Photo de dégât générée par IA : la nouvelle menace pour les remboursements

Cet article a une vocation informative. Il ne constitue ni un conseil juridique, ni une recommandation réglementaire, et ne remplace pas l'avis d'un juriste ou d'un responsable conformité qualifié.

Une photo de dégât générée par IA n'est pas une photo retouchée d'un produit réel : c'est une image produite de toutes pièces par un modèle texte-vers-image à partir d'une simple description, sans qu'aucun appareil photo ni aucun produit réel n'ait jamais existé. Cette différence renverse la logique de détection habituelle : la recherche d'image inversée, arme la plus efficace contre une photo réelle retouchée, ne trouve rien à comparer, tandis que les signaux les plus fiables contre une image synthétique sont l'absence de provenance de capture authentique, les artefacts propres aux modèles de génération, et les scores de classifieurs IA dédiés.

Pourquoi ce problème diffère d'une photo truquée

Une photo de dégât synthétique fait l'impasse sur l'étape dont dépend toute fraude par retouche : partir de quelque chose de réel. En France, ce basculement s'observe déjà concrètement : selon Siècle Digital, une arnaque repérée sur la plateforme Vinted consiste à envoyer une image entièrement générée par IA représentant un article endommagé pour obtenir un remboursement, sans qu'aucun article n'ait jamais été réellement abîmé. Notre article consacré aux photos de dégât truquées et aux signaux de retouche détaille les vérifications de clonage, de compression localisée et de métadonnées qui démasquent une photo réelle modifiée — des vérifications qui ne s'appliquent pas ici, faute d'image d'origine à comparer à l'image générée.

Une enquête Verisk de mars 2026 relève que 99 % des assureurs déclarent avoir déjà rencontré une documentation de sinistre manipulée ou modifiée par IA, et 98 % estiment que les outils de retouche et de génération par IA alimentent une hausse mesurable de la fraude documentaire, d'après la couverture de SAS sur cette bascule vers la fraude par image synthétique. Le même constat s'applique aux plateformes de vente entre particuliers, plusieurs ayant reconnu ne pas être en mesure de déterminer si une photo jointe à une demande de remboursement avait été générée par IA avant de déployer des outils de détection dédiés.

Signal 1 : aucune prise de vue n'a jamais eu lieu — la provenance est absente ou fabriquée

Une photo issue d'un véritable appareil embarque de plus en plus un manifeste de type Content Credentials — un enregistrement signé de l'appareil ou du logiciel à l'origine de l'image — manifeste qui, sur une image synthétique, est soit absent, soit générique, soit fabriqué. La Coalition for Content Provenance and Authenticity (C2PA) est la norme technique derrière ce mécanisme : les smartphones récents, ainsi que des générateurs majeurs comme Adobe Firefly ou l'outil image de ChatGPT/DALL-E d'OpenAI, intègrent désormais un manifeste signé consignant l'origine de capture ou de génération. En vertu de l'article 50 du règlement européen sur l'IA, les fournisseurs de systèmes d'IA générant du contenu image synthétique doivent s'assurer que leurs sorties sont marquées dans un format lisible par machine et détectables comme générées artificiellement — une obligation applicable depuis le 2 août 2026.

Une limite opérationnelle demeure : Midjourney et plusieurs déploiements ouverts de Stable Diffusion ne signent pas encore systématiquement leurs sorties, et la plupart des messageries ou plateformes suppriment le manifeste existant lors du réenvoi de l'image. L'absence de marqueur ne prouve donc rien à elle seule — mais un manifeste identifiant positivement un générateur IA constitue une preuve quasi définitive, ce qui fait de la vérification de provenance un premier filtre, pas une solution à elle seule.

Signal 2 : les artefacts de génération qu'un modèle de diffusion ne peut pas éviter

Un générateur d'images par diffusion construit une scène à partir de bruit plutôt que de capturer la lumière à travers un objectif, et ce procédé laisse des traces qu'un appareil photo ne peut physiquement pas produire : des textures répétées qui ne se raccordent pas correctement sur le bord d'un tissu « déchiré », des reflets qui ne convergent vers aucune source de lumière cohérente, et un niveau de détail — couture, grain, rayure — plausible au premier regard mais qui ne résiste pas à un examen pixel par pixel. Les travaux académiques de benchmarking tels que le Visual Counter Turing Test documentent que les familles de générateurs varient fortement dans leur capacité à masquer ces traces, certains pipelines de diffusion s'avérant nettement plus difficiles à repérer à partir du seul contenu de l'image que d'autres.

Les indices spécifiques au dommage aggravent cet écart : un écran « fissuré » ou une couture « déchirée » généré par un modèle entraîné surtout sur des photos de produits intacts rend souvent la cassure avec une symétrie anormale ou une texture qui ne correspond pas au matériau environnant — une incohérence qu'une retouche par clonage sur une photo réelle, paradoxalement, produit moins souvent.

Signal 3 : introuvable ailleurs, et c'est précisément le problème

La recherche d'image inversée est le meilleur signal disponible contre une photo réelle réutilisée, et elle devient quasi inutile face à une image entièrement synthétique, puisqu'une image générée n'a jamais été publiée, indexée, ni rattachée à une annonce antérieure nulle part. Les équipes qui s'appuient sur des outils comme Google Images ou TinEye comme rempart principal — l'approche que couvre notre article sur les photos de sinistre recyclées pour les preuves réutilisées — obtiendront zéro correspondance sur une photo de dégât synthétique et pourraient y lire un signal rassurant, alors qu'un résultat sans correspondance est exactement aussi cohérent avec « fraîchement généré par IA » qu'avec « authentique et jamais publié ».

C'est la distinction opérationnelle la plus nette entre ces deux types de fraude : une photo réelle retouchée se démasque en prouvant qu'elle existait ailleurs avant le dossier ; une photo générée se démasque en prouvant qu'elle n'a jamais été réelle nulle part.

Signal 4 : des classifieurs IA dédiés, notés par famille de générateur

Les modèles de détection spécialisés — des API commerciales telles que Sightengine et Hive en sont deux exemples largement utilisés — renvoient un score de probabilité accompagné d'une estimation du générateur probable, plutôt qu'une simple réponse binaire générique. Cette décomposition par générateur compte, car la précision de détection varie fortement selon les outils : un classifieur calibré sur des sorties DALL-E ou Firefly ne se transpose pas automatiquement à Midjourney ou à un pipeline open source affiné, ce qui interdit de traiter un score de classifieur isolé comme un verdict final.

Deux limites pratiques s'imposent : une recompression, un redimensionnement ou une retouche légère après génération peuvent mesurablement abaisser le score de confiance d'un classifieur sans effacer toutes les traces sous-jacentes, et aucun benchmark public ne montre un détecteur commercial conservant une précision stable et indépendante du générateur sur l'ensemble des principaux outils — ce qui explique pourquoi un score de classifieur constitue un élément d'analyse parmi d'autres, jamais un motif de rejet à lui seul.

Ce qui apparaît déjà dans les dossiers de sinistres et de retours

En Allemagne, les assureurs ont enregistré une hausse de plus de 1 100 % des tentatives de fraude liées aux deepfakes début 2025, selon des informations citant la GDV (Gesamtverband der Deutschen Versicherungswirtschaft), fédération professionnelle de l'assurance allemande — une tendance directement liée, selon la même source, à l'accessibilité des outils de génération d'images pour gonfler ou inventer des dégâts plutôt que pour modifier des dommages réels. Un cas rapporté par le média juridique brésilien ConJur décrit une expertise automobile soumise entièrement sous forme d'images et de vidéos générées par IA, démasquée uniquement parce que les métadonnées de l'envoi situaient l'expéditeur en Chine plutôt qu'à l'adresse du véhicule déclaré — un rappel que la provenance et la géolocalisation des métadonnées révèlent souvent ce que l'analyse pixel seule ne détecte pas.

Ce que demandent réellement les équipes sinistres et support

Les échanges entre spécialistes de la lutte antifraude sur les forums professionnels portent surtout sur des seuils opérationnels, loin des discours marketing sur la « détection à 100 % ».

« Si notre détecteur signale une image comme générée par IA, cela suffit-il à rejeter le dossier seul ? » Aucun outil ne devrait porter seul cette responsabilité. Un signalement de classifieur documente un motif de revue humaine — idéalement accompagné d'une demande de photos sous d'autres angles, d'un objet de référence dans le cadre, ou d'un appel vidéo en direct — pas un rejet automatique, d'autant que les performances des détecteurs varient fortement selon le générateur.

« Une vraie photo de smartphone peut-elle être signalée comme générée par IA simplement parce qu'une plateforme l'a recompressée ? » Cela arrive, ce qui justifie précisément de lire un score de classifieur en complément des signaux de provenance et de contenu plutôt que de s'y fier seul ; une forte recompression peut dégrader les indices pixel dont dépend un classifieur, dans un sens comme dans l'autre.

Organiser ces signaux dans un flux de traitement, pas dans un verdict unique

Aucun de ces signaux ne doit déclencher seul un rejet automatique : un dossier sans signal détecté suit son traitement standard, un signal isolé — manifeste absent, score de classifieur limite — oriente vers une revue humaine documentée, et plusieurs signaux convergents justifient une demande de preuves complémentaires ou une inspection en direct avant toute décision. Notre article sur la revue de photos de sinistres à grande échelle détaille cette architecture à trois niveaux, transposable aux retours e-commerce comme aux sinistres d'assurance. Pour une vue d'ensemble des méthodes de contrôle documentaire, consultez notre guide de la vérification documentaire.

Questions fréquemment posées

La recherche d'image inversée peut-elle démasquer une photo de dégât générée par IA ?

Rarement. La recherche inversée fonctionne en retrouvant une publication antérieure de la même image, et une photo générée n'a jamais été publiée nulle part avant le dossier ; un résultat sans correspondance ne prouve donc rien dans un sens comme dans l'autre.

L'absence de manifeste Content Credentials prouve-t-elle qu'une photo est authentique ?

Non. Plusieurs générateurs majeurs, dont Midjourney et certains déploiements open source de Stable Diffusion, ne signent pas encore systématiquement leurs sorties, et la plupart des plateformes suppriment les manifestes à l'envoi, quelle que soit l'origine de l'image.

Les détecteurs commerciaux d'images IA sont-ils assez fiables pour rejeter un dossier automatiquement ?

Non, pas à eux seuls. La précision de détection varie selon le générateur et se dégrade après recompression ou retouche légère ; un signalement doit déclencher une revue humaine documentée, jamais un rejet automatique.

Une photo de dégât générée par IA est-elle toujours plus soignée qu'une photo réelle ?

Non. Les rendus de dommages spécifiques présentent souvent une symétrie anormale ou une incohérence de texture autour de la zone « endommagée », ce qui peut la rendre moins convaincante qu'une véritable photo de smartphone, pas plus.

Les retours e-commerce et les sinistres d'assurance nécessitent-ils des seuils de détection IA différents ?

Oui, en pratique. Les profils de photos légitimes varient selon le contexte, si bien que le seuil de revue pertinent pour un retour électronique ne l'est pas nécessairement pour un sinistre habitation.

---

Les signaux décrits ici s'ajoutent aux contrôles de détection de retouche présentés dans notre article sur les photos de dégât truquées, en combinant cohérence structurelle, provenance des métadonnées et, lorsque la configuration client l'active, détection de contenus générés par IA en complément des contrôles existants — jamais un verdict autonome, jamais un substitut à une revue documentée. Aucune méthode n'atteint une détection à 100 %. CheckFile intègre ces contrôles dans le traitement des retours et des sinistres, aussi bien pour les plateformes d'e-commerce que pour les assureurs ; consultez notre page sécurité ou nos modalités tarifaires pour en savoir plus.