I Built An AI Slop Detector

I Built An AI Slop Detector

J'ai construit un détecteur de slop IA

par Matt Wolfe · Voir la chaîne sur PSI

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Matt Wolfe 👥 1.0M 📅 9 septembre 2026 ⏱ 20 min 👁 570 📄 tutoriel 🧭 2026-09-09
Disponible en : Français (actuel) English

Mots-clés

détectionIA vidéoslopLLMAPI

Résumé

Matt Wolfe, créateur de contenu sur l’IA, constate la prolifération de vidéos générées par IA qui trompent le public. Il décide de créer un outil en ligne capable de détecter si une vidéo est générée par IA à partir d’une simple URL. Il utilise ChatGPT et son environnement de codage (Codex) pour construire un site web, en intégrant le modèle Gemini de Google pour l’analyse vidéo. Les premiers tests sont infructueux : le détecteur ne reconnaît pas une vidéo clairement générée (le ‘Fart Zuka’). Après plusieurs itérations et plus de huit heures de traitement, il intègre une API tierce appelée Site Engine, qui semble plus efficace. Après ajustements, l’outil parvient à identifier correctement certaines vidéos IA et réelles, mais les résultats restent partiels et dépendent du coût élevé de l’API. L’auteur explore les coûts des opérations (milliers d’opérations consommées) et conclut qu’il ne peut pas mettre l’outil en ligne gratuitement. Il publie le code sur GitHub pour que chacun puisse l’utiliser avec sa propre clé API. Il remet en question l’idée que l’AGI est atteint, car les meilleurs modèles IA échouent à détecter du contenu IA simple, alors qu’un humain le peut. La vidéo se termine par une invitation à s’abonner à sa chaîne.

204 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur principale réside dans la transparence du processus de développement : l’auteur montre les limites des approches naïves, l’échec des modèles génératifs à détecter leurs propres productions, et le recours à un outil spécialisé (Site Engine). L’argumentation est solide et étayée par des exemples concrets (vidéos testées, résultats obtenus), mais elle reste anecdotique et non systématique. Les conclusions sur l’AGI sont découlées de l’expérience personnelle et manquent de démonstration formelle ; elles sont présentées comme une réflexion personnelle plutôt qu’une preuve. La discussion sur les coûts des API apporte un éclairage pratique sur les obstacles à la déploiement de tels outils.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est limitée : l’auteur s’appuie sur son expérience empirique, sans protocole de test validé ni échantillon représentatif. Il cite des outils comme SynthID et Site Engine, mais ne fournit pas de références bibliographiques précises, renvoyant seulement vers son dépôt GitHub et ses réseaux sociaux. Le titre est adéquat, mais le contenu relève plus d’un vlog technique que d’une analyse scientifique. La description contient des liens vers des ressources (GitHub, Future Tools) mais aucune indication sur la méthodologie de test ou les critères d’évaluation. La chaîne a une orientation vulgarisation, mais ici l’auteur partage son expérience plutôt que des données probantes.

220 mots

Adéquation titre / contenu

Le titre correspond bien au contenu : l'auteur relate la construction d'un détecteur de slop IA, de la conception à l'implémentation, avec les difficultés rencontrées.

Qualité & fiabilité

6/10

Le contenu expose une expérience personnelle de développement d'un détecteur de contenu IA, avec des résultats intermédiaires et des limites clairement assumées. La méthode est empirique mais non exhaustive, et les conclusions reposent sur l'expérience de l'auteur, sans revue de littérature ni validation externe.

Chapitres

Sources citées

Références externes

Apport & nouveautés

Cette vidéo apporte un retour d’expérience concret sur les limites des modèles d’IA générative pour la détection de contenu synthétique, tout en intégrant une solution tierce (Site Engine) pour améliorer les performances. L’approche du développement assisté par IA (via ChatGPT/Codex) est illustrative des défis pratiques de l’ingénierie logicielle avec les LLM. Cependant, l’apport est plus technique qu’épistémologique, et les résultats restent partiels.

Pour aller plus loin :

  • SynthID (filigrane numérique de Google) — Pertinence : mécanisme de marquage des contenus générés.
  • Content Credentials (C2PA) — Pertinence : standard de traçabilité des contenus.
  • Détection de contenu IA (recherche académique) — Pertinence : état de l’art sur la détection des médias synthétiques.

110 mots

Profil radar

Le profil radar est équilibré avec une légère prépondérance de la quantité d'information et du niveau technique, reflétant un contenu dense sur la partie pratique du développement. La fiabilité globale et la qualité des informations sont modérées en raison du caractère empirique et non évalué par des pairs.

Fiabilité 5/10