SAGA remonte les vidéos IA jusqu’à leurs générateurs et remet en cause la provenance fondée uniquement sur les filigranes

Google News a mis en avant un nouveau conflit dans la sécurité de l’IA : SAGA identifie le générateur probable d’une vidéo synthétique, même lorsque les données de provenance classiques ne sont pas disponibles.

Le système va au-delà de la simple question de savoir si une séquence est réelle ou synthétique. Ses chercheurs l’ont conçu pour attribuer une vidéo à travers cinq niveaux, dont sa tâche de génération, sa version de modèle, son équipe de développement et son générateur précis.

Cette distinction compte, car les principales défenses actuelles reposent largement sur la coopération des créateurs de contenu, des plateformes et des fournisseurs de modèles. Les filigranes et les métadonnées signées peuvent communiquer l’origine, mais ces signaux ne sont pas présents dans toutes les vidéos.

SAGA emprunte une autre voie. Il examine les artefacts spatiaux et temporels laissés par le processus de génération lui-même. Les recherches suggèrent que ces artefacts peuvent agir comme des empreintes de modèles, même s’ils constituent des preuves statistiques plutôt que des éléments incontestables.

Ces travaux proviennent de chercheurs affiliés à l’University of California, Riverside, à YouTube et à Google DeepMind. Ils ont été publiés dans les actes de la conférence 2026 IEEE/CVF Conference on Computer Vision and Pattern Recognition.

Son véritable adversaire n’est pas un autre détecteur. C’est l’hypothèse selon laquelle l’étiquetage coopératif suffit à établir la provenance dans un environnement médiatique ouvert, modifiable et adversarial.

Google News place l’attribution des vidéos IA sous les projecteurs

SAGA fait passer la question forensique de « Cette vidéo est-elle fausse ? » à « Quel système l’a le plus probablement produite ? »

Les chercheurs décrivent SAGA comme un cadre d’attribution des sources pour les vidéos générées par IA. Son objectif est d’identifier des caractéristiques associées à l’outil, à la famille de modèles ou à l’équipe de développement à l’origine d’une séquence synthétique.

L’article évalué par les pairs SAGA paper présente cinq niveaux d’attribution. Le premier distingue les séquences authentiques des séquences synthétiques. Les niveaux restants classent la tâche de génération, la version du modèle, l’équipe de développement et le générateur précis.

Cette hiérarchie offre plusieurs réponses possibles à un enquêteur. Un extrait peut être classé comme synthétique sans permettre une conclusion fiable au niveau du modèle. Un autre peut contenir suffisamment d’éléments pour l’associer à un générateur précis.

Ce résultat gradué est plus utile que de contraindre chaque enquête à une décision unique entre réel et faux. Il reflète également le fonctionnement de la confiance forensique en dehors de contextes de recherche contrôlés.

SAGA utilise un transformer vidéo, une architecture neuronale qui analyse les relations entre les zones d’image et les images successives. Un encodeur visuel agnostique au domaine extrait d’abord des caractéristiques spatiales de chaque image.

Un encodeur temporel examine ensuite l’évolution de ces caractéristiques tout au long de l’extrait. Le système recherche des motifs récurrents capables de distinguer des séquences produites par différents pipelines génératifs.

Les chercheurs appellent leur méthode d’interprétabilité Temporal Attention Signatures, ou T-Sigs. Ces signatures visualisent les moments qui reçoivent de l’attention lorsque le système distingue un générateur d’un autre.

Les T-Sigs sont importantes, car l’attribution d’une source peut avoir de lourdes conséquences. Une plateforme, un enquêteur ou un journaliste a besoin de davantage qu’une étiquette inexpliquée fournie par un modèle lorsqu’il évalue une séquence contestée.

Le cadre utilise aussi le hard negative mining. Cette méthode d’entraînement présente au système des exemples difficiles à différencier, l’obligeant à apprendre des distinctions plus fines entre des classes apparentées.

Selon les chercheurs, SAGA a égalé les performances d’un apprentissage entièrement supervisé tout en n’utilisant que 0,5 % de données étiquetées par source et par classe. Ce résultat s’applique aux jeux de données de l’étude et ne doit pas être considéré comme une performance universelle sur le terrain.

La réduction des besoins d’étiquetage répond à un obstacle pratique. Les générateurs vidéo évoluent rapidement, tandis que la collecte et l’étiquetage de résultats représentatifs pour chaque version exigent du temps et des accès.

Toutefois, l’efficacité des données n’élimine pas le besoin de matériel de référence. Un système forensique a toujours besoin de sorties représentatives et d’étiquettes fiables avant de pouvoir associer des motifs à des sources connues.

Les lecteurs de Google News peuvent découvrir l’article comme présentant un outil qui remonte les vidéos IA « jusqu’à leur source ». Cette formulation exige une interprétation prudente.

SAGA ne récupère ni le compte d’un créateur, ni son prompt, ni sa publication originale. Il attribue des caractéristiques techniques à une classe de générateur probable sur la base de motifs appris à partir de données.

Il s’agit néanmoins d’une évolution importante. Connaître la famille de modèles probable peut restreindre le champ d’une enquête, éclairer l’application des règles par une plateforme ou vérifier une affirmation sur la manière dont une séquence suspecte a été produite.

Cela ne permet pas, à lui seul, d’identifier qui a généré l’extrait ni pourquoi il l’a publié. Ces questions nécessitent des registres de comptes, des historiques de mise en ligne, des preuves issues d’appareils et un travail d’enquête traditionnel.

Pourquoi la détection binaire des deepfakes ne suffit plus

Une étiquette synthétique décrit l’état d’une vidéo, mais l’attribution de source peut révéler le parcours de production qui la sous-tend.

La détection binaire a dominé le débat public autour des deepfakes. Un détecteur reçoit un fichier et estime s’il provient d’une caméra ou d’un système génératif.

Cette tâche reste utile, mais elle ne répond pas à de nombreuses questions opérationnelles. Les enquêteurs doivent souvent relier des extraits connexes, identifier une famille de modèles récurrente ou déterminer si une campagne a changé d’outils de production.

Prenons plusieurs vidéos synthétiques diffusées pendant un événement d’actualité de dernière minute. Un détecteur binaire pourrait toutes les signaler, sans toutefois fournir d’éléments permettant de savoir si une même opération a produit l’ensemble du groupe.

L’attribution de source pourrait regrouper ces fichiers autour d’une signature de générateur commune. Cette conclusion ne prouverait pas une paternité commune, mais elle offrirait aux analystes une piste plus solide que des étiquettes distinctes de faux.

L’attribution importe également lorsqu’une personne affirme qu’une vidéo contestée provient d’un modèle particulier. Une estimation au niveau du modèle peut étayer ou remettre en cause cette version, sous réserve des taux d’erreur connus et d’explications alternatives.

Le problème devient plus urgent à mesure que les erreurs visuelles disparaissent. Les mains, le texte, le mouvement des objets et la cohérence des scènes offraient autrefois des indices évidents, mais les générateurs continuent de réduire ces défauts visibles.

L’analyse forensique doit donc examiner des signaux que les spectateurs ordinaires ne peuvent pas voir de manière fiable. Il peut s’agir de motifs fréquentiels, d’artefacts résiduels, de relations entre les images ou de particularités introduites par l’architecture et le décodage du modèle.

SAGA se concentre à la fois sur des éléments spatiaux et temporels. Les éléments spatiaux apparaissent dans les images individuelles, tandis que les éléments temporels émergent de l’évolution des objets et des caractéristiques visuelles d’une image à l’autre.

L’attribution vidéo nécessite les deux. Deux générateurs peuvent produire des images fixes similaires, tout en traitant différemment le mouvement, les occultations ou les transitions.

La conception à cinq niveaux du cadre reconnaît également que l’attribution dispose de plusieurs résolutions utiles. Un enquêteur peut identifier la famille de modèles plus large d’un développeur, même lorsque la version précise reste incertaine.

Cette flexibilité distingue l’attribution forensique d’un badge d’authenticité destiné aux consommateurs. Un badge doit communiquer rapidement un résultat simple, tandis qu’une enquête peut préserver plusieurs niveaux de confiance.

Les équipes de sécurité pourraient appliquer cette approche à l’analyse d’opérations d’influence, de campagnes d’usurpation d’identité ou de contenus synthétiques utilisés dans la fraude. Les plateformes pourraient aussi l’utiliser pour prioriser l’examen humain.

Une entreprise confrontée à une vidéo fabriquée de son dirigeant offre un autre cas concret. Les analystes pourraient d’abord inspecter les métadonnées de provenance, puis rechercher des filigranes connus, et enfin évaluer des signatures forensiques apprises.

Aucun résultat isolé ne devrait trancher l’affaire. La convergence de méthodes indépendantes fournit une base d’action plus solide qu’un seul score de classificateur.

Ce processus par couches ressemble à la criminalistique numérique établie. Les analystes comparent la structure des fichiers, les métadonnées, l’historique du contenu, les traces d’appareils et les éléments contextuels avant de parvenir à une conclusion.

L’attribution de source des vidéos IA s’inscrit dans ce processus. Elle ne doit pas le remplacer.

Le bénéfice réside donc dans la profondeur de l’enquête, et non dans une vérité automatique. SAGA donne aux défenseurs un moyen de poser une question plus précise lorsque la détection de base fournit trop peu d’informations.

Cela accroît aussi la pression sur les développeurs de générateurs. Si les familles de modèles laissent des signatures distinctives, les fournisseurs doivent supposer que leurs sorties peuvent rester techniquement reconnaissables après avoir quitté des services contrôlés.

Cette perspective peut soutenir la responsabilisation. Elle peut aussi créer des litiges lorsque des tiers publient des résultats d’attribution sans validation suffisante ou divulguent des méthodes que des adversaires peuvent étudier.

Cette nouvelle capacité relève le niveau de preuve requis tout en améliorant les éléments disponibles. Une étiquette assurée devient moins acceptable lorsque la décision touche à la parole, à la réputation ou à des procédures judiciaires.

SAGA remet en cause la provenance des vidéos IA fondée uniquement sur les filigranes

Le débat central oppose les signaux de provenance coopératifs aux preuves forensiques extraites après la circulation d’une vidéo.

La provenance coopérative commence lorsqu’un générateur ou un outil de montage marque un contenu au moment de sa création. Cette marque peut être un filigrane invisible, des métadonnées signées ou un enregistrement Content Credentials.

Ces systèmes peuvent transporter des informations précieuses. Ils peuvent identifier l’outil impliqué, enregistrer des modifications ou relier un élément publié à une source signée.

SynthID de Google suit cette approche. Selon la présentation officielle de SynthID overview, le système intègre des filigranes détectables dans les images, l’audio, le texte et les vidéos générés par IA.

YouTube lit également certaines Content Credentials. Ses disclosure guidance indiquent que les identifiants admissibles peuvent signaler qu’une vidéo entière a été créée avec l’IA.

Cette approche offre un avantage majeur. Le signal de provenance provient du flux de création ou de montage, plutôt que d’un classificateur externe qui reconstruit ensuite l’origine.

Un enregistrement cryptographique valide peut apporter des preuves plus solides qu’une estimation probabiliste. Il peut également communiquer un historique des modifications que l’analyse visuelle ne peut pas reconstituer.

Pourtant, la provenance coopérative souffre d’un problème de couverture. Elle fonctionne lorsque les outils mettent en œuvre des standards compatibles, préservent les données pertinentes et les exposent aux plateformes en aval.

Tous les générateurs n’y participent pas. Les modèles ouverts peuvent fonctionner via des pipelines modifiés, tandis que des services non autorisés peuvent ignorer entièrement les exigences d’étiquetage.

Les métadonnées peuvent aussi disparaître lors de manipulations ordinaires. Le réencodage, l’enregistrement d’écran, la conversion de format et le traitement par les plateformes peuvent dissocier un extrait visible de son manifeste d’origine.

SAGA s’intéresse au côté opposé de cette lacune. Il tente d’inférer l’origine à partir d’artefacts restant dans les pixels et leurs mouvements, sans exiger que le générateur d’origine insère une étiquette.

Cette distinction rend l’attribution forensique attrayante pour les contenus hostiles ou non étiquetés. L’enquêteur peut analyser un fichier même lorsque son créateur refuse de coopérer.

Toutefois, l’inférence comporte sa propre faiblesse. Les signatures apprises peuvent être affectées par la compression, le montage, les changements de résolution et les écarts entre les jeux de données de recherche et les plateformes publiques.

Une mise à jour de modèle peut également modifier les artefacts pertinents. Les systèmes d’attribution doivent suivre le rythme des générateurs qui reçoivent de nouvelles données d’entraînement, architectures, décodeurs et couches de sécurité.

La stratégie d’authentification des médias la plus robuste combine donc les deux approches. Microsoft Research décrit la provenance, le tatouage numérique et l’empreinte numérique comme des méthodes d’authentification complémentaires.

Cette approche évite un faux dilemme. Une provenance signée peut fournir une preuve directe lorsqu’elle est préservée, tandis que l’attribution forensique permet d’examiner des contenus dépourvus de tels enregistrements.

Une enquête idéale commencerait par des vérifications de provenance. Les analystes examineraient les Content Credentials, les divulgations des plateformes et les filigranes propres aux fournisseurs avant d’appliquer des modèles forensiques indépendants.

Si chaque couche désigne le même générateur, le niveau de confiance augmente. Si les signaux divergent, les enquêteurs ont une raison de ralentir et d’examiner l’historique du fichier.

Le conflit peut lui-même révéler une altération. Un enregistrement signé associé à un flux de travail devrait susciter un examen approfondi lorsque les motifs forensiques ressemblent systématiquement à ceux d’un autre générateur.

Cependant, aucune de ces méthodes n’établit l’intention. Un artiste, un chercheur en sécurité, un propagandiste politique et un fraudeur peuvent utiliser le même système de génération.

L’attribution de source identifie une filière technique, non une catégorie morale. Les plateformes doivent préserver clairement cette distinction lorsqu’elles ajoutent des étiquettes ou prennent des décisions d’application.

L’opposition entre provenance et inférence forensique constitue donc un compromis entre des enregistrements faisant autorité mais incomplets, et une couverture plus large mais probabiliste.

SAGA est important parce qu’il renforce la seconde moitié de cette équation. Il n’élimine pas le besoin de la première.

Ce que les empreintes de vidéos IA ne prouvent pas

Le résultat de recherche de SAGA étaye une piste forensique, et non une identification prête à être présentée devant un tribunal de la personne à l’origine d’une vidéo.

La plus grande incertitude concerne la généralisation. Un modèle peut bien fonctionner sur certains benchmarks, mais rencontrer des schémas différents de compression, de montage et de diffusion lors de déploiements publics.

Les plateformes sociales transcodent régulièrement les vidéos. Les utilisateurs recadrent les clips, ajoutent des sous-titres, modifient les fréquences d’images, superposent des logos, enregistrent des écrans et combinent des séquences provenant de plusieurs sources.

Chaque transformation peut modifier le signal disponible pour un classificateur forensique. Certaines peuvent laisser les artefacts du générateur intacts, tandis que d’autres peuvent les affaiblir ou les masquer.

L’article publié rapporte des expériences menées sur des jeux de données publics et dans des contextes interdomaines. C’est une preuve plus solide que des tests réalisés uniquement sur les données utilisées pour l’entraînement.

Il ne reproduit pas toutes les conditions rencontrées dans une véritable enquête. Les générateurs inconnus, les modèles personnalisés et les tentatives délibérées de contournement restent des cas difficiles.

L’attribution en ensemble fermé présente un risque particulier. Si un système doit choisir parmi des générateurs connus, il peut attribuer un clip inconnu à la classe connue la moins erronée.

Un outil opérationnel doit disposer d’une option de rejet significative. Il devrait pouvoir signaler que les éléments ne permettent pas d’attribuer le contenu à une source représentée.

L’étalonnage de la confiance est important pour la même raison. Une probabilité brute issue d’un réseau neuronal ne correspond pas automatiquement à la probabilité réelle que sa conclusion soit correcte.

Les enquêteurs doivent valider les seuils dans l’environnement de déploiement. Une rédaction examinant des clips sociaux compressés fait face à des conditions différentes de celles d’un laboratoire traitant des fichiers originaux.

La pression adversariale ajoute une autre complication. Dès que les attaquants comprennent quelles caractéristiques soutiennent l’attribution, ils peuvent tenter d’effacer, d’imiter ou de brouiller ces signaux.

Ils peuvent transcoder un fichier à plusieurs reprises, ajouter du bruit, mélanger des sorties de plusieurs modèles ou faire passer le résultat par un autre système de montage génératif.

Une modification réussie n’aurait pas besoin d’améliorer l’apparence de la vidéo. Il suffirait qu’elle affaiblisse le lien entre la sortie et son générateur d’origine.

Les chercheurs peuvent répondre par un entraînement adversarial et des données plus diversifiées, mais cela crée une compétition continue. Le résultat ressemble davantage à la détection de malwares qu’à un test permanent d’authenticité.

L’attribution présente également un risque de gouvernance. Une fausse étiquette de générateur pourrait nuire à un créateur, à un fournisseur de modèles ou à un éditeur si les organisations la présentent sans incertitude.

La présence de YouTube et de Google DeepMind parmi les affiliations de recherche rend la transparence particulièrement importante. Google exploite d’importants systèmes de génération, de distribution, de recherche et de publicité.

Cette concentration n’invalide pas les travaux. Elle renforce toutefois l’argument en faveur de réplications indépendantes, de benchmarks publics et d’une séparation claire entre les affirmations de recherche et l’application des règles par les plateformes.

Les auteurs proposent une méthode d’interprétabilité via T-Sigs, ce qui constitue une avancée utile. Les visualisations d’attention, toutefois, n’expliquent pas automatiquement la causalité et ne prouvent pas qu’un modèle s’est appuyé sur des caractéristiques forensiques légitimes.

Un système peut porter son attention sur une région tout en s’appuyant sur des artefacts corrélés du jeu de données. Les chercheurs doivent vérifier si les signatures persistent à travers les paramètres d’encodage, les sujets et les pipelines de collecte.

Les jeux de données sous-jacents façonnent également ce que le modèle apprend. Si les exemples d’un générateur présentent systématiquement une résolution, un filigrane ou un schéma de montage particulier, un classificateur peut exploiter ce raccourci.

L’extraction de négatifs difficiles peut réduire les raccourcis faciles en mettant l’accent sur des exemples déroutants. Une conception rigoureuse des jeux de données et des tests externes restent nécessaires.

Une autre distinction concerne l’attribution du générateur par rapport à l’origine du contenu. Même une étiquette de modèle correcte ne peut révéler quel compte de service a lancé la génération.

Elle ne peut pas retrouver le prompt d’origine, sauf si cette information existe ailleurs. Elle ne peut pas non plus établir si le créateur avait consciemment l’intention de tromper qui que ce soit.

Les journalistes devraient donc décrire un résultat comme compatible avec un générateur, associé à celui-ci ou attribué à celui-ci dans les conditions testées. Des termes tels que « prouvé » vont au-delà des éléments disponibles.

Les équipes de sécurité devraient préserver le fichier complet, consigner les étapes de traitement et comparer les résultats de plusieurs méthodes. Elles devraient également conserver les éléments contradictoires.

Pour les lecteurs qui suivent les recherches en évolution rapide via Google News, cette limite est l’enseignement le plus important. Un meilleur instrument forensique ne transforme pas une attribution probabiliste en certitude.

SAGA réduit l’inconnu. Il ne l’efface pas.

Trois signaux qui détermineront si SAGA compte

Le prochain test consiste à déterminer si l’attribution de source résiste hors des benchmarks et devient une couche d’un processus de vérification transparent.

Le premier signal est un test indépendant sur des vidéos transformées et adversariales. Des chercheurs extérieurs à l’équipe d’origine doivent évaluer comment l’attribution évolue après recadrage, compression, enregistrement d’écran, interpolation d’images et montage génératif.

Les résultats sur des modèles inconnus seront les plus importants. Un système utile doit distinguer un « générateur inédit » d’une correspondance erronée mais assurée avec une source familière.

De solides performances dans ces conditions renforceraient l’affirmation de SAGA selon laquelle les artefacts des générateurs fournissent des preuves forensiques durables. De fortes pertes de précision limiteraient son rôle aux enquêtes contrôlées.

Le deuxième signal est l’intégration avec des systèmes de provenance plutôt que la concurrence avec eux. Google a déjà décrit l’extension d’outils permettant d’identifier les médias générés par IA et le test de flux de détection plus rapides.

Sa mise à jour de mai 2026 sur l’identification des médias présentait les étiquettes, SynthID, Content Credentials et la détection comme des éléments d’une stratégie plus large.

Une mise en œuvre pratique devrait présenter chaque couche de preuve séparément. Les utilisateurs doivent savoir si une conclusion provient de métadonnées signées, d’un filigrane détecté ou d’une attribution statistique.

Regrouper ces signaux sous une seule étiquette masquerait d’importantes différences de fiabilité. Une attestation vérifiée n’est pas équivalente à l’estimation d’une famille de modèles par un classificateur.

Une intégration transparente renforcerait la valeur de la recherche. Une étiquette de plateforme inexpliquée affaiblirait la confiance, même si le modèle sous-jacent est performant.

Le troisième signal est de savoir si les développeurs et les plateformes publient des détails d’évaluation pour les usages d’application. Cela inclut les taux d’erreur, le comportement de rejet, les générateurs pris en charge et les performances après des transformations courantes.

Les organisations devraient également définir une voie de recours. Les créateurs ont besoin d’un moyen de contester des étiquettes aux conséquences importantes, surtout lorsqu’un système évalue des médias montés ou hybrides.

Les contenus hybrides constituent un test de politique immédiat. Une vidéo peut combiner des images de caméra, des effets visuels conventionnels, des insertions générées et un montage assisté par IA.

Qualifier l’ensemble du fichier de synthétique peut masquer davantage d’informations qu’il n’en révèle. Des outils précis devraient identifier quelles parties étayent une attribution et à quel endroit le niveau de confiance diminue.

Ce problème s’aligne sur l’accent mis par SAGA sur les preuves temporelles. Les systèmes futurs pourraient localiser les signatures de générateur dans des segments particuliers plutôt que d’attribuer une source unique à un fichier entier.

Une telle localisation aiderait les rédactions à analyser des clips manipulés contenant des éléments authentiques. Elle réduirait également la pression visant à enfermer des médias complexes dans des catégories binaires.

Les lecteurs devraient observer comment YouTube traite cette distinction. La plateforme se situe à l’intersection de la création par IA, de la distribution de contenu, de la divulgation de provenance et de la recherche sur les modèles.

Un déploiement sur cette plateforme offrirait de l’échelle, mais l’échelle augmente le coût des erreurs. Même un faible taux d’erreur peut affecter de nombreux créateurs lorsqu’il est appliqué à une grande plateforme.

Les organisations de presse font face à une version plus restreinte mais urgente de la même décision. Elles ont besoin d’une vérification plus rapide lors d’élections, de guerres, de catastrophes et d’incidents de sécurité de dernière minute.

SAGA peut apporter un indice technique dans ce flux de travail. Il devrait se placer aux côtés des entretiens avec les sources, des recherches inversées, de la géolocalisation, de l’inspection des métadonnées et de l’analyse image par image.

Les équipes de sécurité en entreprise ont une autre raison de suivre ces travaux. Des vidéos synthétiques de dirigeants apparaissent de plus en plus dans des scénarios d’usurpation d’identité, d’ingénierie sociale et de preuves fabriquées.

Une estimation de famille de modèles pourrait relier plusieurs tentatives ou identifier des changements dans le processus de production d’un attaquant. Cette information peut améliorer le regroupement des incidents sans établir une identité.

Les équipes chargées de ces enquêtes ont besoin de dossiers consultables contenant les fichiers, les conclusions, les sources et les éléments contradictoires. Une base de connaissances IA structurée peut préserver ce contexte entre analystes et dossiers.

La recherche crée également une pression en faveur d’un langage d’évaluation standard. Le terme « source » peut désigner un générateur, une version de modèle, une équipe de développement, un compte de service, un créateur ou le téléversement d’origine.

SAGA couvre plusieurs significations liées aux générateurs. La communication publique doit préciser laquelle est étayée par un résultat.

La couverture de Google News attirera probablement davantage l’attention sur la promesse séduisante de remonter une vidéo jusqu’à sa source. L’histoire durable est plus circonscrite et plus lourde de conséquences.

Les chercheurs construisent des outils capables d’inférer la filiation de production d’une vidéo synthétique lorsqu’aucune provenance explicite n’est disponible. Ces outils deviennent plus interprétables et moins dépendants de vastes volumes de données étiquetées.

Leurs limites restent tout aussi importantes. Les empreintes forensiques peuvent changer, disparaître, se confondre ou induire en erreur lorsque les conditions diffèrent de celles du benchmark.

La bonne question n’est pas de savoir si SAGA remplacera les filigranes. Elle est de savoir si des tests indépendants montreront que les deux méthodes peuvent se renforcer mutuellement sans masquer l’incertitude.

Surveillez les évaluations sur des générateurs inédits, les étiquettes de preuve transparentes et les taux d’erreur de déploiement publiés. Ces trois signaux montreront si SAGA devient une couche forensique pratique ou reste un résultat de recherche prometteur.