus générés par intelligence artificielle. Dans une époque où les flux d’information se complexifient, ce type de solution s’inscrit dans une démarche proactive pour limiter les risques liés à la désinformation et à la manipulation visuelle. Le dispositif ne prétend pas être infaillible, mais il promet une fiabilité accrue et des faux positifs rares grâce à une approche d’interopérabilité entre métadonnées et filigranes invisibles. Le contexte de 2026 montre que les organisations recherchent des solutions concrètes permettant de retracer l’origine d’un visuel et d’évaluer sa crédibilité, sans nuire à l’innovation ni à la créativité offerte par les IA génératives.

Dans ce cadre, l’outil OpenAI compose avec deux familles de signaux destinés à se compléter. D’un côté, les Content Credentials (C2PA), une norme ouverte qui associe des métadonnées de provenance aux contenus numériques. Elles permettent de déterminer si une image a été générée via l’API OpenAI, ChatGPT ou d’autres outils liés à la plateforme. De l’autre, SynthID, un filigrane invisible développé par Google DeepMind, conçu pour résister à des manipulations courantes telles que le recadrage, l’ajout de filtres ou des compressions avec perte. L’objectif est de disposer d’un double indicateur qui s’agrège pour offrir une signature robuste, même lorsque le fichier subit des altérations mineures. Cette approche croisée vise à réduire les incertitudes et à offrir une piste solide pour les vérificateurs et les équipes de conformité.

Concrètement, l’outil est déployé en phase de prévisualisation pour permettre aux chercheurs et aux professionnels d’évaluer son mécanisme, sans que l’outil soit encore déployable en production généralisée sur toutes les plateformes. Les premiers retours indiquent que lorsqu’un signal est détecté sur une image importée, cela suggère fortement que le visuel provient d’outils OpenAI. Toutefois, OpenAI insiste sur le fait qu’aucun système n’est infaillible et que les faux positifs restent possibles dans certaines configurations. Cette transparence est essentielle pour favoriser la compréhension et la confiance autour des mécanismes de vérification. En pratique, l’objectif est d’offrir aux acteurs publics et privés un outil accessible, capable d’éclairer le lecteur sur l’origine d’un contenu et de montrer les traces laissées par le processus de génération.

Les formats pris en charge pour les tests et l’analyse couvrent les standards les plus répandus: PNG, JPEG et WEBP. Cette compatibilité permet d’intégrer l’outil dans des flux de travail variés, depuis les systèmes de gestion de contenus jusqu’aux plateformes de publication sociales utilisées par les rédactions et les institutions gouvernementales. Pour les utilisateurs, l’accès se fait par une interface en ligne, où il suffit de déposer le fichier suspect et d’attendre une analyse rapide, qui dure généralement quelques secondes. Dans le cadre de son engagement en matière de qualité et de sécurité numérique, OpenAI précise que les images uploadées ne sont pas utilisées pour l’entraînement des modèles, évitant ainsi tout risque de fuite de données ou d’apprentissage non désiré à partir d’images déjà partagées publiquement.

Au-delà du détail technique, l’annonce s’inscrit dans une dynamique plus large visant à méta-contrôler la réalité des contenus générés par l’intelligence artificielle. Dans un contexte où les contenus générés par IA peuvent influencer l’opinion publique ou alimenter des campagnes de manipulation, disposer d’un outil de détection est devenu une nécessité pour les rédactions, les universités, les agences publiques et les entreprises. L’outil ne remplace pas les experts de vérification, mais il leur fournit un cadre structuré pour éclairer leurs analyses. Cette approche peut aussi servir de levier pédagogique, en aidant les citoyens à comprendre les traces numériques qui accompagnent les contenus générés par l’IA et à les interpréter avec plus de discernement. Le chapitre 2026 de la sécurité numérique est ainsi réécrit avec une couche supplémentaire d’information sur la provenance et l’intégrité des images.

Pour faciliter l’accès et la compréhension, OpenAI a publié des ressources détaillant le fonctionnement des signaux et les scénarios d’utilisation. La firme met en avant le but stratégique de favoriser une vérification interopérable entre services et plateformes, afin de construire un écosystème où les métadonnées de provenance et les filigranes invisibles peuvent se combiner de manière fiable. Cette orientation s’inscrit dans une ambition plus large: faire converger les efforts autour des Content Credentials, harmoniser les standards et promouvoir une culture de transparence dans la production de contenus générés par l’intelligence artificielle. La logique est claire: mieux comprendre comment les contenus sont créés et modifiés, c’est mieux comprendre l’information elle-même et, par conséquent, mieux évaluer sa valeur et sa fiabilité dans des contextes critiques comme l’administration publique ou les processus électoraux.

À mesure que l’écosystème se développe, plusieurs questions se posent pour les utilisateurs professionnels: quelle est la précision réelle du système, comment gérer les cas ambigus, et quelles sont les implications pour les droits des auteurs et les responsabilités des éditeurs? La réponse réside dans une combinaison de tests rigoureux, d’évolutions techniques continues et d’un cadre explicite autour des limites et des garanties offertes par l’outil. OpenAI affirme que les signaux détectés restent « fiables et que les faux positifs sont rares » lorsque les conditions d’utilisation correspondent au périmètre de l’outil. Cependant, la gestion des incertitudes demeure une composante essentielle des procédures de vérification, afin d’éviter les conclusions hâtives ou les malentendus vis-à-vis des contenus visibles par le grand public. Le développement persistant de ces technologies de détection dessine une stratégie proactive pour la vérification et la sécurité numérique, même lorsque les capacités génératives continuent de progresser.

OpenAI dévoile un outil de détection des images générées par ChatGPT : une approche par signaux croisés

Dans le cadre de cette approche, OpenAI met en avant une architecture qui conjugue Content Credentials (C2PA) et SynthID, le filigrane invisible développé par Google DeepMind. Cette double signature offre une meilleure résilience face aux tentatives de falsification et permet d’identifier les images générées via ChatGPT ou l’API associée. L’objectif est d’apporter une traçabilité robuste, sans empiéter sur les développements innovants qui ont fait la renommée des outils d’IA générative. Pour les professionnels, cela se traduit par une meilleure lisibilité des signaux et une capacité accrue à évaluer rapidement si un visuel provient d’un système d’IA. En pratique, l’outil s’inscrit comme un maillon d’un dispositif plus large de vérification, lequel peut être déployé dans des chaînes de production médiatiques ou administratives afin d’assurer un cadre de travail plus sûr et plus transparent.

Au cœur du dispositif, les Content Credentials permettent d’ancrer des métadonnées de provenance directement dans les fichiers, fournissant une piste vérifiable sur l’origine et les éventuelles modifications. Elles répondent à une exigence de normalisation qui facilite les échanges entre systèmes et encourage une culture de traçabilité. Par ailleurs, SynthID, filigrane invisible, résiste aux manipulations les plus courantes: recadrage, ajout de filtres ou compression avec perte. Cette combinaison est conçue pour réduire les cas où des images manipulent le récit en contournant les vérifications traditionnelles. Bien que la technologie ne soit pas infaillible, les premiers tests indiquent une fiabilité accrue et une réduction notable des faux positifs lorsque les signaux se croisent. Le duo C2PA + SynthID ouvre des perspectives intéressantes pour les rédactions, les institutions publiques et les acteurs économiques sensibles à la sécurité numérique et à la lutte contre la falsification d’images.

Pour accéder à l’outil, les utilisateurs peuvent déposer un fichier sur la plateforme en ligne, qui procède à l’analyse et retourne un verdict sous quelques secondes. Cette approche est adaptée à divers scénarios professionnels: vérification rapide d’un visuel publié dans un article, contrôle de l’origine d’une image associée à une campagne institutionnelle, ou encore contrôle qualité avant diffusion sur des canaux numériques. OpenAI précise que l’outil est actuellement en mode preview et axé sur la détection des images générées via l’API, ChatGPT ou Codex. Dans les prochains mois, l’objectif est de prolonger le soutien à la vérification intersectorielle afin d’étendre l’écosystème et d’améliorer la couverture sur d’autres plateformes. L’ambition est claire: favoriser une vérification plus fluide et plus interopérable, tout en ménageant les espaces d’innovation et les besoins opérationnels des utilisateurs.

Pour illustrer les enjeux et les cas d’usage, les professionnels peuvent se référer à des ressources publiques disponibles et à des retours d’expérience partagés par la communauté. Des articles comme OpenAI dévoile un détecteur d’images IA et ses limites apportent une lecture critique sur les limites et les perspectives de ce type d’outils, tandis que d’autres analyses détaillent les mécanismes et les enjeux éthiques autour des contenus générés par IA. L’objectif est de favoriser une compréhension nuancée et une adoption raisonnée des technologies de détection, en évitant les surpromesses et en renforçant la transparence pour les publics concernés. Dans ce contexte, les professionnels peuvent également consulter des ressources dédiées à la détection des contenus générés par l’IA et à leur intégration dans les workflows métier, afin d’enrichir leur cadre décisionnel et de renforcer la sécurité numérique des organisations.

Les signaux de provenance et les métadonnées associées représentent des éléments importants pour les équipes qui gèrent des contenus sensibles. Ils permettent de retracer, dans un cadre structuré, l’origine d’une image et d’évaluer les étapes de son parcours numérique. Toutefois, la détection ne se résume pas à un seul fichier; elle s’inscrit dans une démarche d’analyse contextuelle. Par exemple, un visuel obtenu dans un contexte médiatique peut être soumis à une évaluation croisée avec des sources vidéo, des rapports d’audit ou des données de provenance alternatives. Cette approche holistique contribue à établir une trace robuste et à limiter les interprétations hâtives ou les généralisations importantes qui pourraient influencer des décisions éditoriales ou institutionnelles. Dans les secteurs publics, l’examen des signaux de provenance s’accompagne d’un cadre de responsabilités clairement défini et d’un protocole de vérification, afin d’assurer une utilisation responsable et conforme aux exigences éthiques et juridiques.

À quelles conditions l’outil est efficace ?

Le dispositif s’appuie sur des conditions clés pour maximiser son efficacité. Tout d’abord, la qualité et la standardisation des métadonnées sont déterminantes: un flux bien défini et des pratiques uniformes autour des C2PA permettent une comparaison plus fiable entre différents systèmes. Ensuite, la robustesse du filigrane SynthID face aux modifications intentionnelles ou accidentelles est un facteur critique: plus le filigrane résiste, plus la détection gagne en précision dans des scénarios réels. Enfin, l’intégration dans des flux de travail publics et privés doit rester souple, afin de permettre une adoption progressive et d’éviter les frictions opérationnelles. Des questions sur les performances dans des environnements où les réseaux et les formats médias varient restent pertinentes, et les retours des utilisateurs contribueront à affiner les algorithmes et les critères d’évaluation. Dans tous les cas, la transparence et la communication autour des résultats demeurent essentielles: les vérificateurs doivent comprendre les limites et les marges d’erreur associées à chaque détection pour éviter les interprétations excessives ou incorrectes.

Les prochaines étapes envisagées par OpenAI s’orientent vers une meilleure interopérabilité et une couverture élargie sur d’autres plateformes. Si l’outil répond à un besoin pressant en matière de sécurité numérique et de vérification, il est crucial que les organisations puissent l’intégrer facilement dans des chaînes de publication et de conformité, afin d’assurer une traçabilité fiable et cohérente des contenus générés par IA. En parallèle, les acteurs publics et privés peuvent s’appuyer sur les signaux C2PA et les filigranes invisibles pour construire une culture de vérification proactive et prévenir les effets nuisibles de la falsification d’images. C’est une étape importante vers une confiance accrue dans l’écosystème numérique, où la transparence sur l’origine et l’historique des contenus devient une norme plutôt qu’un exception.

Cas d’usage et intégration pratique dans les flux professionnels

Dans les organisations publiques et privées, l’intégration de l’outil de détection des images générées par IA peut transformer les pratiques de vérification et de conformité. Les rédactions, les agences gouvernementales et les entreprises confrontées à des enjeux de sécurité informationnelle voient dans cette technologie un levier puissant pour identifier rapidement l’origine des visuels et évaluer leur fiabilité. L’objectif est de créer des chaînes de valeur plus sûres, où chaque image peut être contextualisée et vérifiée avec une traçabilité claire. Le déploiement peut s’appuyer sur des scénarios concrets: validation d’une image publiée dans une communication officielle, contrôle des contenus visuels utilisés dans des campagnes électorales ou encore vérification de visuels publiés sur des portails d’information publics. Dans tous les cas, l’outil ne remplace pas l’analyse humaine, mais il offre un cadre structuré pour guider les vérificateurs et accélérer le processus de décision.

Pour illustrer les usages opérationnels, une série de bonnes pratiques peut être envisagée. Tout d’abord, intégrer l’outil dans le flux de travail éditorial ou administratif avec des points de contrôle clairs et des critères d’évaluation documentés. Ensuite, mettre en place des procédures de révision croisée pour les cas ambigus, afin d’éviter les conclusions hâtives et de garantir une transparence dans les processus. Enfin, assurer la formation des équipes sur les limites des signaux et sur les méthodes d’interprétation des résultats. La combinaison d’analyse automatique et de supervision humaine peut offrir un équilibre optimal entre efficacité et fiabilité. Le déploiement doit aussi être accompagné d’un cadre éthique et légal qui précise les droits des auteurs et les responsabilités des responsables de publication face aux contenus générés par l’intelligence artificielle. Ces dimensions, essentielles à la réussite d’un tel projet, renforcent la crédibilité des contenus et permettent d’instaurer une culture de confiance autour de l’information.

• Implémentation progressive: cibler d’abord les domaines sensibles pour tester les scénarios et ajuster les paramètres.
• Formation des équipes: sensibiliser les rédacteurs, les juristes et les responsables sécurité à la signification des signaux et à leurs limites.
• Cadre de conformité: définir des protocoles clairs pour la gestion des cas ambigus et les recours en cas d’erreur.
• Interopérabilité: assurer une intégration harmonieuse avec les autres systèmes de vérification et les bases de données documentaires.
• Transparence: communiquer sur les résultats et les méthodes, afin de préserver la confiance du public et des partenaires.

Dans les flux éditoriaux, l’outil peut être exploité pour évaluer les visuels avant publication, en particulier lorsque les contenus proviennent de sources mixtes ou non vérifiées. Dans le secteur public, le recours à la détection d’images générées par IA peut s’inscrire dans des politiques de sécurité et de transparence, notamment lors de campagnes d’information ou de communications institutionnelles sensibles. Les administrations peuvent ainsi s’appuyer sur les tests fournis par l’outil pour tracer l’origine des contenus, vérifier leur intégrité et communiquer clairement sur le processus de vérification. Cette approche est également utile pour les chercheurs et les universitaires qui s’intéressent à l’étude des contenus générés par l’IA, à leur propagation et à leurs effets sur le public. Elle offre un cadre pragmatique pour analyser l’impact des images IA et pour sensibiliser à la nécessité d’un cadre éthique et responsable autour des contenus numériques.

Pour approfondir les aspects industriels et médiatiques, plusieurs ressources proposent des analyses complémentaires et des retours d’expérience sur la détection des images générées par l’IA. Parmi les sources à consulter, l’article dédié à l’outil de détection et les retours sur ses limites apportent des éclairages utiles pour les professionnels qui souhaitent adopter une approche rigoureuse et prudente. Ces sources permettent de comprendre les mécanismes, les potentialités et les limites du système, et elles encouragent une utilisation réfléchie et mesurée dans les organisations qui dépendent de la sécurité et de la vérification des contenus visuels.

Limites et perspectives futures : ce que 2026 révèle sur la détection d’images générées par l’IA

Si le système d’OpenAI marque une étape majeure dans la sécurité numérique et la transparence des contenus, il est essentiel de reconnaître ses limites. Le paysage des images générées par intelligence artificielle évolue rapidement: les techniques de manipulation s’adaptent, les formats et les plateformes varient, et les acteurs malveillants ajustent leurs pratiques. Par conséquent, la détection repose sur des technologies qui doivent continuellement être mises à jour et ajustées pour suivre le rythme des avancées. La criticité de l’interopérabilité entre les différents signs et la disponibilité sur diverses plateformes est soulignée par les professionnels du secteur. Dans ce cadre, les efforts se concentrent sur l’amélioration des signaux, l’élargissement du périmètre d’analyse et la réduction des écarts entre les environnements de détection. L’objectif est de construire un écosystème robuste et flexible, capable d’évoluer sans freiner l’innovation ou l’adoption de nouvelles solutions IA génératives.

Les perspectives futures évoquées par OpenAI et les sources de référence indiquent un déploiement progressif et ciblé, avec des ambitions claires: étendre les capacités de détection au-delà de l’API et des outils ChatGPT, étendre les formats pris en charge et renforcer les mécanismes d’authenticité et de traçabilité. Dans les mois à venir, l’objectif est de soutenir des efforts intersectoriels afin de rendre la vérification possible sur un ensemble plus large de plateformes et de contextes professionnels. Cela implique une collaboration accrue entre les acteurs de l’écosystème, l’adoption de normes communes et le développement de solutions complémentaires qui renforcent la sécurité et la fiabilité des contenus générés par l’intelligence artificielle. Les parties prenantes apprécient également l’ouverture d’OpenAI à des échanges et à des contributions externes, qui enrichissent le processus d’amélioration et favorisent une meilleure compréhension des enjeux liés à la falsification d’images et à la sécurité numérique dans un monde de plus en plus numérisé.

Dans le même temps, les débats éthiques et réglementaires s’intensifient. La capacité à détecter les images générées par IA soulève des questions sur la vie privée, le droit à l’information et la responsabilité des plateformes. Les décideurs et les professionnels doivent peser soigneusement les avantages de la vérification et les droits des auteurs, tout en garantissant que les outils de détection ne deviennent pas une source de surveillance abusive ou d’abus de pouvoir. C’est dans ce cadre que les discussions autour des cadres juridiques et des mécanismes de reddition de comptes prendront de l’ampleur, afin d’assurer que les technologies de détection soient utilisées de manière responsable et équitable. Le progrès technique doit s’accompagner d’un cadre éthique et d’un cadre législatif adaptés, qui protègent les utilisateurs tout en permettant l’innovation et l’évolution des technologies d’IA générative.

Pour les professionnels, l’impératif demeure clair: rester informé des évolutions, tester régulièrement les outils et participer à des initiatives de normalisation et de dialogue avec les éditeurs, les autorités et les chercheurs. À mesure que les capacités de détection progressent, il convient de combiner ces outils avec une culture de vérification rigoureuse et une éducation continue sur les indications et les limites des signaux. Ainsi, l’écosystème peut évoluer vers une vérification plus fiable, plus rapide et plus transparente, au service d’un paysage médiatique et informationnel sain et résilient face à la falsification d’images et à l’automatisation des contenus générés par l’intelligence artificielle.

Pour en savoir plus et suivre les évolutions récentes, plusieurs ressources spécialisées offrent des perspectives complémentaires et des analyses d’experts sur les mécanismes de détection et leur rôle dans la sécurité numérique. Des publications et des blogs dédiés à l’IA et à la sécurité numérique permettent d’approfondir les enjeux et les bonnes pratiques à adopter, tout en fournissant des délais réalistes pour l’adoption et l’intégration des solutions de détection dans les organisations.

Répercussions éthiques et cadre réglementaire : la détection d’images IA au cœur de la confiance numérique

La détection des images générées par IA comme outil de vérification pose des questions éthiques et réglementaires importantes. L’objectif est de soutenir une transparence accrue sans restreindre l’innovation. Les organisations doivent établir des cadres clairs qui décrivent les conditions d’utilisation, les droits des auteurs et les responsabilités des parties prenantes en matière de contenus générés par l’intelligence artificielle. Le recours à des outils de détection peut aussi influencer les pratiques éditoriales et les stratégies de communication institutionnelle, en imposant une culture de vérification et de transparence qui rassure le public et les partenaires. Dans les secteurs sensibles tels que la sécurité nationale, les procès électoraux ou les domaines réglementés, la traçabilité des contenus visuels et la traque des fausses images deviennent des composantes essentielles de la gouvernance informationnelle.

Les considérations éthiques impliquent aussi la protection de la vie privée et la gestion des métadonnées liées aux images. Les contenus générés par IA peuvent contenir des informations sensibles, et leur publication ou leur archivage doit respecter les cadres juridiques en vigueur. Le déploiement d’outils de détection doit s’accompagner d’un cadre de conformité robuste, qui précise les obligations de transparence, les droits des personnes et les mécanismes de recours en cas de détection incorrecte. Enfin, l’impact sur les citoyens et les publics doit être pris en compte: une information vérifiée et contextualisée renforce la confiance et réduit les risques de manipulation, mais une dépendance excessive à des algorithmes peut aussi générer une illusion de certitude. L’équilibre passe par une communication claire et une culture critique, qui associe outils technologiques et expertise humaine pour interpréter les résultats avec nuance et responsabilité.

Pour enrichir le débat et soutenir l’action pratique, la communauté professionnelle peut s’appuyer sur plusieurs ressources publiques et analyses techniques. Des discussions sur les limites des outils de détection et sur les stratégies d’intégration dans les pratiques de vérification offrent des repères précieux pour les responsables de communication, les rédacteurs en chef, les juristes et les responsables sécurité. En fin de compte, l’objectif est d’assurer une utilisation responsable et éthique des technologies d’IA générative, de renforcer la sécurité numérique et de préserver la fiabilité des informations diffusées au public.

Ressources et perspectives : approfondir la détection des images générées par IA

Pour les lecteurs souhaitant approfondir le sujet, plusieurs ressources et analyses complémentaires explorent les mécanismes, les limites et les bonnes pratiques autour des outils de détection. Parmi les références pertinentes, des articles techniques et des dossiers spécialisés décrivent les principes des C2PA, les propriétés des filigranes invisibles et les questions liées à l’interopérabilité entre plateformes. Ces sources aident les professionnels à mieux comprendre les enjeux, à évaluer les solutions disponibles et à préparer l’intégration dans des contextes organisationnels variés. Elles offrent également des perspectives sur l’évolution du paysage des contenus générés par IA et sur les réponses possibles des parties prenantes face à ces innovations.

Dans le cadre d’un panorama plus large, des analyses médiatiques et techniques proposent des retours d’expérience et des points de vue critiques sur les limites et les potentiels des outils de détection. Ces ressources permettent d’enrichir la réflexion stratégique et d’identifier les meilleures pratiques à adopter pour sécuriser les contenus et renforcer la confiance du public dans l’information. L’ensemble de ces éléments contribue à nourrir une approche proactive et mesurée vis-à-vis des technologies d’IA générative, en privilégiant la transparence, la responsabilité et la sécurité numérique comme socles de confiance dans un monde numérique en évolution rapide.

Tableau récapitulatif des signaux et de leurs capacités

1. Les signaux doivent être implémentés et maintenus dans une logique d’interopérabilité transversale.
2. Les flux de travail doivent prévoir des vérifications humaines pour les cas ambigus.
3. Les organisations doivent communiquer clairement sur les résultats et les limites des détections.
4. Les formats pris en charge doivent rester compatibles avec les pratiques de publication courantes.
5. Le cadre éthique doit guider l’utilisation et les droits des auteurs et des éditeurs.

FAQ

Comment fonctionne l’outil OpenAI pour détecter les images générées par ChatGPT ?

L’outil s’appuie sur deux signaux complémentaires: les métadonnées C2PA qui enregistrent la provenance et les modifications, et le filigrane invisible SynthID qui résiste à des manipulations. Une analyse rapide est effectuée après téléchargement du visuel pour indiquer la probabilité d’origine OpenAI.

Quelles plateformes et formats sont pris en charge ?

Pour le moment, l’outil accepte les formats PNG, JPEG et WEBP et est accessible via une interface en ligne en mode preview. L’objectif est d’étendre progressivement la compatibilité à davantage de plateformes et de formats.

Quelles sont les limites connues de cet outil ?

Aucun système n’est infaillible; des faux positifs et des cas ambigus peuvent exister, notamment lorsque les métadonnées sont supprimées ou modifiées. L’usage se fait en complément d’autres vérifications et d’un cadre éthique clair.

Comment accéder à l’outil et que faire en cas de doute ?

L’accès se fait via l’interface publique d’OpenAI en mode preview. En cas de doute, croiser les résultats avec d’autres sources, consulter les métadonnées associées et impliquer les experts en vérification est recommandé.