Documents générés par IA : détecter les artefacts visuels de fraude au Québec

Un document généré par IA se repère par trois familles d'artefacts visuels : une texture de fond trop régulière là où un vrai papier présente un grain irrégulier ; un éclairage incohérent, avec des ombres portées dans des directions contradictoires ; et une divergence entre les données lisibles à l'œil et les données encodées dans une zone structurée (MRZ, code-barres, code QR). Ces trois signaux deviennent détectables dès qu'on sait où les chercher — un enjeu qui a pris une dimension réglementaire nouvelle au Québec depuis l'adoption de la Loi 24 sur l'usurpation d'image et d'identité.

Cet article est fourni à titre informatif et ne constitue pas un conseil juridique ou réglementaire.

Qu'est-ce qu'un artefact visuel de génération IA dans un document

Un document généré par IA appartient à l'une de deux catégories. Les documents entièrement synthétiques sont produits de zéro par un modèle génératif — GAN ou modèle de diffusion — entraîné à reproduire l'apparence d'un type de document (permis de conduire, carte RAMQ, justificatif de domicile, talon de paie, relevé bancaire) sans jamais partir d'un exemplaire réel. Les documents partiellement modifiés partent d'un numérisé authentique dont certains champs (nom, montant, date, photo) sont remplacés par un contenu généré, technique plus difficile à détecter puisqu'elle conserve les éléments de sécurité réels du document.

Un artefact visuel, au sens forensique, est une trace laissée par le processus de génération lui-même — pas par une manipulation manuelle. Un modèle de diffusion construit une image par débruitage progressif à partir d'un bruit aléatoire : ce processus statistique produit des textures dont la distribution de fréquences diffère mesurablement de celle d'une photographie réelle, même quand l'image semble parfaite à l'œil nu (arXiv, Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents).

La détection des contenus synthétiques s'ajoute en complément des contrôles structurels et métadonnées existants, sous forme de couche additionnelle déployée selon la configuration client et le profil de risque sectoriel — une approche qui rejoint notre guide sur la détection des deepfakes documentaires.

Pourquoi ce vecteur de fraude progresse et qui est ciblé au Canada

Le coût de production d'un faux document a chuté avec la démocratisation des outils génératifs grand public depuis 2024, tandis que la détection manuelle reste structurellement lente : selon l'Association of Certified Fraud Examiners, la détection purement manuelle ne capture que 37 % des cas de fraude documentaire, avec un délai moyen de détection de 87 jours (ACFE, Report to the Nations 2024). Le Bureau du surintendant des institutions financières (BSIF), régulateur prudentiel fédéral, consacre désormais un volet de son cadre AGILE à la fraude assistée par IA comme risque émergent pour les institutions financières canadiennes (BSIF, FIFAI II), tandis que l'AMF Québec a renforcé sa capacité de détection de fraude grâce à l'IA dans le cadre de sa surveillance des marchés financiers. Le CANAFE maintient de son côté une page d'alerte à la fraude consacrée aux fausses représentations et communications frauduleuses (CANAFE, Alerte à la fraude).

Les secteurs les plus exposés sont ceux qui traitent un volume élevé de justificatifs à distance, sans contact physique avec le porteur du document : le crédit à la consommation (faux talons de paie, faux relevés bancaires gonflant des ressources), l'assurance (faux justificatifs de sinistre), la location immobilière (marchés tendus de Montréal et de Québec) et le recrutement (faux diplômes, fausses attestations d'emploi). L'instructeur humain dispose de quelques secondes par dossier pour valider un document qu'un modèle génératif a mis quelques dizaines de secondes à produire.

Comment repérer concrètement ces artefacts : texture, éclairage, motifs

Trois catégories de signaux se recoupent dans une analyse forensique sérieuse, par ordre de fiabilité observée.

La texture et le bruit statistique. Un numérisé ou une photo d'un document authentique porte un bruit de capteur et un grain d'impression aléatoires, liés au support. Un document généré par diffusion produit au contraire des textures de fond (guilloché, trame de sécurité, papier watermarké) statistiquement trop régulières, avec une périodicité que l'œil ne perçoit pas mais qu'une analyse fréquentielle détecte. À l'inverse, certains modèles récents sur-corrigent et ajoutent un bruit artificiel uniforme qui ne varie pas selon la zone, contrairement à un vrai grain de numérisation.

L'éclairage et la géométrie des ombres. Une photographie authentique respecte une source lumineuse unique : les ombres portées par un pli, une agrafe ou un relief suivent toutes la même direction. Les modèles génératifs peinent à maintenir cette cohérence, en particulier sur les zones en relief (estampilles, hologrammes simulés, signatures) où des ombres contradictoires trahissent la synthèse.

La cohérence entre champ visuel et champ encodé. Sur les documents structurés — permis de conduire ou carte RAMQ avec zone MRZ, facture avec code QR —, l'information doit être identique entre ce qui est lisible visuellement et ce qui est encodé. Un modèle génératif échoue fréquemment à générer une zone MRZ dont la clé de contrôle est mathématiquement valide, ou produit une date de naissance visuelle qui ne correspond pas à la date encodée — un signal difficile à falsifier sans connaître l'algorithme de contrôle.

Tableau comparatif : document authentique vs document généré par IA

Une analyse isolée d'un seul de ces signaux produit un taux de faux positifs trop élevé pour un usage opérationnel ; c'est le croisement de plusieurs signaux indépendants qui rend la détection actionnable, un principe détaillé dans notre article sur l'analyse en niveau d'erreur (ELA) appliquée à la fraude documentaire, une technique complémentaire centrée sur les artefacts de compression.

Ce que demandent les professionnels sur les forums spécialisés

Les forums de conformité font remonter des questions récurrentes. La première porte sur la fiabilité perçue : un document qui « a l'air parfait » peut-il malgré tout être un faux généré par IA ? La réponse est oui, et c'est précisément le problème : la perfection visuelle est devenue un signal neutre, alors qu'elle constituait auparavant un indice de fiabilité.

Une deuxième question porte sur la différence entre un document retouché et un document entièrement généré : la retouche laisse des artefacts de compression localisés, tandis que la génération intégrale laisse des artefacts statistiques répartis sur toute l'image.

Une troisième interrogation, plus opérationnelle, concerne le volume : comment traiter plusieurs centaines de dossiers par semaine, reçus par courriel ou téléversés depuis un cellulaire, sans qu'un instructeur examine chaque texture au zoom maximal ? C'est ce qui justifie l'automatisation de cette première passe de détection, avant intervention humaine sur les dossiers signalés.

Cadre réglementaire : Loi 24, LRPCFAT, Loi 25 et Code criminel du Canada

Le Québec s'est doté d'un outil directement pertinent pour ce vecteur de fraude : la Loi 24, Loi protégeant le consommateur contre l'utilisation trompeuse ou frauduleuse de l'identité ou de l'image d'une personne, adoptée le 13 juin 2026. Elle vise l'usurpation d'identité et d'image par des moyens synthétiques — hypertrucages, documents ou publicités générés par IA reprenant l'apparence d'une personne réelle sans consentement — et confère à l'Office de la protection du consommateur (OPC) et à l'Autorité des marchés financiers (AMF) de nouveaux pouvoirs d'ordonnance pour forcer l'arrêt de cette utilisation (Québec, communiqué officiel ; OPC, dossier Usurpation). Pour les entreprises qui traitent des justificatifs contenant l'image d'un client, la Loi 24 ajoute une dimension consumériste à un risque déjà couvert par les obligations LCB-FT.

Les entités déclarantes assujetties à la Loi sur le recyclage des produits de la criminalité et le financement des activités terroristes (LRPCFAT) restent tenues de transmettre une déclaration d'opération douteuse au CANAFE dès qu'un doute documentaire sérieux subsiste sur une pièce d'un dossier. Au Québec, l'AMF supervise en parallèle les institutions financières provinciales et peut exiger des mesures de vigilance additionnelles sur les documents d'identité et de revenus.

Le traitement de documents contenant des renseignements personnels — y compris les indices d'artefacts détectés lors d'une vérification — est encadré par la Loi 25 au Québec et, pour les entités sous compétence fédérale, par la LPRPDE, dont l'application relève au Québec de la Commission d'accès à l'information (CAI).

Sur le plan pénal, la fabrication ou l'usage d'un document généré par IA à des fins frauduleuses relève des dispositions relatives au faux du Code criminel du Canada, une qualification qui ne dépend pas de la technique employée (Justice Canada, Lois codifiées).

Dans ce contexte, une plateforme comme CheckFile permet aux équipes de conformité québécoises de signaler les indices de génération IA en complément de leurs contrôles existants, sans prétendre à une détection exhaustive de tous les artefacts possibles. Notre page détection des fraudes documentaires et des signaux IA détaille cette couche, applicable au KYC bancaire comme au financement et leasing ; les mesures de protection des données sont décrites sur notre page sécurité.

Questions fréquemment posées

Comment savoir si un document a été généré par IA sans outil spécialisé ?

Cherchez une texture de fond trop uniforme, des ombres incohérentes sur les estampilles ou reliefs, et un texte fin flou en zoom élevé. Ces indices restent insuffisants seuls : une analyse automatisée croisant texture, métadonnées et cohérence inter-champs reste nécessaire pour un usage opérationnel fiable.

Un document généré par IA a-t-il forcément des défauts visibles ?

Non, et c'est ce qui rend ce vecteur dangereux : les modèles de diffusion récents produisent des images très convaincantes. Les artefacts détectables se situent souvent au niveau statistique (distribution de bruit, cohérence MRZ) plutôt qu'au niveau visuel évident.

Quelle différence entre un document retouché et un document entièrement généré par IA ?

Un document retouché part d'un numérisé authentique dont un champ a été modifié, laissant des artefacts de compression localisés sur la zone éditée. Un document entièrement généré n'a jamais existé physiquement et présente des artefacts statistiques répartis sur toute l'image.

La zone MRZ peut-elle vraiment trahir un faux document généré par IA ?

Oui, c'est un des signaux les plus fiables. Un modèle génératif échoue souvent à produire une zone MRZ dont la clé de contrôle mathématique est valide, ou génère une incohérence entre la donnée visuelle et la donnée encodée.

La Loi 24 s'applique-t-elle à la détection de faux documents générés par IA ?

La Loi 24 vise d'abord l'usurpation trompeuse ou frauduleuse de l'identité et de l'image d'une personne. Elle recoupe la détection de documents générés par IA lorsque le document synthétique reprend la photo ou l'identité d'une personne réelle, et donne à l'OPC et à l'AMF des pouvoirs d'ordonnance pour faire cesser cet usage, en complément des obligations LCB-FT déjà applicables.

Que risque une entreprise qui accepte sans contrôle un document généré par IA dans un dossier de crédit ?

Au-delà de la perte financière, l'établissement s'expose à un manquement à ses obligations de vigilance LRPCFAT si le doute documentaire n'a pas donné lieu à une déclaration d'opération douteuse au CANAFE, indépendamment de la responsabilité pénale de l'auteur du faux document et, le cas échéant, des pouvoirs d'ordonnance prévus par la Loi 24.

En complément de vos contrôles existants

Les artefacts visuels de génération IA ne remplacent pas les signaux traditionnels de fraude documentaire — métadonnées, cohérence inter-documents, vérification à la source — mais s'y ajoutent comme une couche supplémentaire, particulièrement utile face aux documents entièrement synthétiques. Pour évaluer comment cette couche s'intègre à votre processus actuel, consultez notre page détection des fraudes documentaires et signaux IA ou comparez les formules et tarifs. Pour une vue d'ensemble, voir notre guide complet de vérification des documents.