C2PA et filigrane IA face à la fraude documentaire

Un badge « Content Credentials » sur une image ne dit rien sur l'authenticité d'un bulletin de salaire scanné trois fois, recadré, puis réenregistré en JPEG. C'est pourtant ce qu'attendent implicitement beaucoup d'équipes conformité depuis que le C2PA, les Content Credentials et le filigrane IA de type SynthID occupent le devant de la scène médiatique. Ces standards répondent à un problème réel — savoir qui a produit un contenu — mais pas à celui que rencontrent les équipes KYC et crédit au quotidien : savoir si le document qu'un client vient de téléverser a été fabriqué ou modifié.

Cet article est fourni à titre informatif et ne constitue pas un conseil juridique, financier ou réglementaire. Les références réglementaires sont exactes à la date de publication. Consultez un professionnel qualifié pour un accompagnement adapté à votre situation.

Que couvrent réellement le C2PA et les Content Credentials

Le C2PA (Coalition for Content Provenance and Authenticity) est une norme technique qui attache à un fichier un historique cryptographiquement signé de ses éditions successives, depuis la capture ou la génération jusqu'à la publication. Content Credentials est l'implémentation qu'Adobe a bâtie sur cette norme et qu'elle diffuse dans Photoshop et Firefly ; Google, Microsoft, OpenAI et Meta ont chacun annoncé en 2026 des intégrations partielles dans leurs propres générateurs d'image. Le standard décrit donc une chaîne de production déclarée par les outils qui l'implémentent, et rien d'autre.

La spécification C2PA documente la provenance d'un fichier telle que rapportée par l'application créatrice, jamais l'authenticité du contenu qu'il représente — un point que le consortium lui-même formule dans sa documentation technique (c2pa.org). Un scanner de banque, un logiciel de paie ou l'éditeur PDF utilisé pour falsifier une attestation n'ont aucune obligation d'émettre ce type de métadonnées, et la quasi-totalité ne le font pas.

Pourquoi le filigrane IA ne suffit pas à détecter un faux document

Le filigrane numérique et les métadonnées C2PA disparaissent dès qu'un fichier est recompressé, photographié à l'écran ou réenregistré dans un autre format. Une enquête menée en 2026 a montré que l'outil de vérification Content Credentials ne reconnaissait plus l'origine d'un fichier généré par les partenaires du consortium dès que le format ou des réglages simples comme la luminosité avaient été modifiés (France 24). Le cycle classique de la fraude documentaire — capture d'écran, impression, nouveau scan, retouche — efface ces métadonnées à chaque étape, sans même viser volontairement à contourner le standard.

Quatre limites structurelles expliquent cet écart entre promesse et usage réel.

• La perte de métadonnées lors des conversions courantes. Un export PDF vers image, une compression pour envoi par messagerie ou un simple copier-coller dans un autre document suffisent à faire tomber le C2PA.
• La boucle capture-impression-rephotographie. Un document falsifié imprimé puis rescanné repart avec des métadonnées entièrement neuves, sans trace de la manipulation d'origine.
• L'absence d'obligation pour les émetteurs et les scanners. Aucun texte n'impose à une préfecture, une banque, un service RH ou un fabricant de scanner d'équiper ses outils du standard C2PA — un document falsifié avant même d'entrer dans le circuit ne portera jamais de Content Credentials à vérifier.
• Le contournement par des modèles ouverts. Les modèles de génération d'image open source de type Stable Diffusion ou Flux, ainsi que leurs dérivés, n'intègrent pas C2PA par défaut et ne sont soumis à aucune obligation technique de le faire.

Aucun modèle de génération d'image open source ne signe ses sorties avec C2PA par défaut, ce qui laisse hors du radar du standard une part entière de la production de faux documents (Génération-NT). Les outils de suppression ou de contournement de filigrane existent déjà pour les modèles propriétaires eux-mêmes, avec une fiabilité encore inégale selon les cas.

Ce que change, et ne change pas, l'article 50 de l'AI Act depuis le 2 août 2026

L'article 50 du règlement (UE) 2024/1689 impose, depuis le 2 août 2026, aux fournisseurs de systèmes d'IA générative de marquer les contenus de synthèse dans un format lisible par machine et détectable comme généré ou manipulé par IA. Les déployeurs de deepfakes doivent, de leur côté, informer les personnes exposées au contenu de son caractère artificiel, sauf exceptions limitées (œuvre manifestement artistique, usage légal de détection ou de recherche).

L'obligation de marquage de l'article 50 pèse sur les fournisseurs de systèmes d'IA générative et sur les déployeurs de deepfakes, pas sur les émetteurs de documents officiels ni sur les scanners utilisés pour falsifier un justificatif existant (EUR-Lex, règlement (UE) 2024/1689, article 50). Un bulletin de salaire retouché dans un éditeur PDF classique, sans passer par un générateur d'image IA, échappe donc entièrement au périmètre du texte. La CNIL rappelle par ailleurs que le marquage d'un contenu IA ne préjuge en rien de la licéité de son traitement au regard du RGPD, deux questions juridiques distinctes qu'il convient de ne pas confondre (cnil.fr).

Ce que le C2PA et le filigrane détectent, et ce qu'ils manquent

Un tableau comparatif rend visible l'écart entre ce que les standards de provenance couvrent et ce que la fraude documentaire exploite en pratique.

Pourquoi la détection forensique multicouche reste indispensable

La détection forensique combine plusieurs couches de vérification indépendantes de toute déclaration de provenance : analyse ELA (Error Level Analysis) pour repérer les zones recompressées différemment, lecture des métadonnées EXIF résiduelles, contrôle de la cohérence structurelle et typographique face aux gabarits officiels, recoupement entre les différentes pièces d'un même dossier, et signaux de génération par IA. Chacune de ces couches répond à un mode de fraude que le C2PA ne couvre pas, plutôt que de dupliquer une même vérification.

Sur ce dernier point, une couche additionnelle de signaux de génération IA déployée selon configuration client s'ajoute aux contrôles structurels existants plutôt qu'elle ne les remplace, avec une détection des contenus synthétiques en complément des contrôles structurels existants plutôt qu'en substitution. CheckFile prend en charge plus de 3 200 types de documents, 24 langues d'OCR et 32 juridictions couvertes, ce qui permet de confronter chaque pièce à des gabarits de référence propres à son pays d'émission plutôt qu'à un modèle générique.

Les organisations qui s'appuient uniquement sur un contrôle manuel détectent en moyenne 37 % des fraudes, avec un délai moyen de 87 jours avant identification (ACFE, Report to the Nations 2024). Ce délai laisse le temps à un dossier frauduleux de produire ses effets bien avant qu'un contrôle a posteriori ne le rattrape, d'où l'intérêt d'une vérification automatisée en amont du traitement. 69 % des entreprises françaises déclarent avoir été victimes d'au moins une forme de fraude selon l'édition 2025 de l'Economic Crime Survey de PwC, un chiffre qui confirme que la question dépasse largement les seuls établissements bancaires (PwC). L'ENISA range par ailleurs la fraude assistée par IA générative parmi les menaces en forte progression dans son Threat Landscape 2024, aux côtés du phishing et des deepfakes vocaux (ENISA).

Ce que remontent les professionnels de la conformité

Sur les forums spécialisés, les professionnels de la conformité s'interrogent souvent sur la fiabilité réelle d'un badge de provenance une fois qu'un fichier a transité par une messagerie, un outil d'archivage ou une simple réimpression, et sur la manière de distinguer un vrai faux d'un document authentique légèrement retouché pour l'envoi. Cette question rejoint un constat technique documenté : les détecteurs de filigrane ne renvoient pas toujours un verdict binaire, mais parfois un état incertain lorsque le fichier a trop circulé, ce qui laisse l'analyste sans réponse exploitable au moment où il en a besoin.

Un deuxième point revient régulièrement : comment traiter un document produit par un modèle qui ne s'embarrasse d'aucun standard de provenance. C'est précisément le terrain sur lequel les méthodes de détection de la fraude documentaire par IA apportent une réponse que le C2PA ne peut pas fournir, en observant le fichier lui-même plutôt que sa déclaration d'origine. Comprendre la manière dont les modèles génératifs produisent des faux documents aide aussi à anticiper les artefacts que ces outils laissent malgré l'absence de filigrane.

Ce qu'il faut retenir pour les équipes conformité

Un badge de provenance rassure, mais il ne remplace pas un contrôle structurel du document. Les équipes KYC et crédit gagnent à traiter C2PA comme un signal parmi d'autres plutôt que comme une preuve d'authenticité en soi, et à s'appuyer sur notre guide de vérification des documents pour construire un processus de contrôle qui ne dépend d'aucun standard de provenance en particulier. Cette logique s'applique aussi bien aux équipes KYC bancaires qu'aux fonctions sécurité chargées d'arbitrer entre rapidité de traitement et niveau de contrôle.

Questions fréquemment posées

Qu'est-ce que le C2PA et à quoi sert-il concrètement

Le C2PA est une norme technique qui attache à un fichier un historique signé de ses éditions, depuis l'outil qui l'a créé jusqu'à sa dernière modification déclarée. Il répond à une question de provenance déclarative, pas à une question d'authenticité du contenu représenté.

Le badge Content Credentials peut-il être supprimé d'un fichier

Oui. Une capture d'écran, une réimpression, une conversion de format ou une simple compression suffisent à faire disparaître les métadonnées C2PA, y compris sans intention de fraude de la part de l'utilisateur.

Le marquage prévu par l'article 50 de l'AI Act rend-il un document fiable

Non. L'article 50 impose un marquage aux fournisseurs de systèmes d'IA générative et aux déployeurs de deepfakes depuis le 2 août 2026, mais ne couvre ni les émetteurs de documents officiels ni les modifications réalisées avec des outils d'édition classiques.

Comment détecter un faux document produit par un modèle IA sans C2PA

En combinant plusieurs signaux indépendants de la provenance déclarée : analyse ELA, lecture des métadonnées EXIF, cohérence structurelle et typographique face aux gabarits officiels, et recoupement entre les pièces d'un même dossier.

CheckFile peut-il garantir qu'un document est authentique

Non, et aucun outil de détection ne peut faire cette promesse de façon absolue. CheckFile analyse vos dossiers et signale les indices de génération IA en complément de vos contrôles existants, au même titre que pour la détection de deepfakes, sans se substituer au jugement des équipes conformité.

Le C2PA et le filigrane IA continueront de progresser à mesure que les grands éditeurs les intègrent, mais leur périmètre restera celui de la provenance déclarative, pas celui de l'authentification. Pour les équipes qui traitent des dossiers de financement, de KYC ou d'assurance, la réponse reste une détection de deepfakes et de contenus générés par IA intégrée à un contrôle forensique multicouche, plutôt qu'un badge à vérifier au cas par cas. Pour évaluer cette approche sur vos propres volumes, consultez nos tarifs ou contactez l'équipe CheckFile.