L'utilisation croissante de réseaux de neurones dans le traitement automatique de données soulève de nouvelles problématiques. L'une d'elles est la détection de décalage des covariables d'entrées. Ce décalage entraîne une inadéquation entre le réseau et les données: le réseau continue de traiter les données, mais fournit des résultats vides de sens. Nous présentons des méthodes statistiques de détection de comportement peu confiant. Abstract-The growing use of neural networks for automatic data processing raises new challenges. Among this is detecting changes of distribution or covariate shift of the inputs. The shift leads to a mismatch between the network and the incoming data: the network makes decisions but its outputs are meaningless. This paper introduces a novel statistical method to detect under-confident behavior of the network.