Pourquoi 87% des posts LinkedIn générés par IA sont détectables — et comment en sortir
La détection IA ne vient pas des outils. Elle vient des humains qui te lisent. Voici pourquoi, et comment y remédier concrètement.
Il y a un truc que la plupart des gens ratent quand ils parlent de "contenu IA détectable".
Ils regardent les mauvais indicateurs.
Ils lancent ZeroGPT, ils voient "92% humain", ils se disent que c'est bon. Et pendant ce temps, leur directrice commerciale, leur meilleur client, leur partenaire — la personne qui les lit depuis 3 ans — sait en deux phrases que ce n'est pas eux qui ont écrit.
Ce n'est pas un problème technologique. C'est un problème d'authenticité.
Pourquoi les détecteurs IA ne servent à rien
Les outils de détection IA comme Originality.ai, ZeroGPT, GPTZero fonctionnent en analysant des patterns statistiques : la fréquence de certains mots, la complexité des phrases, la "perplexité" du texte (à quel point chaque mot est prévisible par rapport au précédent).
Ces métriques peuvent être manipulées. Il suffit de reformuler, de casser les phrases, d'introduire des erreurs contrôlées.
Mais il y a ce que ces outils ne peuvent pas détecter :
- Que le chiffre que tu cites ne correspond à aucune réalité de ton activité
- Que tu n'as jamais utilisé le mot "paradigme" dans une conversation
- Que tu n'as jamais mentionné cette "leçon de vie" dans tes 12 derniers mois d'interviews
- Que l'anecdote est trop parfaite, trop narrative, trop propre
Un humain qui te connaît détecte tout ça en 30 secondes.
Et sur LinkedIn, tout le monde est un "humain qui te connaît". Tes clients potentiels ont lu 50 de tes posts. Ton réseau t'a écouté parler. Ta réputation se construit sur la cohérence de ta voix, pas sur un score de détection.
Les 5 patterns qui trahissent un post IA
1. Le chiffre sans trace
"J'ai réduit mes coûts de 43% en 6 semaines."
C'est une phrase que Claude, GPT-4 ou Gemini peut générer en 0,3 secondes. Et si tu ne peux pas retrouver ce chiffre dans un relevé bancaire, une facture, un tableau Excel — tu viens d'inventer.
Le problème n'est pas que c'est faux. Le problème est que quelqu'un va te poser la question. Et quand tu ne saurais pas répondre, ta crédibilité prend un coup qu'aucun post ne peut réparer.
2. La structure triadique
Les LLMs adorent grouper par trois. "Premièrement... Deuxièmement... Troisièmement." "Ce que j'ai appris. Ce que j'aurais dû faire. Ce que tu peux faire dès aujourd'hui."
C'est propre. Trop propre. Les vraies idées sont désordonnées. Elles arrivent de biais, par détours, avec des digressions.
Un bon post a le droit d'être un peu bordélique — parce que la pensée humaine l'est.
3. L'absence de détails sensoriels
"C'était un mardi soir, 23h47. Le client avait appelé deux fois. J'avais laissé les appels en absence."
Aucun LLM n'invente le 23h47. Il peut dire "tard le soir" ou "en pleine nuit". Pas l'horaire précis d'un souvenir réel.
Les détails spécifiques — l'heure, le lieu exact, le nom de l'outil, le montant précis — sont des signaux d'authenticité que les modèles ne peuvent pas fabriquer à partir de rien.
4. L'adjectif intensificateur vide
"Incroyable", "puissant", "transformateur", "révolutionnaire".
Ce sont les adjectifs de remplissage d'un LLM qui n'a pas d'expérience réelle à raconter. Quand tu as vécu quelque chose, tu décris ce que ça a changé concrètement — pas l'intensité émotionnelle en un mot.
5. La conclusion morale
"Au final, j'ai compris que la vraie valeur, c'est de [insérer leçon universelle]."
Les LLMs concluent. Ils synthétisent. Ils moralisent. Les humains, eux, laissent parfois les choses en suspens. Ils posent une question. Ils admettent ne pas avoir la réponse.
Ce que tu dois faire différemment
La réponse n'est pas "rends le texte plus humain". La réponse est : pars de données réelles, pas d'une idée générique.
Étape 1 : Documente avant de générer.
Avant de demander quoi que ce soit à un LLM, note : le chiffre exact, la date, le contexte, le nom du client (anonymisé), ce que tu ressentais à ce moment-là. Si tu n'as pas ces données, tu n'as pas de post — tu as un template.
Étape 2 : Fournis les contraintes négatives.
Dis au modèle ce qu'il ne doit PAS faire. "Ne commence pas par une question rhétorique. N'utilise pas le mot 'paradigme'. Évite toute structure en trois points. Ne conclus pas avec une leçon de vie."
Ces contraintes négatives sont plus importantes que les contraintes positives.
Étape 3 : Fais relire par quelqu'un qui te connaît.
Pas un détecteur IA. Une personne. Si elle dit "ça ne sonne pas comme toi", recommence. C'est le seul test qui compte.
La différence entre générer et écrire avec l'IA
Il y a deux façons d'utiliser l'IA pour du contenu LinkedIn.
La première : tu donnes un sujet vague à un LLM, tu prends le résultat, tu le retouches vaguement, tu publies.
La deuxième : tu alimentes le LLM avec ta propre voix, tes données réelles, tes histoires vérifiées — et tu lui demandes de structurer ce que tu as déjà.
La première approche produit du contenu générique détectable. La deuxième produit du contenu qui te ressemble.
Le LLM n'est pas le problème. La façon dont tu l'utilises l'est.
Pourquoi ça compte vraiment
LinkedIn n'est pas un canal de distribution de contenu. C'est un canal de construction de confiance.
Chaque post que tu publies est une micro-preuve de ce que tu es. Tes clients potentiels ne te lisent pas pour apprendre quelque chose — ils te lisent pour décider s'ils peuvent te faire confiance.
Un post IA mal fait ne les tue pas sur le coup. Il crée un doute. Plusieurs doutes. Et un jour, quelqu'un qui aurait pu devenir ton client décide de passer son chemin — sans que tu saches jamais pourquoi.
La vraie détection IA, c'est ça.
Ce que j'ai construit avec Plume répond exactement à ce problème : générer du contenu LinkedIn à partir d'un Réservoir de données réelles sur chaque client — pas à partir d'un prompt générique. Et un second modèle scanne chaque post avant livraison pour identifier les faits qui ne correspondent pas au Réservoir.
Parce que la cohérence d'une voix, ça se construit sur des données vraies. Pas sur des formules.