Les données tabulaires sont largement utilisées dans la médecine, les sciences sociales et les registres administratifs. Elles sont hétérogènes, souvent incomplètes et sensibles. Générer automatiquement des données réalistes et détecter celles produites artificiellement constituent deux défis majeurs à fort impact sociétal. Cette thèse aborde ces deux enjeux. Elle propose d’abord une évaluation rigoureuse et à grande échelle des générateurs de données tabulaires à l’état de l’art, incluant un réglage précis des hyperparamètres et des architectures, et une analyse selon l’utilité, la fidélité, la confidentialité et le coût de calcul. Les expériences identifient un ensemble réduit d’hyperparamètres offrant des performances proches d’un réglage exhaustif, pour un coût moindre. La thèse étudie ensuite la détection de données tabulaires synthétiques, en prévoyant un usage croissant des modèles génératifs. De nouveaux protocoles expérimentaux, schémas d’encodage et méthodes de détection sont proposés et évalués, couvrant des approches classiques et fondées sur les Transformers. Une attention particulière est portée aux scénarios de déploiement réel, apportant des enseignements utiles à la détection et au développement d’approches neuronales pour la prédiction tabulaire.