L'entreprise est fondée à Brooklyn par Max Spero et Bradley Emi en 2023 et le logiciel, un réseau de neurones artificiels, est lancé sous le nom de Checkfor.ai en octobre de la même année. Max Spero prend le poste de PDG et Bradley Emi celui de directeur technique. L'entreprise adopte le nom de Pangram Labs en avril 2024. En juin 2025, Reuters indique que l'entreprise a levé environ 4 millions de dollars américains lors d'un tour de table d'amorçage mené par ScOp Venture Capital. Parmi ses clients figuraient Quora et NewsGuard. L'entreprise propose également un outil de détection d'images.
Pangram 3, sorti en décembre 2025, introduit des classifications pour les contenus rédigés avec une assistance légère ou modérée de l'IA.
En juillet 2026, l'entreprise lève 9 millions de dollars lors d'un tour de financement mené par Menlo Ventures. Pangram 4, lancé le 29 juillet 2026, ajoute une classification plus détaillée des passages combinant rédaction humaine et texte généré ou modifié par l'IA. Ce jour-là, l'entreprise publie également Pangram Image sous forme de version préliminaire de recherche.
Le tour de financement de juillet voit également la participation de ScOp et de Haystack Ventures. Pangram indique à The New York Times que son nombre d'utilisateurs mensuels est passé de 2 700 en juin 2025 à 120 000 en juin 2026, et que son chiffre d'affaires annualisé avait été multiplié par 35 au cours de cette période.
Fonctionnement
Pangram Labs entraîne son détecteur sur des textes rédigés par des humains, associés à des textes générés par IA appariés selon le sujet, la longueur et le ton. La façon dont il y parvient n'est pas connue avec précision. C’est «une boîte noire» reconnaît le cofondateur et dirigeant Max Spero.
Afin de réduire les faux positifs, l'entreprise identifie des textes humains que le modèle a mal classés et les intègre aux données d'entraînement aux côtés des exemples d'IA correspondants.
Pangram 4 analyse des textes en prose d'au moins 50 mots et indique quelle proportion et quelles parties du texte sont classées comme étant rédigées par un humain, assistées par une IA ou générées par une IA.
Utilisation
Services et intégrations
Processus d'entraînement Pangram, utilisant des exemples humains mal classés et les textes correspondants générés par l'IA pour réentraîner le classifieur.
Pangram est disponible sur le site web de l'entreprise, via des extensions de navigateur et par le biais d'une API. Les extensions de navigateur analysent le texte au fur et à mesure de la navigation des utilisateurs. Pangram propose un accès gratuit ainsi que des abonnements payants, la vérification du plagiat étant une fonctionnalité distincte. L'outil s'intègre à Canvas et Google Classroom. En mars 2026, NewsGuard lance un outil utilisant Pangram pour identifier les sites web contenant une quantité importante de contenus générés par IA. En juillet 2026, Substack intègre les analyses de Pangram pour permettre aux lecteurs de vérifier si les publications et les commentaires contiennent du texte généré par IA.
Applications dans la recherche
Pangram a également été utilisé dans le cadre de recherches sur la prévalence des écrits générés par IA. Une étude coécrite par les fondateurs de Pangram et publiée lors de la conférence 2026 de l'Association for Computational Linguistics a examiné environ 186 000 articles publiés par 1 500 journaux américains durant l'été 2025. Pangram a signalé qu'environ 9% de ces articles étaient partiellement ou entièrement générés par IA.
Dans une autre étude, l'entreprise a analysé des publications rencontrées par les utilisateurs de l'extension ayant accepté de partager les résultats de leurs analyses. Pangram a classé environ 41% des publications LinkedIn de plus de 250 mots de cet échantillon comme étant générées par IA. L'échantillon couvrait LinkedIn, Medium, X, Reddit et Substack; Substack affichait la part combinée la plus faible de publications longues générées ou assistées par IA, soit 21,9%.
Pangram Labs a estimé que 21% des évaluations par les pairs soumises pour la conférence International Conference on Learning Representations de 2026 étaient entièrement générées par IA. L'American Association for Cancer Research a utilisé Pangram pour examiner les soumissions à ses revues; elle a identifié des textes probablement générés par IA dans 23% des résumés et 5% des rapports d'évaluation par les pairs datant de 2024. Une analyse réalisée en 2026 pour la revue Organization Science a utilisé Pangram pour examiner les résumés et les évaluations par les pairs soumis. Les auteurs ont signalé une baisse, après 2022, de la proportion de résumés présentant un faible score d'IA.
Précision
Taux d'erreurs de détection
Des études indépendantes portant sur les versions précédentes à Pangram 4 ont révélé de faibles taux d'erreur, tout en notant que certains textes générés par IA échappaient à la détection lorsqu'ils étaient conçus pour imiter le style d'auteurs humains,. Son utilisation dans les secteurs de l'éducation et de l'édition a suscité un débat: les résultats fournis par l'outil constituent-ils une preuve suffisante d'une utilisation non déclarée de l'IA.
Évaluations indépendantes
Dans un document de travail publié en septembre 2025 par le National Bureau of Economic Research, Brian Jabarian et Alex Imas ont comparé Pangram à OriginalityAI, GPTZero et un détecteur basé sur RoBERTa. Les auteurs ont relevé des taux de faux positifs et de faux négatifs quasi nuls pour Pangram, quel que soit le genre ou la longueur des textes générés par différents modèles, y compris ceux traités par des logiciels d'humanisation de texte.
Dans une étude menée en 2025, Jenna Russell, Marzena Karpinska et Mohit Iyyer ont comparé des détecteurs automatisés à des personnes expérimentées dans l'utilisation de modèles linguistiques pour la rédaction. Lorsque les jugements des participants ont été combinés par vote majoritaire, ceux-ci ont correctement classé 299 des 300 articles documentaires en anglais analysés. Pangram a été le seul détecteur automatisé testé à atteindre ce niveau de précision.
Une étude de 2025 menée par Shoumik Saha et Soheil Feizi a évalué 12 détecteurs, dont Pangram, sur environ 15 000 échantillons de textes rédigés par des humains puis modifiés par une IA. Ces détecteurs classaient souvent les textes peu modifiés comme étant générés par une IA et peinaient à distinguer les différents degrés d'assistance de l'IA. Les textes modifiés par des modèles de langage plus anciens ou de plus petite taille étaient plus susceptibles d'être signalés.
Une étude de juin 2026, réalisée par Marijke Van Vlasselaer, Filip Van Droogenbroeck et Bram Spruyt de la Vrije Universiteit Brussel, a comparé Pangram, GPTZero, Copyleaks et Turnitin sur 160 documents dont la part d'IA était connue. Pangram a obtenu les meilleurs résultats pour identifier les textes entièrement générés par une IA, les textes mixtes et les textes humanisés; les quatre détecteurs ont correctement classé les documents entièrement rédigés par des humains selon les seuils de notation de l'étude, avec aucun faux positif pour Pangram, Copyleaks et Turnitin. Les auteurs ont également appliqué Pangram à 1 163 mémoires de master dont le degré d'utilisation de l'IA était inconnu. Pangram détecte des usages d'IA dans 45,5% de ces mémoires, avec peu d'utilisation massive (1,9% des mémoires). Ils recommandent d'utiliser les verdicts de ces IA comme un point de départ pour lancer des investigations, plutôt que de se fier uniquement aux résultats.
Taux d'erreur relevés dans une évaluation d'Epoch AI publiée en juillet 2026, avant la sortie de Pangram 4. Pangram n'a pas identifié 10,1% des passages générés par IA imitant des auteurs humains (faux négatifs), et 0% de faux positifs; l'évaluation comptabilisait les classifications mixtes comme des détections manquées.
Dans des tests publiés le , Epoch AI a constaté que Pangram classait correctement l'ensemble des 495 passages rédigés par des humains ainsi que les 297 passages générés par une IA à partir de consignes simples. Pangram n'a pas réussi à classer comme étant entièrement générés par une IA 30 des 297 passages imitant des auteurs humains spécifiques, soit un taux de 10,1%. L'évaluation considérait un verdict «mixte» pour un texte entièrement généré par une IA comme une détection manquée.
En juillet 2026, avant la sortie de Pangram 4, le Reuters Institute for the Study of Journalism a rapporté que Pangram avait classé comme étant d'origine humaine 86% des 588 échantillons générés par IA —compilés par le chercheur Alexios Mantzarlis— alors qu'ils avaient été conçus pour contourner la détection grâce à des procédés tels que la rime, la répétition et l'usage d'un langage archaïque.
Dans une prépublication datée d'août 2026, Jonathan A. Karr Jr. et ses collègues de l'université de Notre Dame ont évalué Pangram 3.2 sur des résumés d'articles universitaires. Après que ces textes ont été retravaillés à l'aide de l'outil d'humanisation «Undetectable AI», Pangram a échoué à en détecter plus de 96% selon le seuil retenu pour l'étude. Les auteurs ont mis en garde contre le fait de considérer les scores fournis par ces détecteurs comme une preuve suffisante de mauvaise conduite universitaire.
Résultats de référence de Pangram 4
Lors de tests effectués par Pangram et rapportés en , Pangram 4 a incorrectement signalé 41 échantillonssur 1 000 000 de textes anglais rédigés par des humains et issus de FineWeb. Cela correspond à un taux de faux positifs de 0,0041%, soit environ un cas sur 24 000. L'intervalle de confiance à 95% indiqué allait de 0,0032% à 0,0050%. L'évaluation considérait comme une erreur tout classement de type «Mixte» (ou hybride) pour un texte entièrement rédigé par un humain. Les tests ont été réalisés en utilisant les paramètres de production du modèle.
Dans un autre test portant sur 519 993 textes en anglais générés par 26 modèles d'IA, l'entreprise a fait état d'un taux de faux négatifs de 0,3396% pour Pangram 4, contre environ 1,99% pour Pangram 3. L'entreprise a également signalé avoir détecté une intervention de l'IA dans 98,83% des échantillons traités par 13 outils commerciaux dits d'«humanisation», conçus pour réécrire les textes générés afin de contourner la détection.
Limites
Pangram 4 est conçu pour la prose. Selon l'entreprise, le code informatique, les textes mathématiques, les réponses factuelles courtes et les contenus générés à partir de modèles prédéfinis sortent du cadre de son utilisation prévue ou sont davantage sujets aux erreurs.
Pangram est engagé dans une «course aux armements» avec les développeurs de grands modèles de langage (LLM), qui visent à produire une prose plus proche de celle d'un humain; le détecteur a tendance à être moins performant face aux nouveaux modèles LLM ne figurant pas dans son jeu de données d'entraînement,. Ses performances diminuent également lorsque le texte généré par un LLM a été traité par un logiciel d'«humanisation» ou lorsque l'IA a été invitée à imiter des auteurs humains spécifiques, entre autres techniques,.
Par ailleurs, Pangram a historiquement éprouvé des difficultés à déterminer avec précision si un texte était partiellement ou entièrement généré par une IA; par exemple, lors d'un test effectué en juillet 2026, l'auteur Freddie deBoer a inséré plusieurs phrases générées par IA dans son propre texte, ce qui a conduit Pangram à qualifier l'ensemble du passage de contenu généré par IA. Spero a affirmé que Pangram 4 classait cet exemple avec plus de précision.
Réception
En août 2026, Brian X. Chen, du New York Times, a rapporté que Pangram parvenait à distinguer correctement les textes humains de ceux générés par une IA lors de dizaines de tests, y compris face à des tentatives d'imitation de son propre style. Il a toutefois jugé le détecteur d'images moins fiable.
Dans un article publié par The Atlantic en mai 2026, Matteo Wong a remis en question le fait de s'appuyer sur Pangram pour formuler des accusations publiques d'utilisation de l'IA. Selon lui,
«pratiquement toutes les accusations récentes et très médiatisées concernant des personnes faisant passer des textes générés par l'IA pour les leurs ont débuté de la même manière: avec un outil appelé Pangram»
Il a décrit un cas de faux positif concernant Taylor Lorenz, erreur que Spero a reconnue après enquête. Il a également soulevé des inquiétudes quant au fonctionnement en «boîte noire» de l'algorithme de Pangram: si l'outil peut indiquer quelle partie d'un texte a probablement été générée par un grand modèle de langage (LLM), il est incapable d'expliquer les raisons précises du signalement.
Après que Pangram a identifié des articles de trois de ses rédacteurs comme étant générés par une IA, James Taranto, éditeur à The Wall Street Journal, a qualifié l'outil de «machine à diffamer». Deux des auteurs ont admis avoir eu recours à l'IA pour réviser certains de leurs travaux, une pratique que Taranto a jugé «inexacte et injuste» de qualifier de contenu généré par l'IA.
Dans Slate, Tim Requarth a soutenu que les accusations publiques fondées sur ces détecteurs se concentraient trop exclusivement sur la nature du texte final, négligeant ainsi l'influence de l'IA sur la phase de recherche et les autres étapes de la rédaction.
En septembre 2026, Will Oremus a fait état de désaccords entre enseignants et administrateurs universitaires au sujet de Pangram et d'autres détecteurs. Certains enseignants utilisaient ces outils pour enquêter sur des soupçons d'utilisation de l'IA, tandis que d'autres remettaient en cause leur fiabilité ou modifiaient la conception de leurs devoirs afin de limiter les possibilités d'utilisation non déclarée de l'IA.
Exemples de contestations d'autorité textuelle
Les résultats fournis par Pangram ont alimenté la controverse entourant le roman Shy Girl de Mia Ballard en mars 2026. Spero a indiqué que l'outil de détection classait 78% du livre comme étant généré par l'IA. Ballard a nié avoir personnellement eu recours à l'IA et a attribué une telle utilisation à un éditeur. Hachette a retiré l'édition britannique de la vente et a annulé la publication prévue aux États-Unis.
Pangram a également signalé un essai de Kate Gilgan publié dans la rubrique «Modern Love» de The New York Times. Gilgan a déclaré avoir utilisé l'IA pour «trouver de l'inspiration, obtenir des conseils et effectuer des corrections», mais a affirmé ne pas avoir copié de texte généré par la machine dans son essai.
En mai 2026, les résultats de Pangram ont suscité des allégations d'utilisation de l'IA dans les récits de trois lauréats régionaux du prix Commonwealth Short Story Prize, publiés dans la revue Granta. La Commonwealth Foundation a indiqué que les auteurs présélectionnés avaient nié avoir eu recours à l'IA et a maintenu les résultats après une consultation approfondie. Le rédacteur en chef de Granta a qualifié les preuves de non concluantes.
C'est après une analyse via Pangram 4 que le premier roman de l’écrivain Thélyson Orélien, C’était ça ou mourir, phénomène littéraire de la rentrée de septembre 2026, est décrit comme écrit «presque intégralement par une intelligence artificielle» par l'essayiste Samuel Fitoussi sur son compte X,, donnant ainsi à Pangram une forte notoriété en France.
Pangram a également servi à remettre en question l'autorité de certains passages de l'encycliqueMagnifica humanitas du pape Léon XIV, consacrée à la «préservation de la personne humaine à l'ère de l'intelligence artificielle». Le site Snopes a rapporté qu'une analyse classait 4% de l'encyclique comme générée par l'IA et 2% comme assistée par l'IA, mais que ces résultats ne permettaient pas d'établir si l'IA avait effectivement été utilisée pour rédiger le document. Des analyses effectuées sur des encycliques antérieures avaient abouti à une classification indiquant une rédaction entièrement humaine.
↑(en) Jenna Russell, Marzena Karpinska, Destiny Akinode et James Zhou, «AI use in American newspapers is widespread, uneven, and rarely disclosed», Proceedings of the 64th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), Association for Computational Linguistics, , p.14554–14580 (ISBN979-8-89176-390-6, DOI10.18653/v1/2026.acl-long.663, lire en ligne, consulté le ).
↑(en) Miryam Naddaf, «Major AI conference flooded with peer reviews written fully by AI», Nature, Nature Publishing Group, vol.648, no8093, , p.256–257 (ISSN1476-4687, DOI10.1038/d41586-025-03506-6, lire en ligne, consulté le ).
↑Claudine Gartenberg, Sharique Hasan, Alex Murray et Lamar Pierce, «More Versus Better: Artificial Intelligence, Incentives, and the Emerging Crisis in Peer Review», Organization Science, INFORMS, vol.37, no3, , p.795–812 (ISSN1047-7039, DOI10.1287/orsc.2026.ed.v37.n3, lire en ligne, consulté le ).
↑(en) Shoumik Saha et Soheil Feizi, «Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing», Findings of the Association for Computational Linguistics: ACL 2025, Association for Computational Linguistics, , p.25414–25431 (ISBN979-8-89176-256-5, DOI10.18653/v1/2025.findings-acl.1303, lire en ligne, consulté le ).
↑(en) Marijke Van Vlasselaer, Filip Van Droogenbroeck et Bram Spruyt, «Who wrote this? Evaluating the reliability of AI detection tools in higher education», International Journal for Educational Integrity, vol.22, no1, , p.16 (ISSN1833-2595, DOI10.1007/s40979-026-00226-w, lire en ligne, consulté le ).
↑(en-US) Miles Klee, «Literary Prizewinners Are Facing AI Allegations. It Feels Like the New Normal», Wired, (ISSN1059-1028, lire en ligne, consulté le ).
↑Raphaëlle Rérolle, «Quand Pangram, l’outil qui détecte l’utilisation des IA, fait irruption dans la vie des éditeurs», Le Monde, (ISSN1950-6244, lire en ligne, consulté le )
