La controverse liée à l’IA de Hank Green révèle une étiquette qui n’existe pas : la politique de YouTube concerne les faux visuels, mais pas le processus de recherche où la confiance est effectivement brisée.

L’histoire de surface est que Hank Green a été démasqué pour avoir utilisé ChatGPT et s’est excusé. Mais en réalité, rien dans l’infrastructure actuelle permettant de détecter les problèmes liés aux IA – les règles de YouTube, les normes cryptographiques de C2PA, ou toute autre politique de plateforme – n’était conçu pour détecter ce qui a vraiment mis en péril la confiance dans ce cas.

La controverse liée à Green ne concernait pas les médias synthétiques, les deepfakes ou l’IA photoréaliste. Il a utilisé ChatGPT pour trouver des articles académiques et des ressources pour sa recherche sur le vidéo Complexly. Par hasard, une phrase a été incluse dans le script, ce qui a poussé les spectateurs à se demander comment l’IA était utilisée dans le film. Plus tard, Complexly a confirmé que cette outil n’était pas utilisée pour écrire, modifier ou vérifier les informations. Mais la réaction du public ne concernait pas la tromperie, mais plutôt l’authenticité. De nombreux spectateurs ont affirmé que si la pression de produire un film nécessitait d’utiliser un LLM plutôt qu’un humain, alors “on n’a pas besoin du vidéo”.

Cela révèle le fossé structurel. L’ensemble de l’écosystème de divulgation mis en place jusqu’à présent vise la mauvaise couche de la stack de production.

Décomposition : Où les étiquettes existent, et où elles ne existent pas.

YouTube a mis à jour son système d’étiquetage par intelligence artificielle en mai 2026. Les changements ont consisté à placer les étiquettes de divulgation à des emplacements plus visibles.En dessous du joueur de vidéo pour les contenus de longue durée, en tant qu’overlay sur l’écran pour les Shorts.YouTube a également mis en place une détection automatique des utilisations importantes de l’IA à caractère photorealiste. Les étiquettes sont appliquées lorsque les créateurs ne déclarent pas explicitement leur utilisation de ces technologies. Pour les contenus créés avec les outils d’IA de YouTube tels que Veo ou Dream Screen, ou pour les contenus contenant des métadonnées C2PA, les étiquettes sont permanentes et ne peuvent pas être supprimées.

Aucune de ces choses ne couvre la recherche assistée par l’IA. Aucune ne couvre non plus les scripts créés avec l’aide de l’IA. Aucune ne couvre pas non plus l’utilisation de grands modèles linguistiques pour générer des idées, définir des plans, trouver des sources ou rédiger du texte que les humains pourraient ensuite modifier.

C’est là le problème. La politique de YouTube – comme celle de toutes les grandes plateformes – se concentre sur la couche de sortie du contenu. Si l’image finale du vidéo est artificielle, elle est étiquetée. Si le son final est généré par l’IA, il est également étiqueté. Mais si le contenu intellectuel d’un vidéo – le chemin de recherche, les sources choisies, l’angle adopté – a été créé par un LLM, alors il n’y a pas d’étiquette, aucun mécanisme de détection, et aucune exigence de divulgation.

Cela est important, car la confiance que le public de Green avait perdue n’était pas liée au fait que la vidéo semblait réelle. C’était plutôt lié à la manière dont les idées qui se trouvaient derrière la vidéo étaient réelles. Et c’est là que l’intégration de l’IA devient complètement invisible pour le cadre de divulgation.

Le contraste : Quelles plateformes ont été développées et quels aspects sont importants pour les publics cibles.

Placer deux faits côte à côte. D’un côté : Le rapport 2026 Creators’ Toolkit d’Adobe, qui a interrogé plus de 16 000 créateurs, a révélé queTrois quarts des entreprises considèrent l’IA comme intégrée ou essentielle dans leur processus de travail.Près de neuf personnes sur dix ont déclaré que l’IA a aidé à développer leurs entreprises ou leur audience. D’un autre côté, le même rapport montre que la plupart des créateurs estiment que les attentes des utilisateurs en ce qui concerne la disclosure concernant l’IA augmentent.

La différence entre ces deux chiffres – 75 % d’adoption par rapport à la demande croissante de transparence de la part du public – c’est là que réside la controverse liée au thème environnemental. L’infrastructure de divulgation des informations a été conçue pour résoudre un problème que le public ne se souciait pas vraiment. Le public n’a perdu confiance que parce que les vidéos semblaient artificielles. Ils ont perdu confiance parce qu’ils ne pouvaient pas savoir si les pensées du créateur étaient les leurs.

Green lui-même a exprimé cela dans son excuse sur Reddit : l’utilisation de l’IA pour trouver des articles a nui à son travail, car cela ne lui a pas donné la liberté de trouver ses propres méthodes pour aborder un sujet. Le problème n’est pas l’exactitude des résultats, mais plutôt le fait que le processus de recherche a changé. Le LLM devient alors un filtre qui influence ce que le chercheur découvre, même si celui-ci ne s’en rend pas compte.

C’est un problème fondamentalement différent de la synthèse visuelle. Une étiquette liée à l’IA photoréaliste indique que l’image n’a pas été capturée par une caméra. Mais il n’y a aucune étiquette équivalente pour indiquer que les recherches qui ont permis la création de ce contenu ont été aidées par un LLM, qui peut avoir influencé les sources utilisées ou non. Aucune plateforme ne propose cela. Aucun standard ne définit cela.

L’angle de vérification décentralisé ne prend pas en compte cette même couche.

C2PA, la Coalition pour la provenance et l’authenticité du contenu, propose un standard ouvert pour…Manifests cryptographiques qui vérifient les contenus des médias et modifient l’histoire des modifications.Cet outil a été adopté par Adobe, Microsoft, les médias et d’autres entreprises. Il permet de savoir qui a créé une photo, quelles modifications ont été apportées, et si le fichier est entièrement généré par l’IA.

Mais C2PA fonctionne au niveau du fichier. Il trace l’origine des images, vidéos et audios. Il ne suit pas l’origine des idées, des chemins de recherche ou des versions préliminaires de texte produits par une collaboration homme-machine. Vous pouvez vérifier de manière cryptographique que un fichier vidéo n’a pas été modifié après son chargement, mais vous ne pouvez pas vérifier si le processus de recherche qui a précédé sa création est bien réalisé par un humain.

La conception décentralisée de la vérification du contenu – les origines liées au blockchain, les signatures cryptographiques, les chaînes de médias à l’épreuve des modifications – suppose que le problème réside dans l’intégrité des médias. Le cas de Green montre que, pour les contenus basés sur du texte et développés dans le cadre de recherches scientifiques, le problème concerne plutôt l’intégrité cognitive. Or, c’est là un niveau que les normes actuelles ne couvrent pas.

Que regarder ensuite

• Que YouTube étende sa définition de la divulgation au-delà des IA visuelles.La politique actuelle couvre les contenus de nature photorealiste et modifiés ou générés de manière significative. L’écriture, la recherche et l’écriture automatisée assistées par l’IA restent en dehors du champ d’application. Si la pression des utilisateurs augmente, la définition pourrait s’élargir – ou les plateformes pourraient refuser de qualifier les utilisations d’IA basées sur le texte, au motif qu’il est impossible de les contrôler.

• Comment la structure non lucrative de How Complexly influence la réponse.VertTransformé en organisation à but non lucratif au début de l’année 2026.En choisissant explicitement l’impact éducatif plutôt que les profits. Cette structure lui confère plus de crédibilité lorsqu’il s’oppose à la pression liée à l’intelligence artificielle. Mais cela signifie également que tout changement de politique au sein de Complexly pourrait devenir un modèle pour d’autres producteurs de contenu éducatif.

• Que ce soit le C2PA ou une norme successeuse, il s’agit de tenter de couvrir l’origine du texte.La spécification actuelle de C2PA est centrée sur les fichiers. Pour étendre la traçabilité cryptographique aux versions de texte et aux processus de recherche, il serait nécessaire d’adopter une architecture complètement différente – une architecture qui permette de suivre la chaîne d’interactions entre humains et IA, et non seulement le fichier médiate final.

• Les normes de divulgation de l’économie créative plus large.Si les signaux de réaction négative indiquent que le public accorde plus d’importance à l’intégrité du processus de recherche qu’à l’authenticité visuelle, les créateurs qui comptent sur la confiance basée sur la personnalité – éducateurs, commentateurs, analystes – pourraient être soumis à une pression croissante pour dévoiler l’implication de l’IA à chaque étape, et non seulement dans le résultat final.

L’enseignement à retenir n’est pas que l’IA a détruit la crédibilité de Hank Green. C’est plutôt que l’infrastructure de divulgation que l’industrie a développée visait un problème : les médias synthétiques. En réalité, le manque de confiance survient à trois niveaux en amont, dans le processus de recherche et de réflexion, où personne ne suit encore ce qui se passe.