Le watermarking invisible consiste à insérer un signal caché, imperceptible, dans un contenu numérique: image, audio ou texte. Longtemps outil de protection du droit d'auteur, il est devenu une brique essentielle de la transparence et de la sécurité des systèmes d'IA : c'est aujourd'hui l'un des rares moyens de rendre un contenu généré par IA détectable et traçable. Cette présentation introduit Content Seal OSS, la suite de modèles de watermarking open source développée au FAIR (Meta), qui couvre les trois modalités : PixelSeal pour l'image et la vidéo, AudioSeal pour l'audio, TextSeal pour les LLM. Nous verrons où le watermark peut s'insérer dans un pipeline de génération (en post-traitement sur la sortie, ou nativement dans le modèle) et ce que chaque choix implique concrètement en latence, coût de calcul et effort d'intégration. Au-delà de la recherche, nous discuterons de ce qui est réellement déployé en production et des contraintes qui dictent ces décisions, puis des limites de l'approche : robustesse aux transformations, sécurité face à un adversaire adaptatif, détection à grande échelle. Nous terminerons sur l'articulation avec les autres standards de provenance et les régulations émergentes comme l'AI Act. Descriptif (version courte, selon la place disponible dans le programme) : Le watermarking invisible insère un signal imperceptible dans une image, un son ou un texte, et constitue aujourd'hui l'un des rares moyens de rendre un contenu généré par IA traçable. Cette session présente Content Seal, la suite open source de modèles de watermarking développée au FAIR (Meta) pour les trois modalités, les choix d'intégration dans un pipeline de génération (latence, coût, robustesse), et les limites de l'approche face à un adversaire.