GPT Image 2.5 Sunburst et les deepfakes : ce qui change

Ce qu’OpenAI a réellement lancé

GPT Image 2.5 Sunburst est le modèle d’OpenAI destiné à la génération et à la modification d’images lorsque la précision compte particulièrement. Il reçoit du texte et des images, puis produit une image. Dans l’API Responses, une retouche peut aussi être affinée au fil de plusieurs échanges.

Sunburst est donc un générateur et un éditeur, pas un détecteur de deepfakes. Sa documentation ne donne ni score universel de réalisme ni preuve que toutes ses productions échappent à l’analyse. Il faut prendre ses capacités au sérieux sans inventer une prétendue invisibilité technique.

Pourquoi la retouche précise change le risque

Une image synthétique n’est pas forcément un deepfake. Une illustration déclarée comme telle, une maquette ou une photographie restaurée peuvent utiliser l’IA sans usurper qui que ce soit. Le risque apparaît lorsqu’une personne réelle est placée dans une scène fictive, qu’un élément de preuve est discrètement modifié ou qu’un faux profil sert à gagner la confiance.

Avec une retouche locale, l’essentiel d’une photo peut rester authentique : lumière, arrière-plan, bruit du capteur et visage proviennent du fichier original, tandis qu’un badge, une expression, un objet ou une personne a changé. La question utile devient alors : qu’est-il arrivé à ce fichier précis, et son histoire est-elle vérifiable ?

Les anciens indices visuels ne suffisent plus

Des mains incohérentes, un texte déformé ou un reflet incohérent restent des observations intéressantes. Ce ne sont pas des signatures. Les générateurs récents peuvent réussir ces détails ; à l’inverse, la compression, le mode portrait, le HDR ou une retouche classique peuvent rendre une vraie photo étrange.

Transformez chaque anomalie en question vérifiable. Si un logo semble faux, comparez l’uniforme officiel. Si une ombre paraît impossible, cherchez d’autres vues du même événement. Un indice gagne en force lorsqu’une source indépendante le confirme, pas lorsqu’on agrandit encore les mêmes pixels.

• Ne pas déclarer une image authentique parce que les mains sont réussies.
• Ne pas la déclarer synthétique à cause d’un seul bord compressé.
• Distinguer une génération complète d’une retouche locale.
• Écrire précisément ce que l’image est censée prouver.

Un modèle de génération n’est pas un détecteur

Un assistant généraliste peut produire une analyse très convaincante d’une image. L’aisance du texte n’est pourtant pas une preuve de provenance. Le système peut réagir au style ou au sujet et paraître certain alors que le fichier a été recadré, recompressé ou privé de ses métadonnées.

Même le score d’un détecteur spécialisé reste un signal. Un score élevé peut justifier un examen ; un score faible n’authentifie ni la personne, ni l’événement, ni la légende. Détection, provenance et vérification de la source répondent à des questions différentes.

Une méthode plus solide pour vérifier une image

Conservez la version la plus ancienne et la mieux définie que vous puissiez obtenir légalement, sans la réenregistrer. Notez la page, le compte, l’heure et l’affirmation qui l’accompagne. Lancez ensuite une recherche inversée avec l’image entière puis avec plusieurs recadrages utiles : une version antérieure révèle souvent une fausse légende ou une modification.

Examinez les informations du fichier et les Content Credentials disponibles. Un justificatif valide et signé peut apporter des informations de provenance dont une altération ultérieure serait détectable ; son absence ne prouve rien, car plateformes et captures d’écran suppriment souvent les métadonnées. Comparez enfin les signaux techniques avec la source et faites revoir humainement tout cas sensible ou contradictoire.

• Conserver le fichier, l’URL, le compte, l’heure et l’affirmation.
• Effectuer des recherches inversées sur l’ensemble et sur des détails.
• Lire les métadonnées et les Content Credentials sans considérer leur absence comme une preuve de fraude.
• Consigner le score du détecteur, son incertitude et ses limites.
• Faire examiner les décisions qui touchent à l’identité, l’argent ou la réputation.

Ce qu’une analyse DeepfakePolicy peut indiquer

DeepfakePolicy met en regard les signaux techniques de l’image, les informations de fichier et de provenance disponibles, ainsi que le contexte à vérifier. Le résultat sert à orienter l’enquête et à rendre visibles les désaccords entre indices, plutôt qu’à afficher un pourcentage isolé.

Aucun service sérieux ne peut promettre d’identifier chaque production de Sunburst ni de nommer son générateur à partir de n’importe quelle capture. Le résultat est probabiliste et dépend du fichier transmis. Il ne doit pas devenir une accusation automatique.

À retenir

Avec GPT Image 2.5 Sunburst, une image convaincante reste à vérifier. À mesure que les retouches deviennent plus précises, la provenance, la source et le contexte apportent davantage d’éléments que les défauts de mains ou de texte.

Si l’image peut affecter une identité, de l’argent, la sécurité ou la réputation d’une personne, arrêtez-vous avant de la partager. Conservez le meilleur fichier, vérifiez sa source, complétez la vérification par une analyse technique et tenez compte du contexte avant de décider.