Tout le monde partage ces photos d'animaux. Personne ne vérifie leur origine.

Une photo d'oiseau rarissime fait le tour du web. Mais cet oiseau n'existe pas.

En 2023, plusieurs images d'une supposée "grenouille translucide découverte en Amazonie" ont été massivement partagées sur les réseaux sociaux, relayées par des comptes scientifiques, des journalistes, et même des associations de protection de la nature. Problème : ces images avaient été générées par une IA. La grenouille n'existait pas. Et personne, dans la chaîne de partage, n'avait vérifié.

Ce cas n'est pas isolé. À mesure que des outils comme Midjourney, DALL·E ou Stable Diffusion gagnent en réalisme, une menace silencieuse s'installe au cœur de la science naturelle et de la conservation de la biodiversité. Une menace que la plupart des experts n'ont pas encore pris le temps de nommer clairement.

Quand le faux devient indiscernable du vrai

Les générateurs d'images par IA sont devenus capables de produire des photographies d'animaux d'un réalisme troublant. Pelage, écailles, reflets de lumière sur une plume mouillée, posture naturelle dans un habitat crédible — tout y est. Ou presque.

Le problème, c'est que ces images ne documentent rien. Elles inventent. Et dans le domaine de la biologie, de l'écologie ou de la conservation, documenter est tout.

Voici ce qui rend la situation particulièrement dangereuse :

• Les images IA ne portent aucune métadonnée de localisation. Une vraie photo de terrain intègre souvent des données GPS, une date, un appareil. Une image générée, non.
• Le réalisme dépasse désormais l'intuition humaine. Des études montrent que même des biologistes expérimentés ne distinguent pas systématiquement une photo IA d'une photo réelle d'animal sauvage.
• Les plateformes de partage amplifient sans filtrer. Instagram, Twitter/X, Facebook — aucun algorithme n'est calibré pour détecter si un animal photographié existe réellement.

Les risques concrets pour la science et la conservation

1. La pollution des bases de données scientifiques

Des plateformes comme iNaturalist ou eBird reposent sur des observations citoyennes. Des milliers de scientifiques s'en servent pour suivre l'évolution des populations animales, détecter des espèces invasives, ou alerter sur des extinctions locales. Si des images IA s'y infiltrent — intentionnellement ou non — les données deviennent inexploitables. Une "observation" d'une espèce en voie de disparition dans une région où elle n'existe pas peut fausser des modèles de conservation pendant des années.

2. La désinformation sur les espèces menacées

Des images d'animaux "magnifiques et rares" générées par IA circulent déjà dans des campagnes de sensibilisation. En apparence, cela semble inoffensif, voire utile pour attirer l'attention. En réalité, cela crée un problème de crédibilité systémique : si le public apprend que certaines images de campagnes environnementales étaient fabriquées, la confiance envers l'ensemble du mouvement de conservation en prend un coup.

3. Les hallucinations morphologiques

Les modèles génératifs ont tendance à créer des chimères — des animaux qui ressemblent à des espèces réelles mais comportent des anomalies subtiles : un nombre incorrect de doigts, une coloration impossible, une anatomie biologiquement incohérente. Ces images, si elles sont utilisées dans des supports éducatifs ou journalistiques, propagent une connaissance erronée du vivant, notamment chez les jeunes.

Des exemples documentés qui font réfléchir

En 2024, un photographe animalier britannique a volontairement soumis une image générée par Midjourney à un concours photo réputé pour tester ses garde-fous. L'image représentait un loup dans une forêt brumeuse. Elle a passé le premier tour de sélection. Le photographe a ensuite publiquement dénoncé cette faille.

Plus préoccupant encore : des chercheurs de l'Université de Bristol ont montré que des images IA d'oiseaux pouvaient tromper des algorithmes de reconnaissance d'espèces — les mêmes utilisés pour surveiller la biodiversité à grande échelle via des pièges photographiques automatisés.

Que faire face à ce problème ?

La réponse n'est pas de diaboliser l'IA générative — elle a des usages légitimes, y compris en pédagogie. Mais plusieurs mesures s'imposent dès maintenant :

• Exiger un watermarking systématique des images produites par IA, avec des standards lisibles par les machines comme ceux proposés par la Coalition for Content Provenance and Authenticity (C2PA).
• Former les communautés scientifiques citoyennes à détecter les signes d'une image générée : incohérences anatomiques, arrière-plans flous suspects, absence de métadonnées.
• Intégrer des outils de détection IA dans les plateformes comme iNaturalist, à l'image de ce que certains journaux scientifiques commencent à faire pour les images de microscopie.
• Établir une charte éthique claire dans les associations de conservation et les médias environnementaux sur l'usage des visuels générés.

La vraie urgence n'est pas technologique

On parle beaucoup des risques de l'IA dans la politique, la finance ou la santé. Mais la biodiversité est un angle mort de ce débat. Or, la science du vivant repose sur quelque chose de fondamental : la confiance dans l'observation. Si cette confiance se fissure — parce qu'on ne sait plus si une image documente ou invente — c'est toute la capacité collective à protéger le vivant qui vacille.

La prochaine fois qu'une photo d'animal rarissime envahit votre fil d'actualité, posez-vous une seule question avant de la partager : quelqu'un a-t-il vraiment vu cet animal ? La réponse, de plus en plus souvent, mérite d'être vérifiée.

— Reservoir Live