L’IA ne remplace pas la direction photo : elle permet de la décliner à grande échelle

Une marque qui définit précisément sa photographie n’a rien de nouveau. Lumière, cadrage, casting, décors, colorimétrie, niveau de retouche : ces règles font depuis longtemps partie des chartes et directions artistiques les plus abouties.

Ce que l’IA générative change n’est donc pas l’existence de ce langage visuel. Elle change la capacité à le décliner rapidement et à grande échelle, dans des budgets qui rendent auparavant certains volumes difficiles à produire sur mesure.

C’est une nuance importante. Réduire le sujet à « l’IA va remplacer les photographes » ferait passer à côté de ce qui se joue déjà dans les équipes web et design.

Quand le stock ne suffit plus

Le fonctionnement d’une banque d’images est simple : on part d’un besoin, on cherche avec des mots-clés, puis on choisit l’image qui s’en rapproche le plus.

Cela fonctionne très bien tant que les contraintes restent relativement ouvertes. Mais plus une marque possède une direction artistique précise, plus la recherche devient un exercice de compromis.

Il faut par exemple trouver une scène avec une lumière particulière, un certain type de composition, des personnes crédibles, un environnement suffisamment neutre, aucune marque tierce visible, aucun lieu immédiatement identifiable, une palette compatible avec l’identité du client et parfois une zone suffisamment calme dans l’image pour accueillir un titre ou un bouton.

Chaque contrainte prise séparément paraît raisonnable. Leur combinaison peut rendre l’image idéale quasiment introuvable.

C’est précisément le problème que nous avons rencontré récemment pour un client. Les banques d’images traditionnelles contenaient de nombreuses photographies techniquement exploitables, mais aucune ne répondait vraiment à l’ensemble des critères visuels définis.

Nous avons donc inversé le processus : au lieu de chercher l’image existante la plus proche du besoin, nous avons défini les règles permettant de produire des images cohérentes avec ce besoin.

Une direction photo, puis un système pour la reproduire

Le travail n’a pas consisté à écrire un promptConsigne / contexte fourni au modèle pour orienter sa génération (system, user, exemples, outils). différent pour chaque visuel.

Nous avons d’abord défini un périmètre photographique : type de lumière, ambiance générale, cadrages, nature des décors, degré de réalisme, éléments à exclure, absence de marques reconnaissables ou de lieux identifiables.

Nous avons ensuite utilisé les mécanismes de style et de personnalisation de Midjourney pour rapprocher les générations du rendu souhaité et, surtout, obtenir une cohérence d’une image à l’autre.

Autrement dit, l’intérêt n’était pas simplement de générer une bonne image. Il était de rendre un langage visuel reproductible.

Cette distinction est essentielle pour une marque. Une belle génération isolée est relativement facile à obtenir. Une série de dix, vingt ou cinquante visuels qui semblent appartenir au même univers est un problème beaucoup plus proche de la direction artistique traditionnelle.

L’IA n’enlève donc pas le besoin de définir le style. Elle rend sa déclinaison plus accessible.

Une troisième voie entre stock et shooting

Pendant longtemps, deux solutions dominaient.

La banque d’images permettait d’obtenir rapidement un visuel à coût raisonnable, au prix d’un compromis sur la singularité et la précision du résultat.

Le shooting sur mesure permettait au contraire de contrôler le casting, le décor, la lumière et la composition, avec un niveau de maîtrise bien supérieur — mais aussi une organisation, des délais et un budget de production plus importants.

La génération d’images ouvre une troisième voie.

Elle ne possède pas toutes les qualités d’un shooting, et elle n’offre pas la simplicité immédiate d’un catalogue prêt à l’emploi. En revanche, elle devient très intéressante lorsque le besoin se situe entre les deux : beaucoup de visuels, une direction précise, des déclinaisons fréquentes et des usages principalement digitaux.

Pour une équipe web, cela peut concerner des hero images, des landing pages, des contenus éditoriaux, des campagnes social media, des variantes de campagnes ou encore des visuels dont la durée de vie est relativement courte.

Le coût marginal d’une nouvelle déclinaison devient alors très différent de celui d’un nouveau shooting.

Ce que montre réellement l’étude de Nielsen Norman Group

Une étude publiée le 21 août 2026 par Nielsen Norman Group apporte un élément intéressant à cette discussion.

Les chercheurs ont présenté à 77 participants issus de la population adulte américaine six versions d’un même site fictif de cabinet de conseil. Les pages étaient identiques à l’exception de leur hero image : trois utilisaient des images générées avec ChatGPT Images 2.0, trois des photographies issues de banques d’images. Les participants ne savaient pas que l’étude portait sur l’IA.

Autre détail important : chaque page n’était visible que pendant 10 secondes avant l’évaluation. L’étude mesure donc surtout une impression immédiate, pas la perception d’un site après une lecture prolongée ou plusieurs interactions.

Dans ce cadre précis, les pages avec images générées ont obtenu des scores légèrement supérieurs sur les trois dimensions mesurées : confiance, professionnalisme et authenticité. Mais seule la différence sur l’authenticité était statistiquement significative, et l’écart restait faible : +0,4 point sur une échelle de 1 à 7.

Nielsen Norman Group insiste d’ailleurs sur la limite principale de l’expérience : seulement six images ont été testées. Les résultats ne permettent donc pas de conclure que les images générées seraient meilleures que les photographies de stock. Ils montrent plus modestement que, dans ce contexte, elles n’étaient pas désavantagées.

Le résultat est d’autant plus intéressant que les images IA du test ont été produites avec un prompt unique et générique. On est loin d’un dispositif de direction artistique structuré ou d’un système de personnalisation conçu pour reproduire un univers de marque. Cela ne prouve pas qu’un process plus élaboré obtient de meilleurs résultats, mais cela montre que la comparaison ne portait pas sur une production IA particulièrement sophistiquée.

Une image IA n’est pas automatiquement pénalisée — tant que son origine reste inconnue

Ce qui comptait le plus dans l’expérience était ce que l’image communiquait : crédibilité de la scène, qualité visuelle, représentation des personnes et adéquation avec l’entreprise.

Mais l’étude comporte une limite décisive : les participants n’étaient pas informés de l’origine des images.

Lorsque certains soupçonnaient malgré tout une image d’avoir été créée par IA, ils avaient tendance à moins bien évaluer le site — y compris lorsqu’ils se trompaient et regardaient en réalité une photographie classique.

Le problème n’est donc pas seulement de savoir si une image est artificielle. Il est aussi de savoir si elle en a l’air, et ce que change la divulgation de son origine.

Sur ce point, d’autres travaux invitent à la prudence. Oliver Schilke et Martin Reimann ont étudié l’effet de la divulgation de l’usage de l’IA à travers 13 expériences, sur des tâches allant de la communication à l’analyse ou à la création. Leur résultat est constant : les personnes ou organisations qui indiquent avoir utilisé l’IA sont en moyenne moins jugées dignes de confiance que celles qui ne le signalent pas. Les auteurs relient notamment cet effet à une baisse de légitimité perçue.

Un autre résultat est particulièrement opérationnel pour les marques : la pénalité de confiance est plus forte lorsque l’usage de l’IA est révélé par un tiers que lorsqu’il est déclaré par l’acteur lui-même. La transparence peut donc avoir un coût, mais laisser quelqu’un d’autre exposer cet usage semble en avoir un plus élevé. La question n’est plus seulement de savoir s’il faut divulguer, mais aussi qui prend l’initiative, à quel moment et dans quel contexte.

Cela ne permet pas de transposer mécaniquement cette pénalité à une hero image de site. Mais cela rappelle qu’une image générée évaluée sans information de provenance et une image explicitement signalée comme générée ne sont pas le même objet d’étude.

En Europe, la transparence devient aussi une contrainte de conception

Cette distinction est particulièrement importante pour les marques qui opèrent en Europe.

Depuis le 2 août 2026, les obligations de transparence de l’article 50 de l’AI Act sont applicables. Le texte ne dit pas que toute image générée utilisée par une marque doit afficher systématiquement un gros label visible « créé par IA ».

Il impose notamment aux fournisseurs de systèmes génératifs de faire en sorte que les contenus synthétiques — image, audio, vidéo ou texte — soient marqués dans un format lisible par machine et détectables comme artificiellement générés ou manipulés, lorsque c’est techniquement possible.

Pour les utilisateurs professionnels de ces systèmes, l’obligation de divulgation visible vise notamment les images, audios ou vidéos constituant des deepfakes. Le cadre prévoit par ailleurs des modalités particulières pour les œuvres manifestement artistiques, créatives, satiriques ou fictionnelles.

Pour une marque, la conséquence pratique est moins spectaculaire qu’un simple « tout doit être étiqueté », mais plus structurante : la provenance d’un contenu généré devient progressivement une donnée qu’il faut pouvoir conserver, détecter et, dans certains cas, rendre explicite.

La question de la confiance ne peut donc plus être traitée uniquement comme un sujet esthétique. Elle devient aussi une question de transparence, de conformité et de design de l’information.

Pour les agences et leurs clients, une autre question apparaît immédiatement : qui porte cette obligation lorsqu’un prestataire produit les contenus ? Les lignes directrices de la Commission rappellent que le déployeur n’est pas nécessairement la personne qui manipule techniquement l’outil. Ce qui compte est de savoir quelle personne physique ou morale utilise le système sous son autorité et sa responsabilité. Un salarié, un freelance ou un prestataire qui intervient sous l’autorité d’une entreprise n’est donc pas automatiquement un déployeur distinct.

Dans une relation agence-annonceur, la réponse dépend ainsi de la manière dont le dispositif est organisé : qui décide du recours au système, qui en définit l’usage, qui valide le contenu et sous la responsabilité de qui il est finalement déployé. La transparence devient alors aussi un sujet de gouvernance et de contrat, à clarifier en amont plutôt qu’au moment de mettre la campagne en ligne.

Industrialiser un style, c’est aussi industrialiser ses biais

L’un des passages les plus instructifs de l’étude de Nielsen Norman Group concerne la représentation.

Les commentaires des participants portaient régulièrement sur la diversité, la répartition des rôles, la hiérarchie perçue dans une scène ou encore le langage corporel. Une image réelle a notamment suscité plusieurs réactions négatives parce que les participants y percevaient moins de diversité et une relation moins collaborative entre les personnes représentées.

Le point important est que l’IA ne produit pas automatiquement des images inclusives. Un système capable de décliner rapidement une direction photographique peut aussi répliquer rapidement les mêmes biais de casting, de genre, d’âge, de rôle ou de statut.

C’est même l’un des risques spécifiques de la reproductibilité. Une erreur dans une photographie reste une erreur. Une règle implicite mal définie dans un système génératif peut se retrouver dans des dizaines de visuels.

La direction artistique doit donc préciser non seulement comment une marque veut photographier, mais aussi qui elle représente, dans quels rôles et avec quelles relations entre les personnes.

Générer plus ne dispense pas de contrôler plus

La possibilité de produire rapidement beaucoup d’images ne doit pas transformer la génération en distributeur automatique de contenus.

Nielsen Norman Group recommande d’ailleurs d’évaluer les images générées avec des critères proches de ceux appliqués aux autres visuels : pertinence par rapport au message, crédibilité de la scène, représentation des personnes, erreurs dans les détails et qualité de l’intégration finale.

À cela s’ajoutent des questions propres aux outils génératifs : droits d’usage, provenance des données d’entraînement, ressemblance éventuelle avec des personnes existantes ou présence involontaire d’éléments problématiques.

Pour une marque, le rôle de la direction artistique reste donc central. Le gain vient de la production, pas de la disparition du contrôle.

Le web est aujourd’hui le terrain le plus évident

Il faut également éviter une généralisation : tous les supports n’ont pas les mêmes exigences.

Pour de nombreux usages web, les images sont affichées dans des dimensions maîtrisées, recompressées, recadrées selon les écrans et parfois remplacées après quelques semaines ou quelques mois. Dans ce contexte, une image générée puis correctement sélectionnée, retouchée et exportée peut parfaitement entrer dans une chaîne de production classique.

Le print demande davantage de prudence.

Une affiche grand format, une double page de magazine, un packaging ou un support imprimé observé de près imposent des contraintes différentes : définition suffisante pour la taille finale, qualité des micro-détails, maîtrise de la colorimétrie, retouches locales et préparation du fichier pour l’impression.

Les outils d’upscaling peuvent aider, mais ils ne doivent pas être confondus avec une garantie de qualité de production. Une image satisfaisante à l’écran peut révéler ses défauts une fois agrandie ou imprimée.

Cela ne signifie pas que l’IA est exclue du print. Cela signifie que son domaine de pertinence et le niveau de contrôle nécessaire ne sont pas les mêmes.

De la recherche d’images à la définition d’un système

Le changement le plus intéressant pour les équipes de marque pourrait finalement être celui-ci.

Avec une banque d’images, une grande partie du travail consiste à chercher : trouver le bon mot-clé, parcourir des dizaines de résultats et accepter le meilleur compromis disponible.

Avec une approche générative structurée, une partie de cet effort se déplace en amont. Il faut être capable d’expliciter ce qui fait qu’une image appartient à la marque : sa lumière, sa composition, ses sujets, ses interdits, son degré de réalisme et les émotions qu’elle doit produire.

Ce travail existait déjà dans une bonne direction artistique. L’IA lui donne simplement un nouvel effet de levier.

Une marque ne passe donc pas nécessairement de « photos réalisées par des photographes » à « photos réalisées par une IA ». Elle peut surtout passer d’un modèle où chaque nouveau besoin impose une recherche ou une production à un modèle où une partie de sa grammaire photographique devient réutilisable et générative.

C’est moins spectaculaire que l’idée d’un remplacement complet de la photographie. Mais pour les équipes qui doivent produire beaucoup de contenus, c’est probablement beaucoup plus concret.