Comment l'IA peut rendre une entreprise plus créative et plus rentable

Les entreprises produisent plus de contenu que jamais, mais beaucoup ont encore du mal à trouver des idées qui retiennent l'attention des clients, restent gravées dans leur mémoire ou les incitent à passer à l'action. L'IA générative semble apporter une réponse : elle peut rédiger des textes, créer des images, résumer des études, personnaliser des campagnes et transformer un concept validé en des dizaines de versions adaptées à des marchés spécifiques. L'opportunité commerciale est considérable, mais elle est aussi facilement mal comprise.

L'IA ne génère pas de croissance simplement en aidant un service marketing à publier davantage de contenu. Elle crée de la valeur lorsqu'elle élimine un véritable goulot d'étranglement : en réduisant le coût de la visualisation des produits, en raccourcissant le temps de développement des campagnes, en rendant la localisation économiquement viable ou en permettant à une équipe de tester davantage d'idées avant d'engager son budget.

McKinsey estime que l'IA générative pourrait générer une valeur en termes de productivité équivalente à 5 à 15 % du total des dépenses marketing. Gartner a constaté que, parmi les services marketing utilisant déjà l'IA générative, 77 % l'avaient adoptée pour des travaux de création. Pour autant, l'adoption ne va pas de pair avec le retour sur investissement. Gartner a également constaté que les entreprises ne parviennent pas nécessairement à obtenir des améliorations significatives de leurs performances simplement en donnant à leurs collaborateurs accès à des outils génératifs.

Cette distinction est importante. Mettre à la disposition d'une équipe créative un générateur d'images ou un assistant de rédaction peut permettre à certains collaborateurs de gagner un peu de temps. En revanche, repenser le processus par lequel l'entreprise élabore, teste, valide et diffuse ses créations peut modifier la rentabilité de l'ensemble de cette fonction.

Les domaines dans lesquels l'IA génère une valeur mesurable

Les premières applications les plus performantes de l'IA créative visent généralement à résoudre l'un des quatre problèmes suivants : une production lente, des coûts d'adaptation élevés, une information fragmentée ou l'impossibilité de tester suffisamment d'idées avant d'engager des dépenses.

Lorsque le développement d'une campagne prend trop de temps, l'IA peut aider les équipes à générer et à visualiser plusieurs pistes préliminaires avant de choisir celle qui mérite d'être développée à part entière. Habituellement, une agence ou un service interne peut passer plusieurs jours à préparer trois axes créatifs pour la présentation d'une campagne. L'IA peut aider l'équipe à explorer un éventail de possibilités bien plus large avant que les designers ne peaufinent les idées les plus prometteuses.

Ce qui importe, ce n’est pas le nombre de concepts créés, mais la réduction du délai entre le brief initial et la validation de l’orientation créative, ainsi que l’amélioration éventuelle de la qualité de la décision. Produire 50 concepts médiocres n’a pas plus de valeur que d’en produire cinq qui soient convaincants.

Lorsque la localisation constitue un goulot d'étranglement, l'IA peut traduire et adapter les contenus validés en fonction des différents pays, groupes de clients et canaux de communication. Une entreprise internationale peut lancer une campagne unique, mais avoir besoin, sur chaque marché, de langues, de références produit, de formulations juridiques, de formats et de détails culturels différents. Les outils génératifs permettent de créer ces variantes sans que les concepteurs aient à refaire manuellement chaque élément.

L'entreprise doit comparer le coût et les délais d'exécution par marché avec ceux du processus précédent. Elle doit également évaluer l'ampleur des corrections manuelles nécessaires. Une traduction générée en quelques secondes n'est pas efficace si les équipes locales passent des heures à corriger des formulations inappropriées ou des erreurs factuelles.

Lorsque la production d'images de produits s'avère trop coûteuse à l'échelle requise, les outils génératifs permettent de créer des arrière-plans, des décors et des premières maquettes de manière contrôlée. Une entreprise d'ameublement pourrait ainsi présenter la même chaise dans plusieurs intérieurs. Un détaillant de mode pourrait visualiser différentes options de mise en scène pour une campagne avant d'organiser une séance photo complète. Un promoteur immobilier pourrait créer des premières représentations de différentes orientations conceptuelles avant de commander les images architecturales définitives.

La valeur commerciale doit être évaluée en fonction du coût par élément approuvé, de la rapidité avec laquelle les produits sont mis sur le marché et, le cas échéant, de l'impact sur le taux de conversion des clients. Le chiffre pertinent n'est pas le coût de création de la première image, mais le coût total de production d'une image précise, juridiquement utilisable et adaptée à la publication.

Lorsque la communication avec les clients est trop générique, l'IA peut générer différentes versions en fonction des différences réelles entre les besoins des clients. Une banque pourrait ainsi présenter le même service d'investissement de manière différente à un investisseur expérimenté et à un nouveau client. Un hôtel pourrait mettre l'accent sur la fiabilité de la connexion Internet et le service de petit-déjeuner matinal pour un voyageur d'affaires, tout en mettant en avant les chambres communicantes et la flexibilité des horaires de repas pour une famille.

Le critère de réussite réside dans la capacité de la communication adaptée à améliorer le taux de réponse, le taux de conversion, la fidélisation ou la satisfaction client. Changer une photo ou insérer le prénom d’une personne ne constitue pas une personnalisation significative si l’offre sous-jacente reste inchangée.

Lorsque les graphistes passent trop de temps à redimensionner, reformater ou adapter des créations existantes, l'IA peut automatiser les tâches de production routinières tout en conservant les éléments de marque approuvés. Cela est souvent moins prestigieux que de demander à un mannequin d'imaginer une campagne publicitaire, mais cela peut générer un retour financier plus fiable.

Un service marketing peut déjà disposer d'une campagne solide, mais avoir besoin de versions adaptées aux réseaux sociaux, aux e-mails, aux sites web, à la publicité numérique, aux présentoirs en magasin et à plusieurs marchés internationaux. L'automatisation d'une partie de cette production peut permettre aux graphistes de se libérer des tâches répétitives.

L'entreprise doit calculer le nombre d'heures de production économisées et déterminer comment ces heures seront utilisées. Si l'on attend simplement des employés qu'ils produisent davantage, l'organisation aura augmenté son rendement. S'ils peuvent consacrer ce temps à des études de marché, à l'élaboration de concepts plus solides ou à la résolution de problèmes commerciaux négligés, cela pourrait traduire une amélioration de la capacité créative.

Lorsque les données issues des études clients sont difficiles à exploiter parce qu'elles sont dispersées entre entretiens, avis, enquêtes et notes commerciales, l'IA peut aider à structurer ces informations et à identifier les thèmes récurrents. Une équipe pourrait ainsi s'en servir pour regrouper les réclamations des clients, résumer les transcriptions d'entretiens ou comparer les réactions face à différents concepts de produits.

L'avantage réside dans un parcours plus court entre les données brutes et un brief créatif exploitable. Les résultats doivent toutefois encore être recoupés avec les données d'origine. Un modèle peut en effet négliger le contexte, exagérer certaines tendances ou présenter une opinion isolée comme si elle représentait l'ensemble d'un groupe de clients.

Lorsque les équipes commerciales créent régulièrement leurs propres présentations et propositions, l'IA peut les aider à générer des brouillons à partir de contenus approuvés, de modèles et d'informations sur les produits. Cela peut s'avérer particulièrement utile dans les secteurs des services professionnels, des services financiers, des technologies et de l'industrie, où les supports commerciaux doivent associer des informations standard à des détails spécifiques à chaque client.

Les critères pris en compte sont le temps de préparation, l'exactitude des faits, la cohérence de l'image de marque et le respect des règles internes. Le système doit aider les collaborateurs à rassembler des informations fiables, et non leur permettre de formuler plus rapidement des affirmations non étayées.

Enfin, lorsque la mise à l'essai d'une idée s'avère trop coûteuse, l'IA permet de créer des prototypes peu onéreux avant que l'entreprise ne lance la production à grande échelle. Une entreprise de mobilier pourrait ainsi visualiser plusieurs finitions avant de fabriquer des échantillons physiques. Une marque de cosmétiques pourrait tester différentes orientations de campagne avant d'organiser une séance photo. Un groupe hôtelier pourrait explorer de nouveaux concepts de chambres avant de faire appel à des designers et à des entrepreneurs.

La valeur réside dans le nombre de concepts viables testés et dans la réduction des dépenses consacrées à des idées peu prometteuses. L'IA s'avère particulièrement utile lorsqu'elle permet à l'entreprise d'abandonner une piste peu prometteuse avant d'y avoir consacré des ressources importantes.

Le principe reste le même pour toutes ces utilisations : l'entreprise doit mesurer une amélioration en termes de coût, de rapidité, de qualité ou de satisfaction client. Le fait de produire une plus grande quantité de matériel ne constitue pas, en soi, une preuve de valeur.

Commencez par le goulot d'étranglement, pas par la technologie

De nombreux programmes d'IA partent d'une mauvaise question : “ Que peut-on faire avec l'IA générative ? ” Cela incite les équipes à rechercher des démonstrations spectaculaires plutôt que des problèmes pertinents sur le plan commercial.

Un meilleur point de départ consiste à identifier les domaines dans lesquels le travail créatif est actuellement lent, coûteux ou manquant de cohérence. L'entreprise pourrait découvrir que son principal problème n'est pas de générer des idées, mais d'obtenir l'accord de cinq services internes. Elle dispose peut-être déjà de campagnes efficaces, mais n'a pas la capacité de les adapter à des marchés internationaux plus restreints. Ses designers sont peut-être submergés par les demandes routinières des équipes commerciales. Son service de développement de produits commande peut-être des prototypes coûteux avant même d'avoir testé la demande des clients.

La direction doit documenter le processus existant avant de mettre en place l'IA. Dans le cadre d'une campagne marketing, cela pourrait inclure le nombre de jours écoulés entre le brief initial et la première présentation créative, le nombre d'heures consacrées par les collaborateurs et l'agence, les coûts de production externes, le nombre de cycles de validation et les performances du travail final.

L'IA peut alors être intégrée à une étape précise de ce processus. Si une équipe avait auparavant besoin de dix jours ouvrés pour élaborer trois premières pistes de campagne, un projet pilote permettrait de vérifier s'il est possible d'élaborer et d'évaluer dix pistes crédibles en cinq jours.

Le but n'est pas de démontrer que cette technologie est impressionnante. Il s'agit de déterminer si ce nouveau processus permet de prendre une meilleure décision à moindre coût.

Utiliser l'IA pour multiplier les idées — et non pour abaisser le niveau d'exigence

L'un des avantages les plus évidents de l'IA générative est qu'elle permet de créer des variantes à moindre coût. Une équipe peut ainsi demander dix titres au lieu de trois, explorer plusieurs univers visuels ou tester différentes façons de présenter un même produit.

Cela ne signifie pas pour autant que chaque variante doive être proposée au client. L'IA apporte toute sa valeur ajoutée lors de la phase de divergence, lorsque l'entreprise souhaite élargir l'éventail des possibilités. Le jugement humain prend toute son importance lors de la phase de convergence, lorsque l'équipe décide quelles idées sont originales, crédibles et adaptées à la marque.

Une société de services financiers, par exemple, pourrait utiliser l'IA pour élaborer plusieurs explications d'un produit d'investissement complexe : une version concise destinée aux investisseurs expérimentés, une version rédigée en langage simple pour les nouveaux clients, une explication visuelle destinée aux réseaux sociaux et une version plus détaillée destinée aux conseillers financiers.

Un spécialiste de la conformité doit tout de même vérifier chaque affirmation importante. Un rédacteur doit s'assurer que la simplification n'a pas rendu le message trompeur. L'IA accélère la création de propositions alternatives ; elle n'assume pas la responsabilité du message final.

Le même principe s'applique à la conception de produits. Une entreprise d'ameublement peut rapidement visualiser une chaise dans différents matériaux, avec différentes proportions et dans divers environnements domestiques. Les designers peuvent utiliser ces images pour discuter de l'orientation à adopter avec les clients ou la direction avant de produire des prototypes techniques coûteux. L'image générée n'est pas le produit fini. Il s'agit d'un outil d'aide à la décision.

La créativité commence avant même qu'on ne donne le sujet

Les décisions créatives les plus importantes sont généralement prises avant même que quiconque n'utilise un outil d'IA. L'équipe doit identifier le problème commercial, comprendre le client et déterminer quelle réponse elle souhaite apporter.

Un brief ne saurait compenser une image de marque floue ou un cahier des charges superficiel. Lorsqu’une entreprise demande “ une campagne haut de gamme ciblant les jeunes consommateurs ”, l’agence n’a d’autre choix que de s’appuyer sur des conventions visuelles et verbales bien connues. Le résultat peut paraître soigné, mais ressemblera inévitablement à celui de tous les concurrents ayant formulé la même demande.

Pour que le travail assisté par l'IA soit efficace, il faut s'appuyer sur des données propres à l'entreprise : études clients, connaissance des produits, histoire de la marque, compréhension de la culture d'entreprise, données de performance et jugement de personnes sachant quelles conventions respecter et lesquelles rejeter.

Ce modèle apporte rapidité et diversité. C'est à l'entreprise d'apporter son point de vue.

C’est pourquoi les créatifs expérimentés peuvent tirer davantage parti des systèmes génératifs que les organisations qui espèrent se passer de l’expertise créative. Un directeur artistique chevronné est capable d’identifier les détails prometteurs dans une image imparfaite. Un rédacteur sait reconnaître quel brouillon contient un argument original. Un concepteur-développeur sait déterminer si un concept visuellement impressionnant peut réellement être fabriqué.

L'IA réduit le coût de la génération d'idées, mais c'est l'expertise humaine qui reste déterminante pour la sélection. Dans le domaine de la création, c'est souvent dans cette sélection que réside une grande partie de la valeur commerciale.

La personnalisation doit reposer sur une différence réelle

L'IA générative permet de créer du contenu destiné à des publics de plus en plus restreints, mais la personnalisation n'est utile que lorsque les besoins des clients diffèrent réellement.

Un hôtel ne doit pas se contenter de proposer des photos d'ambiance différentes à une famille et à un voyageur d'affaires. Il doit tenir compte de leurs choix respectifs. La famille peut avoir besoin d'informations sur les chambres communicantes, la flexibilité des repas et les activités pour enfants. Le voyageur d'affaires peut quant à lui accorder de l'importance à un accès Internet fiable, à un petit-déjeuner servi tôt et au trajet vers l'aéroport.

L'IA peut aider à générer les versions pertinentes une fois que ces distinctions ont été identifiées. Elle ne peut toutefois pas identifier ces distinctions de manière fiable si les données clients de l'entreprise sont insuffisantes ou si sa segmentation est superficielle.

Un processus de personnalisation efficace commence par l'identification de la décision du client. Que cherche-t-il à choisir, à comprendre ou à réaliser ? L'entreprise doit ensuite déterminer quels besoins ou contraintes distinguent concrètement un public d'un autre.

La proposition peut ensuite être adaptée en modifiant l'argument, l'avantage ou le service mis en avant. Enfin, l'entreprise doit comparer le résultat à celui d'un groupe témoin en mesurant le taux de conversion, l'engagement, la fidélisation ou tout autre indicateur pertinent.

C'est important car la personnalisation basée sur l'IA peut s'avérer intrusive. Un client peut apprécier une recommandation de produit pertinente, tout en s'opposant à une communication qui révèle à quel point l'entreprise a su déduire des détails sur sa vie privée. La capacité technique à personnaliser ne confère pas automatiquement le droit de le faire.

Des exemples concrets montrent où réside la valeur

Les applications concrètes de l'IA créative sont déjà visibles dans les grandes entreprises, même s'il convient de considérer les études de cas fournies par les fournisseurs comme des résultats rapportés plutôt que comme une preuve indépendante que chaque entreprise obtiendra les mêmes résultats.

Selon Adobe, Gatorade a utilisé sa technologie Firefly pour mettre en place une expérience numérique permettant aux clients de personnaliser des bouteilles souples. Le système a généré des centaines de milliers de designs contrôlés et conformes à l'identité de la marque. Il ne s'agit pas simplement d'un exemple de remplacement d'un designer. L'IA a rendu commercialement possible l'offre d'un grand nombre de designs personnalisés dans le respect des paramètres définis par la marque.

Cette même technologie peut être utilisée pour des tâches de production moins visibles. Les systèmes d'entreprise permettent d'automatiser la création de variantes de contenus destinées à différents publics, canaux, formats et marchés géographiques. L'intérêt réside dans la réduction du travail manuel nécessaire pour transformer une idée validée en un système de campagne complet.

D'autres entreprises ont recours à l'IA générative à un stade bien plus précoce du processus créatif. Un détaillant peut ainsi visualiser une campagne envisagée avant d'organiser la séance photo. Une entreprise de biens de consommation peut comparer différentes options d'emballage avant de commander des prototypes physiques. Une agence peut quant à elle préparer une représentation plus complète d'une idée avant de la présenter au client.

Ces exemples illustrent trois modèles commerciaux différents.

Le premier concerne l'efficacité opérationnelle : produire plus rapidement et de manière plus cohérente les supports de marque courants. Le deuxième concerne l'aide à la décision créative : visualiser et évaluer les idées avant d'engager des dépenses importantes. Le troisième concerne la participation des clients : permettre aux clients de créer des contenus personnalisés dans un environnement de marque contrôlé.

Les entreprises doivent définir clairement le modèle qu'elles souhaitent adopter. Un outil mis en place pour réduire le travail de redimensionnement ne doit pas être évalué à l'aune de sa capacité à générer des idées de campagne révolutionnaires. Un service de personnalisation client ne doit pas se justifier uniquement par le nombre d'images qu'il est capable de générer.

Calculez le coût total, et pas seulement celui de l'abonnement

L'IA générative est souvent présentée comme une alternative peu coûteuse aux dépenses de production. Le coût du modèle ne représente toutefois qu'une petite partie du coût total de la mise en œuvre.

Une analyse de rentabilité réaliste doit inclure les licences logicielles ou les barèmes de tarification, l'intégration avec les systèmes existants, la formation des collaborateurs, la création de modèles et les contrôles liés à l'image de marque, l'examen juridique, l'assurance qualité humaine, les mesures de sécurité et la maintenance continue.

Une entreprise peut gagner 1 000 heures de production, mais devoir consacrer 600 heures supplémentaires à la vérification, à la correction et à la gestion du nouveau système. Il peut tout de même y avoir un gain de temps, mais celui-ci est inférieur à ce qu'annonce le titre.

Le calcul pertinent n'est pas le coût par ressource créée, mais bien le coût par ressource validée, exacte et exploitable sur le plan commercial.

Prenons l'exemple d'une entreprise qui a besoin de 100 supports de campagne localisés. Selon son processus actuel, le coût de production moyen s'élève à 200 € par support, ce qui représente un coût total de 20 000 € et un délai de réalisation de six semaines.

Dans le cadre d'un processus assisté par l'IA, l'entreprise pourrait dépenser 2 000 € en logiciels et en traitement des données, 4 000 € en intégration et en modèles, et 6 000 € en vérification humaine. Le coût total s'élèverait à 12 000 €, et la prestation serait réalisée en trois semaines.

Dans cet exemple hypothétique, l'entreprise économise 8 000 €, soit 40 %, tout en réduisant de moitié le délai de livraison. Il s'agit là d'une analyse de rentabilité défendable. Affirmer que l'IA a généré les premières versions “ en quelques secondes ” ne l'est pas, car cela ne tient pas compte du travail nécessaire pour rendre le contenu utilisable.

Un projet pilote concret de 90 jours

Une entreprise n'a pas besoin d'un programme de transformation à l'échelle de l'organisation pour se lancer. Il lui suffit d'un cas d'utilisation bien délimité, d'un responsable et d'une base de référence fiable.

Au cours des 15 premiers jours, l'entreprise doit cerner le problème. Elle doit choisir une activité reproductible et présentant un risque modérément faible, telle que l'adaptation de contenus sociaux déjà validés, la synthèse d'entretiens avec des clients, la création de premières visualisations de produits ou la rédaction de supports de vente internes.

Il convient de consigner les coûts actuels, les délais de production, le taux d'erreur et les exigences en matière d'approbation. L'entreprise doit également déterminer quelles informations le système d'IA est autorisé à recevoir et celles qu'il ne doit pas recevoir.

Entre le 16e et le 30e jour, l'équipe devra comparer deux ou trois outils en s'appuyant sur des tâches réelles de l'entreprise, plutôt que de se fier aux démonstrations des fournisseurs. L'évaluation devra porter sur la qualité des résultats, la rapidité, la sécurité, les licences, la conservation des données, l'intégration et le volume de corrections nécessaires.

Un ensemble de test représentatif peut contenir entre 20 et 50 exemples concrets. Il doit inclure des cas difficiles et inhabituels, et pas seulement les éléments les plus susceptibles de produire un résultat satisfaisant.

Entre le 31e et le 60e jour, une petite équipe formée peut utiliser le système sélectionné dans le cadre d’un flux de travail contrôlé. La vérification humaine doit être maintenue, et les corrections doivent être consignées. L’entreprise doit comparer directement le processus assisté par l’IA avec le processus existant.

Il est important de mesurer le temps nécessaire pour obtenir l'approbation définitive, et pas seulement celui nécessaire à la rédaction d'un premier projet.

Entre le 61e et le 75e jour, la direction doit évaluer le gain de temps total, le coût total, la qualité, le taux d'erreur, l'adhésion des employés, la satisfaction des clients ainsi que tout problème juridique ou de sécurité. Le projet pilote doit être repensé ou interrompu si le système génère davantage de tâches de vérification et de correction qu'il n'en élimine.

Au cours des 15 derniers jours, l'entreprise peut décider de déployer ou non le processus à plus grande échelle. Une extension se justifie lorsque le projet pilote démontre une amélioration reproductible et que les contrôles nécessaires sont en place. L'étape suivante pourrait concerner un autre marché ou une autre catégorie de produits, plutôt que de généraliser immédiatement la technologie à l'ensemble de l'organisation.

Ce qui doit rester sous contrôle humain

Une stratégie crédible en matière d'IA définit également les domaines dans lesquels cette technologie ne doit pas jouer un rôle prépondérant.

Le positionnement final de la marque doit rester sous la responsabilité de personnes qui comprennent l'entreprise et son marché. Les communications délicates concernant des licenciements, des crises, des réclamations graves de clients ou des problèmes de réputation importants nécessitent un jugement humain. Les allégations médicales, juridiques et financières doivent faire l'objet d'un examen par des experts qualifiés. La direction créative originale ne doit pas se limiter à imiter sans cesse des contenus qui ont déjà fait leurs preuves.

Le niveau de contrôle humain devrait augmenter en fonction de la gravité de l'erreur.

Les idées développées en interne, les maquettes préliminaires, la mise en page et les comptes-rendus de réunion constituent généralement des utilisations présentant peu de risques. Un examen sommaire peut suffire, à condition que les informations confidentielles soient protégées.

Les textes marketing destinés au grand public, les visuels des produits, la localisation et les communications personnalisées avec les clients présentent un risque modéré. Ils nécessitent généralement un examen formel portant sur la marque, les informations factuelles et les aspects juridiques.

Les allégations soumises à réglementation, les informations sensibles sur les clients, les communications relatives aux politiques publiques, les documents liés à des situations de crise et les contenus mettant en scène de vraies personnes présentent des risques plus élevés. Ces utilisations nécessitent l'accord d'un spécialiste, des contrôles documentés et une responsabilité clairement définie.

Cette approche progressive permet d'éviter que chaque utilisation de l'IA ne se heurte à des obstacles bureaucratiques, tout en garantissant que les contenus ayant des répercussions importantes soient examinés comme il se doit.

Les droits d'auteur et la sécurité commerciale ne peuvent pas être ajoutés ultérieurement

L'IA générative soulève des questions épineuses concernant la propriété, les données d'entraînement et la ressemblance avec des œuvres protégées. Les entreprises ne doivent pas partir du principe qu'un résultat est sans risque sur le plan commercial simplement parce qu'une plateforme permet de le télécharger.

Les contrats conclus avec les fournisseurs d'IA doivent être examinés avec soin. La direction doit déterminer si les données fournies par les clients sont conservées, si elles peuvent être utilisées pour entraîner les systèmes du fournisseur, quelles garanties commerciales sont offertes et qui assume la responsabilité en cas de litige lié à un résultat généré par l'IA.

Les équipes créatives ont également besoin de règles concrètes. Demander à un modèle de reproduire le style reconnaissable d’un artiste vivant peut soulever des questions d’ordre éthique et de réputation, même lorsque la situation juridique précise fait l’objet d’un débat. Les personnages, les voix et les événements générés de manière artificielle peuvent induire le public en erreur si leur nature artificielle n’est pas suffisamment mise en évidence.

La sécurité de la marque va au-delà des droits d'auteur. Un système peut générer des descriptions de produits inexactes, des images culturellement inappropriées ou des scènes contraires aux valeurs de l'entreprise. L'examen humain doit donc porter sur le sens et le contexte, et non pas simplement vérifier si le résultat semble techniquement convaincant.

Ces mesures de contrôle peuvent sembler ralentir la mise en œuvre. Elles restent toutefois moins coûteuses que de devoir retirer une campagne, faire face à un litige ou expliquer pourquoi des informations confidentielles ont été mises en ligne sur un service inadapté.

Les métiers créatifs évolueront avant de disparaître

L'IA devrait permettre de réduire le temps nécessaire à certaines tâches de production courantes. Les adaptations de base, les premières ébauches, la suppression de l'arrière-plan, les images de type « banque d'images » et les descriptions standard de produits peuvent d'ores et déjà être réalisées avec moins d'intervention manuelle.

Cela ne rend pas pour autant les départements créatifs superflus. Leur contribution consiste à cerner les problèmes, à orienter les systèmes, à évaluer les alternatives et à relier les décisions créatives à la stratégie commerciale. L'accent n'est plus mis uniquement sur l'exécution, mais davantage sur le jugement.

Cela pose un problème de gestion moins évident. Les jeunes employés ont traditionnellement développé leur capacité de jugement en effectuant des tâches opérationnelles : faire des recherches, rédiger des documents, corriger des erreurs et observer leurs collègues expérimentés améliorer leur travail. Si l'IA prend en charge une trop grande partie de ce travail, les entreprises pourraient réduire leurs coûts à court terme, mais au prix d'un affaiblissement du développement des compétences futures.

La formation doit donc aller au-delà de l'apprentissage de la rédaction de prompts par les employés. Il faut que les personnes comprennent comment les modèles peuvent échouer, comment vérifier les résultats, comment préserver l'identité de la marque et dans quels cas l'utilisation de l'IA n'est pas appropriée. Elles doivent acquérir suffisamment de connaissances dans le domaine concerné pour être en mesure de reconnaître un résultat plausible mais erroné.

Le futur professionnel de la création n'est pas simplement quelqu'un qui travaille plus vite grâce à des logiciels. C'est quelqu'un capable de diriger un système de production plus vaste sans pour autant lui déléguer toute sa responsabilité.

Les questions que la direction doit se poser avant d'approuver un investissement

Avant d'approuver un projet d'IA créative, les cadres supérieurs devraient être en mesure de répondre à plusieurs questions fondamentales.

Quel problème opérationnel existant ce système permet-il de résoudre ? Quel est le coût du processus actuel, et quelle est son efficacité ? Quels avantages le client en retirera-t-il ? Quel indicateur financier ou opérationnel permettra de démontrer la valeur ajoutée ? Quels risques liés aux données, aux droits d'auteur et à la sécurité cela implique-t-il ? Dans quels cas l'autorisation d'une personne qualifiée est-elle requise ? Dans quelle mesure l'entreprise peut-elle facilement changer de prestataire ou revenir au processus précédent ?

Une proposition qui ne parvient pas à répondre à ces questions relève probablement davantage d'une expérience technologique que d'une initiative commerciale.

La direction devrait également se demander ce que l'entreprise compte faire du temps ainsi gagné. Si l'IA réduit les tâches de production routinières, les employés se consacreront-ils davantage à l'étude de la clientèle, à l'élaboration de concepts plus solides ou à l'ouverture de nouveaux marchés ? Sans réponse mûrement réfléchie, le gain de productivité apparent risque de se dissiper dans un volume accru d'activités à faible valeur ajoutée.

Le client pourrait ne pas apprécier davantage de contenu généré par l'IA

Une capacité de production accrue ne garantit pas pour autant un intérêt accru de la part des clients. À mesure que les images de synthèse, les articles générés automatiquement et les publicités générées par ordinateur se généralisent, le public pourrait se montrer de plus en plus sensible aux messages perçus comme génériques, trompeurs ou inutilement artificiels.

Un client peut apprécier une traduction plus rapide, des descriptions de produits plus claires ou un service qui l'aide à se faire une idée précise de son achat. Ce même client peut en revanche réagir négativement face à des témoignages artificiels, à la présence non signalée de personnages fictifs ou à des articles génériques publiés principalement dans le but de saturer les résultats de recherche.

Le test de qualité du service est simple : le client bénéficie-t-il d'un service plus utile, plus pertinent ou plus accessible, ou l'entreprise se contente-t-elle de réduire ses propres coûts de production ?

Les meilleures applications remplissent ces deux objectifs. Elles réduisent les frictions internes tout en améliorant la capacité du client à comprendre, comparer, personnaliser ou utiliser le produit.

L'avantage concurrentiel réside dans le système qui entoure le modèle

À terme, la plupart des entreprises disposeront de capacités d’IA globalement comparables. L’avantage durable ne résidera pas dans la capacité à générer une image, un paragraphe ou une présentation de qualité. Il proviendra d’une connaissance approfondie de la clientèle, d’un jugement de marque distinctif, d’un contenu bien organisé, de systèmes de validation efficaces et de collaborateurs capables de repérer un résultat médiocre.

L'IA peut accélérer le fonctionnement d'une organisation créative, mais la rapidité ne fait qu'amplifier les caractéristiques du système déjà en place. Une entreprise dotée d'un positionnement clair et d'un processus décisionnel rigoureux peut tester davantage d'idées et atteindre ses clients plus efficacement. Une entreprise dont la marque manque de clarté et dont les processus sont confus peut produire davantage de travail de mauvaise qualité.

L'intérêt commercial de l'IA créative ne consiste donc ni à “ remplacer le service créatif ”, ni à “ doter tout le monde d'un chatbot ”. Il s'agit d'identifier les aspects du travail créatif où les coûts et les délais empêchent l'entreprise d'apprendre, de s'adapter ou de servir correctement ses clients, puis de repenser ces aspects en fonction de résultats mesurables.

Les entreprises qui en tireront le plus grand bénéfice ne seront pas celles qui publient le plus grand volume de contenu synthétique. Ce seront celles qui utilisent l'IA pour prendre de meilleures décisions avant de s'engager dans des projets coûteux, pour offrir à leurs clients un service véritablement plus pertinent et pour recentrer l'attention humaine sur les tâches où le jugement apporte la plus grande valeur ajoutée.