Les règles de transparence de l’AI Act européen entrent en vigueur, mais les labels ont leurs limites

La Commission européenne a activé de nouvelles obligations de transparence sur l’IA le 2 août 2026, plaçant des services tels que Google News sous un examen plus attentif. Ces règles imposent des divulgations pour les interactions avec des chatbots, les deepfakes, les textes synthétiques d’intérêt public et certains contenus générés par l’IA. Pourtant, le conflit central reste sans solution. Un label peut révéler que l’IA est intervenue dans un contenu sans prouver que ses affirmations sont exactes.

Cette lacune compte pour toutes les plateformes qui organisent l’information publique. Google News utilise déjà des systèmes automatisés pour sélectionner, regrouper et classer les reportages des éditeurs. L’IA générative ajoute une autre couche avec des résumés, des réponses reformulées, des images synthétiques et des interfaces conversationnelles. Les régulateurs européens veulent désormais que les utilisateurs reconnaissent cette couche, au lieu de la rencontrer comme une infrastructure invisible.

Le changement va donc au-delà d’un nouveau label à côté d’un article. Il teste la capacité des divulgations techniques à instaurer une véritable responsabilité au sein d’une chaîne d’information fragmentée. Les développeurs de modèles, fournisseurs d’applications, éditeurs, annonceurs et opérateurs de plateformes peuvent tous influer sur ce qui parvient à un lecteur. Chacun dispose d’informations et de responsabilités différentes.

La Commission européenne a fourni des orientations détaillées et un code de bonnes pratiques volontaire. L’application des règles, la compréhension des utilisateurs et l’interopérabilité détermineront si ces documents améliorent effectivement la transparence. Google News et les autres grands services de distribution sont désormais poussés à rendre visible l’intervention de l’IA sans submerger les lecteurs d’avertissements.

Ce qui change avec les règles de la Commission européenne

L’article 50 fait passer plusieurs formes de divulgation liées à l’IA d’un choix de conception produit à une exigence de conformité légale.

Ces obligations découlent de l’AI Act de l’Union européenne, une loi fondée sur les risques qui encadre le développement, la distribution et l’utilisation de l’intelligence artificielle. L’article 50 vise les cas dans lesquels une personne peut mal comprendre qui ou quoi a produit une interaction ou un contenu.

Les règles s’appliquent à partir du 2 août 2026. La Commission a publié ses orientations finales de mise en œuvre le 20 juillet, moins de deux semaines avant cette date. Ses orientations sur la transparence expliquent quels systèmes et quelles organisations entrent dans leur champ d’application.

Les fournisseurs de systèmes d’IA interactifs doivent les concevoir de façon à ce que les utilisateurs sachent lorsqu’ils communiquent avec une IA. Cette exigence couvre des expériences telles que les assistants conversationnels automatisés, sauf si leur nature artificielle est déjà évidente pour un utilisateur raisonnablement informé.

Les fournisseurs de systèmes qui génèrent ou manipulent de l’audio, des images, de la vidéo ou du texte doivent également permettre une détection fiable des contenus artificiels. La loi exige un marquage lisible par machine, c’est-à-dire des métadonnées ou un autre signal technique qu’un logiciel peut traiter automatiquement.

Les déployeurs ont des obligations de divulgation distinctes. Ils doivent informer les personnes de leur exposition à des systèmes de reconnaissance des émotions ou de catégorisation biométrique. Ils doivent également étiqueter les deepfakes et certains textes synthétiques portant sur des sujets d’intérêt public.

La règle concernant les textes d’intérêt public comporte une précision importante. La divulgation s’applique généralement lorsqu’un contenu généré ou manipulé par l’IA est publié pour informer le public sans relecture humaine ni responsabilité éditoriale. Un travail journalistique édité ne devient pas automatiquement une publication synthétique non étiquetée simplement parce qu’un journaliste a utilisé un assistant IA.

Cette distinction protège les flux de travail éditoriaux ordinaires, mais elle crée aussi une frontière difficile à définir. Un éditeur doit déterminer à quel moment l’intervention humaine constitue une véritable relecture plutôt qu’une simple étape d’approbation rapide. Les plateformes doivent ensuite interpréter les signaux reçus d’éditeurs aux normes différentes.

Les règles ne font pas de chaque algorithme de recommandation une publication générée par l’IA. Le classement traditionnel, la personnalisation et le regroupement peuvent toujours relever d’autres régimes juridiques sans déclencher automatiquement tous les labels de l’article 50. La question pertinente est de savoir ce que le système a généré, modifié ou présenté à une personne.

Pour Google News, cela signifie que la question de conformité dépend de la fonctionnalité. Classer des liens vers des articles rédigés par des humains diffère de générer un résumé qui combine leurs affirmations. Une réponse conversationnelle élaborée à partir de ces sources constitue encore un autre cas distinct.

Le cadre de la Commission reconnaît ces distinctions, mais les lecteurs ordinaires les perçoivent rarement. Un utilisateur rencontre une seule interface, même lorsque plusieurs fournisseurs et étapes de traitement se trouvent derrière elle. Cela rend la responsabilité plus difficile à communiquer que ne le laisse entendre la simple expression « généré par l’IA ».

Pourquoi Google News fait face à un test de transparence plus difficile

Google News se situe entre les éditeurs et les lecteurs, ce qui lui permet d’influencer le contexte sans être propriétaire de chaque affirmation sous-jacente.

L’agrégation d’actualités repose sur la classification automatisée, le classement, la détection des doublons, la personnalisation et le regroupement thématique. Ces systèmes déterminent quels reportages apparaissent ensemble et quel titre retient l’attention. Leur résultat peut façonner la perception même lorsqu’ils ne génèrent aucune nouvelle phrase.

Les fonctionnalités génératives renforcent cette influence. Un résumé peut condenser plusieurs reportages, supprimer des réserves ou fusionner des chronologies incompatibles. Une réponse fluide peut aussi faire paraître établie une information incertaine. Le risque provient de la transformation, pas seulement de la fabrication.

Google n’est pas le seul à faire face à ce problème. Les moteurs de recherche, réseaux sociaux, applications d’actualités, assistants de navigateur et moteurs de réponse autonomes placent de plus en plus de texte généré entre une source et son audience. Les règles européennes font pression sur tous pour qu’ils clarifient quand cette voix intermédiaire appartient à une machine.

Google News constitue néanmoins un test utile, car les utilisateurs y arrivent souvent avec de fortes attentes en matière de provenance. Ils supposent qu’un titre renvoie vers un éditeur et qu’une affirmation citée provient d’un reportage identifiable. Les résumés générés brouillent cette relation familière.

Un label IA visible peut rétablir une partie du contexte manquant. Il peut indiquer au lecteur que la formulation affichée n’est pas identique à celle de l’article d’un éditeur. Les informations lisibles par machine peuvent aussi aider les services en aval à détecter et à préserver un signal de contenu synthétique.

Cependant, un label ne peut pas expliquer chaque transformation. Il n’indique pas quelles sources étayent une affirmation, quelle source a reçu le plus de poids, ni si le modèle a omis une contradiction. Il ne révèle pas non plus pourquoi une information a été classée avant une autre.

Cela crée une pression venant de deux directions. Les régulateurs européens veulent des divulgations qui restent claires et visibles. Les équipes produit veulent des interfaces qui n’ensevelissent pas les lecteurs sous des notifications répétitives. Les éditeurs veulent de l’attribution et du trafic, tandis que les utilisateurs veulent des réponses rapides.

La vue d’ensemble de l’article 50 de la Commission identifie quatre grandes situations liées à l’interaction, aux contenus synthétiques, à l’analyse biométrique et aux textes d’intérêt public. Les produits réels peuvent relever de plusieurs de ces catégories au cours d’une même session.

Prenons le cas d’un lecteur qui interroge un assistant intégré à un service d’actualités au sujet d’une élection. L’interface doit indiquer que le lecteur interagit avec une IA. Le contenu généré peut nécessiter un marquage lisible par machine. Si un texte synthétique d’intérêt public apparaît sans relecture éditoriale, une divulgation visible peut également s’appliquer.

Une plateforme pourrait donc avoir besoin d’une transparence à plusieurs niveaux. Un avis décrit le système conversationnel, un autre identifie le contenu généré, et des liens vers les sources documentent la provenance. Réunir ces éléments sans dérouter le lecteur est autant un problème de conception qu’un problème juridique.

La même pression atteint les éditeurs. Les rédactions qui automatisent les résumés, les traductions, la narration ou la production visuelle ont besoin d’archives montrant à quel moment l’IA est entrée dans leur flux de travail. Elles ont également besoin d’une norme défendable pour la relecture humaine.

Les équipes qui gèrent leurs recherches peuvent conserver ces décisions dans une base de connaissances IA consultable. Cet historique ne suffit pas à établir à lui seul la conformité juridique. Il peut néanmoins aider les éditeurs à retracer les sources, révisions, approbations et choix de divulgation.

Les labels de Google News ne peuvent pas prouver que l’information est vraie

L’approche européenne améliore les signaux de provenance, mais elle ne transforme pas la divulgation en vérification.

C’est le compromis fondamental. Les régulateurs peuvent exiger des organisations qu’elles révèlent l’intervention d’une machine, mais la vérité ne peut être réduite à un marqueur binaire lié à l’IA. Un reportage humain peut être faux, et un travail assisté par IA peut être exact, sourcé et soigneusement relu.

Les lecteurs peuvent néanmoins considérer les labels comme des indicateurs de qualité. Une mention « généré par l’IA » peut suggérer un manque de fiabilité, tandis que son absence peut suggérer une authenticité humaine. Aucune de ces déductions n’est sûre.

Le marquage lisible par machine se heurte à des limites similaires. Un signal durable peut survivre à une distribution ordinaire, mais les plateformes peuvent supprimer les métadonnées lors de captures d’écran, de copies, de recompressions ou de conversions. Des acteurs malveillants peuvent également ignorer les exigences de marquage ou étiqueter à tort des contenus authentiques.

Le code de transparence volontaire de la Commission propose des mesures pratiques pour les fournisseurs et les déployeurs. Publié le 10 juin 2026, il vise à aider les organisations à démontrer leur conformité aux obligations de marquage et d’étiquetage des contenus.

La participation volontaire ne supprime pas la responsabilité juridique. Une organisation qui ne suit pas le code doit tout de même se conformer aux règles et être prête à expliquer les mesures alternatives qu’elle applique. Les autorités peuvent examiner si ces mesures satisfont aux exigences de l’AI Act.

Cela confère un avantage pratique à une mise en œuvre standardisée. Des conventions partagées peuvent faciliter la reconnaissance des labels et des signaux lisibles par machine par les plateformes. Elles peuvent aussi réduire le risque que chaque service invente une terminologie incompatible.

La standardisation a toutefois ses limites. Une icône commune ne peut pas indiquer quelle part d’un article a été générée, si un éditeur a vérifié chaque affirmation ou si un modèle s’est contenté de corriger la grammaire. Une catégorie unique peut aplanir des différences importantes.

L’exception liée à la relecture éditoriale ajoute une autre difficulté. Le dernier relecteur humain peut n’avoir que peu de temps, un accès incomplet aux sources ou une expertise insuffisante du sujet. Une approbation nominale peut satisfaire un flux de travail interne sans fournir le niveau d’examen attendu par les lecteurs.

Le problème inverse existe également. Une rédaction pourrait utiliser l’IA pour la transcription ou la mise en forme, tandis que les journalistes vérifient indépendamment chaque affirmation substantielle. Un label général pourrait exagérer le rôle éditorial de la machine et réduire la confiance dans un reportage solide.

Google News doit préserver ces distinctions lorsqu’il affiche des contenus provenant d’autres sources. Si un éditeur fournit une divulgation, la plateforme devrait éviter de la supprimer lors de l’agrégation. Si Google crée son propre résumé, cette transformation nécessite un traitement distinct de celui appliqué à l’article source.

L’attribution est donc essentielle. Une divulgation utile devrait répondre à au moins trois questions : qui a produit la formulation affichée, quelles sources l’étayent et quel type de relecture a eu lieu ? L’article 50 établit un socle, mais les plateformes peuvent fournir davantage de contexte.

La vérification indépendante reste nécessaire, car les signaux de conformité proviennent d’acteurs situés à l’intérieur de la chaîne de production. Un fournisseur conforme peut commettre une erreur. Un acteur malveillant peut contourner les obligations de divulgation, et un élément authentique peut être mal étiqueté par un autre service.

Les lecteurs doivent également distinguer la provenance de la logique de recommandation. Un marqueur peut identifier un contenu synthétique sans rien révéler des raisons pour lesquelles un algorithme l’a mis en avant. Les questions d’équité du classement, de traitement des éditeurs et de personnalisation exigent un examen distinct.

La Commission européenne a choisi un point de départ pragmatique. Elle cible la tromperie en rendant les interactions et les contenus artificiels plus reconnaissables. Elle ne prétend pas que l’étiquetage seul résoudra la désinformation.

Cette retenue est importante. Traiter ce cadre comme un système d’authenticité créerait une fausse impression de sécurité. Son objectif le plus défendable est d’apporter du contexte avant qu’un lecteur décide à quoi se fier.

L’application déterminera si la transparence se propage

Les règles ne prennent sens que lorsque les divulgations survivent au trajet entre la sortie du modèle et l’écran du lecteur.

Le contenu génératif peut transiter par de nombreux services. Un modèle produit du texte, une application le modifie, un éditeur le publie, un agrégateur le résume, puis un utilisateur partage une capture d’écran. Chaque transfert peut préserver, modifier ou effacer les informations relatives à l’origine.

L’article 50 vise les fournisseurs et les déployeurs, car aucune entreprise ne contrôle à elle seule l’ensemble de ce parcours. Un fournisseur conçoit ou fournit le système d’IA concerné. Un déployeur utilise ce système sous son autorité, souvent dans le cadre d’un service destiné au public.

Cette répartition peut distribuer les responsabilités, mais elle peut aussi susciter des litiges. Une entreprise de modèles peut affirmer avoir fourni un marqueur technique. Un développeur d’application peut dire qu’une plateforme l’a supprimé. La plateforme peut s’appuyer sur des métadonnées incomplètes fournies par l’éditeur.

Les autorités nationales de surveillance du marché assureront une grande partie de l’application. Le Bureau européen de l’IA joue un rôle plus restreint concernant les systèmes liés à des modèles d’IA à usage général dans des conditions déterminées. Le Contrôleur européen de la protection des données couvre les institutions et organes de l’UE.

La Commission indique que les violations admissibles peuvent entraîner des amendes allant jusqu’à 15 millions d’euros ou 3 % du chiffre d’affaires annuel mondial des entreprises. Le montant applicable dépend de l’infraction et des exigences de proportionnalité prévues par la loi.

Ces montants incitent à documenter les décisions, mais les sanctions ne garantissent pas à elles seules une pratique uniforme. Les priorités d’application peuvent différer d’un État membre à l’autre. Les interprétations techniques peuvent également évoluer à mesure que de nouveaux formats et modes de génération apparaissent.

Une transition limitée complique encore les premiers mois. Les orientations actuelles de la Commission décrivent une période de grâce jusqu’au 2 décembre 2026 pour les obligations de marquage pertinentes concernant les systèmes génératifs admissibles mis sur le marché avant le 2 août.

Les contenus générés et déjà publiés avant le 2 août ne nécessitent pas d’étiquetage rétroactif. Cela évite un projet colossal de traitement des archives, mais laisse circuler d’anciens contenus synthétiques aux côtés de contenus nouvellement étiquetés.

Les lecteurs évolueront donc dans un environnement inégal. Deux images similaires peuvent porter des signaux différents parce que l’une précède la date d’application. L’absence de marqueur ne permet pas d’établir de manière fiable qu’aucune IA n’est intervenue.

L’interopérabilité sera un autre test. Une marque technique qui fonctionne au sein du système d’un seul fournisseur a peu de valeur si d’autres services ne peuvent pas la reconnaître. Des normes ouvertes et durables sont importantes, car les contenus d’actualité franchissent les frontières organisationnelles.

Le texte de l’AI Act de l’UE exige que les marques soient efficaces, interopérables, techniquement fiables et robustes lorsque cela est techniquement réalisable. Ces objectifs vont dans la bonne direction, mais les performances doivent être évaluées dans des conditions réelles de distribution.

Les captures d’écran constituent un test de résistance simple. Elles peuvent supprimer les métadonnées tout en conservant le contenu visible. Copier un texte généré dans un nouveau document peut produire le même effet. Les filigranes peuvent aussi s’affaiblir après modification ou compression.

Les plateformes auront besoin de plus d’une méthode de détection. Les métadonnées, les signaux intégrés, les étiquettes visibles, les registres de provenance et les avis contextuels peuvent se renforcer mutuellement. Aucun ne garantit à lui seul une protection complète.

Les faux positifs méritent la même attention. Classer à tort un reportage authentique comme synthétique peut nuire à la réputation d’un éditeur. Une procédure de contestation devrait permettre aux créateurs de remettre en cause une étiquette et de fournir des éléments probants.

Les petits éditeurs font face à une charge différente. Les grandes entreprises technologiques peuvent affecter des équipes juridiques, d’ingénierie et de politique publique à la mise en œuvre. Les médias indépendants peuvent dépendre des réglages par défaut des fournisseurs et de logiciels de publication dont le support arrive tardivement.

La Commission indique que le principe de proportionnalité s’applique aux petites entreprises. Les lecteurs ont néanmoins besoin de signaux cohérents, quelle que soit la taille de l’éditeur. Les plateformes peuvent devenir de facto des passerelles de conformité en validant les métadonnées et en présentant des avis normalisés.

Ce rôle confère à des services tels que Google News une influence considérable. Leurs choix d’interface peuvent déterminer si une divulgation techniquement conforme devient une information compréhensible ou une icône ignorée.

Ce que signifie une IA plus sûre et plus transparente pour les éditeurs

Les éditeurs ont désormais besoin d’un processus de contenu auditable, et non d’une promesse générale selon laquelle des humains restent impliqués.

La première tâche opérationnelle est l’inventaire. Une rédaction doit identifier chaque système qui génère, transforme, traduit, résume, narre, étiquette ou illustre du contenu public. Les outils cachés utilisés par certains membres du personnel doivent faire partie de cet examen.

La deuxième tâche consiste à cartographier les rôles. Les équipes doivent distinguer le fournisseur d’IA du déployeur et déterminer qui publie chaque sortie. Les contrats doivent préciser quelle partie fournit les marques techniques et laquelle les préserve.

La troisième tâche consiste à définir un examen éditorial significatif. Une politique doit indiquer ce que les réviseurs vérifient, quelles sources ils consultent et qui peut approuver la publication. « Human in the loop » est trop vague pour étayer des décisions cohérentes.

Les organisations de presse doivent également séparer l’assistance à faible risque de la génération substantielle. La correction orthographique n’équivaut pas à la synthèse d’allégations issues de plusieurs reportages. La transcription automatisée diffère de la publication d’un résumé non vérifié de cette transcription.

La documentation doit suivre le contenu plutôt que de rester dans un dossier de conformité isolé. Les éditeurs ont besoin d’accéder aux documents sources, à la sortie du modèle, aux modifications et à l’historique des approbations. Un flux de travail consultable peut aider les équipes à reconstituer les décisions lorsque des questions surviennent.

Google News et les distributeurs similaires ont besoin de contrôles parallèles. Ils doivent préserver les divulgations des éditeurs, étiqueter leurs propres couches générées et distinguer le texte source des résumés de la plateforme. Ils doivent aussi proposer des voies accessibles vers le reportage original.

La clarté des formulations est importante. « Créé avec l’IA » communique quelque chose de différent de « résumé par l’IA et relu par un éditeur ». Les plateformes doivent éviter les avertissements génériques lorsqu’elles disposent d’informations plus précises.

L’interface doit maintenir les divulgations essentielles à proximité du contenu concerné. Un avis dissimulé dans les paramètres ou la documentation juridique fait peu pour éviter un malentendu immédiat. Les exigences d’accessibilité doivent couvrir les lecteurs d’écran et les autres technologies d’assistance.

Les organisations doivent tester la compréhension, et pas seulement la visibilité. Une étiquette peut satisfaire une liste de contrôle de conception alors que les utilisateurs en interprètent mal la signification. Les tests doivent déterminer si les personnes comprennent ce que l’IA a fait et ce que la divulgation ne garantit pas.

Les éditeurs doivent également prévoir les corrections. Si un résumé généré déforme un reportage, la mise à jour de l’article source ne corrigera pas automatiquement les versions mises en cache ou syndiquées. Les processus de correction doivent atteindre chaque surface contrôlée par l’organisation.

Le cadre européen récompense les preuves d’une mise en œuvre réfléchie. Le respect du code volontaire peut offrir une voie identifiable, tandis que les méthodes alternatives exigent leur propre justification. Les deux approches nécessitent des dossiers que les régulateurs peuvent examiner.

La leçon plus large est que la transparence commence en amont. Une plateforme ne peut pas créer une provenance précise à l’étape finale d’affichage lorsque les participants précédents n’ont pas consigné l’origine et le traitement du contenu.

Ce qu’il faut surveiller après l’échéance de transparence de Google News

Le prochain test ne consiste pas à savoir si des étiquettes apparaissent, mais si elles restent fiables, compréhensibles et applicables.

Le premier signal sera la mise en œuvre sur les principales plateformes d’ici au 2 décembre 2026. Il faudra observer si Google News et des services comparables distinguent les résumés générés des titres des éditeurs. Des avis cohérents et précis renforceraient l’approche de la Commission. Des avertissements génériques ou cachés l’affaibliraient.

La date de transition révélera également si les systèmes plus anciens reçoivent des mises à jour techniques significatives. Les fournisseurs disposant de produits admissibles antérieurs à août bénéficient d’un délai supplémentaire pour certaines obligations de marquage. Leurs mises en œuvre de décembre montreront si l’interopérabilité est praticable entre des systèmes établis.

Le deuxième signal sera l’application par les autorités nationales. Les premières enquêtes définiront la manière dont les régulateurs interprètent la divulgation significative, le contrôle éditorial et la faisabilité technique. Les affaires impliquant des métadonnées supprimées ou des interfaces trompeuses clarifieraient la responsabilité tout au long de la chaîne de distribution.

Les régulateurs devraient publier suffisamment de justifications pour que les petites organisations puissent appliquer ces enseignements. Des accords inexpliqués ou des décisions nationales incohérentes laisseraient les éditeurs dans l’incertitude. Des orientations coordonnées rendraient la conformité plus prévisible.

Le troisième signal sera constitué par les données sur la compréhension des utilisateurs. Les plateformes et les chercheurs indépendants devraient examiner si les personnes remarquent les étiquettes et les interprètent correctement. Un cadre réussi devrait réduire la tromperie sans apprendre aux utilisateurs que tout élément non étiqueté est authentique.

Les taux d’erreur comptent également. Les faux négatifs laissent des contenus synthétiques non identifiés, tandis que les faux positifs peuvent fragiliser un travail légitime. Des rapports publics sur les litiges, les corrections et les performances de détection indiqueraient si le système mérite la confiance.

Google News restera un point d’observation important parce qu’il combine des contenus d’éditeurs avec une distribution automatisée. Si la provenance y survit, elle aura davantage de chances de survivre ailleurs. Si elle disparaît lors de l’agrégation, la conformité en amont perd une grande partie de sa valeur.

La Commission européenne a établi un socle juridique plutôt qu’un système de confiance complet. Ses règles rendent certaines formes d’intervention automatisée plus difficiles à dissimuler. Elles ne vérifient pas les affirmations, n’exposent pas chaque décision de classement et ne résolvent pas les enjeux économiques entre plateformes et éditeurs.

Les lecteurs devraient donc considérer une étiquette d’IA comme un élément de contexte. Vérifiez la source originale, comparez les reportages indépendants et recherchez une responsabilité éditoriale nommée. L’absence d’étiquette ne doit jamais se substituer à la vérification.

Les éditeurs et les équipes produit devraient désormais auditer les points d’entrée des contenus générés dans leurs services et ce qui se passe après leur distribution. La question décisive pour Google News n’est plus de savoir si l’IA façonne l’expérience. Elle est de savoir si les utilisateurs peuvent voir cette influence assez clairement pour juger eux-mêmes l’information.