Google a publié un article de recherche intitulé The Synthetic Gap sur le site de sa division recherche, rédigé par sept de ses chercheurs. L’étude présente SAFE (Scaled Abuse Forensics Examiner), un outil interne conçu pour confier à des agents d’IA l’enquête sur des groupes de chaînes suspectes publiant des vidéos générées en masse. Le document est daté de 2026, sans autre précision. Le schéma du système mentionne des données issues de "YT Channel", laissant supposer que YouTube fait partie des premières cibles de cet outil. Le terme "AI slop" désigne des vidéos de faible qualité produites en masse par l’IA et souvent diffusées par des réseaux de chaînes collaborant entre elles. Sur YouTube, ce type de contenu est régulièrement rencontré. En novembre 2025, l’éditeur vidéo en ligne Kapwing a analysé les 100 chaînes les plus populaires dans chaque pays, soit un total de 15 000 chaînes. Son rapport a identifié 278 chaînes ne publiant que du slop, soit moins de 2 % de l’échantillon, mais totalisant plus de 63 milliards de vues et environ 117 millions de dollars (soit environ 100 millions d’euros) de revenus annuels estimés. Kapwing a également créé un compte vierge et constaté que, parmi les 500 premières vidéos Shorts suggérées par YouTube, 104 étaient du slop, soit environ une sur cinq. Pourtant, ces chaînes de slop ne devraient pas reposer sur ce type de contenu. Depuis le 15 juillet 2025, YouTube exclut en effet de son programme partenaire, et donc des revenus publicitaires, les contenus jugés "non authentiques". Un nouvel examen mené par Kapwing à l’automne suivant montre que ces vidéos restent très répandues malgré cette règle. YouTube reconnaît le problème. Neal Mohan, PDG de la plateforme, en a fait une priorité annuelle dans sa lettre publiée le 21 janvier 2026. Il promet de s’appuyer sur des systèmes déjà existants pour lutter contre le spam et le clickbait. SAFE donne un aperçu de ce à quoi pourraient ressembler ces outils. Lorsque Google évoque des enquêtes, c’est que la détection traditionnelle n’est plus suffisante. Les réseaux de slop publient des vidéos légèrement différentes les unes des autres. Les outils détectant les doublons passent donc à côté. Les chercheurs parlent de "synthetic gap" pour désigner le délai entre l’émergence d’une nouvelle technique d’abus par IA et l’arrivée d’un contre-mesure. Aujourd’hui, les analystes humains mènent les enquêtes manuellement, mais leur rythme est trop lent face au volume. SAFE répartit une partie du travail entre agents d’IA capables d’effectuer des tâches complexes de manière autonome. Au sommet, un agent "racine" joue le rôle de chef d’enquête. Il reçoit un groupe de chaînes suspectes et répartit le travail entre trois agents spécialisés avant de valider leurs conclusions. Le premier agent analyse les vidéos et leurs métadonnées. Il repère les scripts répétitifs, les incohérences visuelles typiques de la génération automatisée, ainsi que les violations de règles, comme l’usurpation d’identité par IA. Le deuxième agent étudie le comportement des comptes. Il compare les infrastructures réseau, les empreintes d’appareils (la signature technique des smartphones ou ordinateurs utilisés pour uploader les vidéos) et les horaires de publication pour détecter des synchronisations ou des envois groupés. En cas de suspicion, il peut alerter, par exemple en indiquant : "100 % des chaînes utilisent la même version de système d’exploitation et publient dans une fenêtre de 5 secondes." Le troisième agent cartographie les liens entre les comptes. L’objectif est de démanteler l’ensemble de l’opération en une seule fois, plutôt que de fermer les chaînes une par une. Un autre article de Google, également publié en 2026, fournit des chiffres. Dans une version initiale de leur étude, ensuite retirée du site de Google Research, quatre chercheurs décrivent un système déjà déployé sur "une grande plateforme vidéo en ligne". En six mois, il aurait permis la fermeture de 50 000 groupes de comptes coordonnés, soit 130 000 chaînes. Selon ses auteurs, il a aussi divisé par deux le nombre de vérifications humaines, économisant environ 83 heures de travail. La version actuelle ne mentionne plus ce déploiement et met en avant les résultats d’évaluation : 74 % des cas triés automatiquement et plus de 1 100 heures de vérification économisées par semaine. SAFE semble cibler les cas échappant à ce premier filet. Ses auteurs expliquent que les signaux de coordination passent à côté des chaînes dont les vidéos ne sont pas assez similaires, même si leurs propriétaires adoptent le même comportement. Pour les spectateurs, ces outils devraient rester invisibles. Les seuls marqueurs visibles sont les étiquettes : YouTube signale les vidéos créées avec ses propres outils d’IA, et les créateurs doivent déclarer leur contenu réaliste modifié ou généré. Pourtant, YouTube pousse lui-même le contenu généré par IA. Dans sa lettre de janvier, Neal Mohan indique que plus d’un million de chaînes ont utilisé, en moyenne, les outils de création par IA de la plateforme chaque jour en décembre. Le défi est donc de distinguer ces vidéos de celles que SAFE doit détecter.