Pourquoi la vidéo générée par l'IA a encore du mal à saisir la direction artistique
Un directeur artistique peut regarder un premier montage et dire qu’il semble trop froid, trop lent ou pas assez haut de gamme, et un monteur expérimenté comprendra généralement qu’il ne s’agit pas d’une consigne littérale. Cela peut signifier modifier le rythme, choisir un jeu d’acteur plus intime, réduire l’encombrement visuel ou prolonger un plan d’une demi-seconde. Un système vidéo basé sur l’IA, en revanche, ne peut pas déduire tout cela de manière fiable à partir de ses seules préférences esthétiques ; c’est pourquoi le problème central de la vidéo générative ne réside pas simplement dans la qualité de l’image, mais dans la communication. Les modèles sont de plus en plus capables de produire des mouvements cinématographiques, des dialogues synthétiques, des effets visuels et de courtes séquences à partir de textes, d’images ou d’extraits de référence ; pourtant, les créateurs doivent encore traduire des idées émotionnelles, contextuelles et en partie intuitives en instructions explicites concernant le sujet, l’action, le décor, la caméra, l’éclairage, la durée et le ton.
Lorsque cette transposition échoue, la technologie peut produire des images qui semblent soignées mais qui restent inutilisables. Un produit bouge de manière incohérente, le visage d’un porte-parole change d’un plan à l’autre, le mouvement de caméra semble artificiel, ou encore un film de marque, bien qu’impressionnant sur le plan visuel, ne parvient pas à transmettre le message souhaité. Le résultat n’est pas nécessairement dû à un échec technique. Il s’agit plutôt d’un manque d’alignement créatif.
Une consigne vidéo, c'est en réalité un cahier des charges de production
La conversion de texte en vidéo est souvent présentée comme si l’utilisateur décrivait une idée et recevait un film fini. Dans la pratique, une consigne utile s’apparente davantage à un cahier des charges condensé, car elle doit définir le sujet principal, l’action qui se déroule, l’environnement, la position de la caméra, les caractéristiques de l’objectif, les mouvements, l’éclairage, le style visuel et la tonalité émotionnelle. Lorsque le son est généré en même temps que l’image, le créateur peut également devoir préciser les dialogues, les bruits d’ambiance, la musique et le timing des différents événements.
Les recommandations officielles de Google concernant Veo préconisent de décrire le cadrage, les mouvements de caméra, le style, l'éclairage, les personnages et le lieu, plutôt que de se contenter d'une phrase narrative vague. Veo 3.1 peut également générer des vidéos avec du son, ce qui élargit les possibilités créatives mais ajoute une dimension supplémentaire qui doit être dirigée de manière cohérente.
“ Créer une vidéo élégante montrant une femme entrant dans un hôtel ” laisse de côté presque tous les éléments importants décision relative au modèle. Une version prête pour la production serait plus précise :
Ce niveau de détail ne garantit pas un résultat correct, mais il réduit la marge d'interprétation et fournit au modèle des indications qui s'apparentent davantage à des directives de mise en scène.
Le modèle ne partage pas le contexte de son créateur
Les collaborateurs humains accumulent des connaissances tout au long d’un projet. Ils comprennent les sensibilités du client, l’objectif de la campagne, les décisions créatives antérieures et les éléments qui ont déjà été rejetés. Un modèle vidéo ne voit généralement que les informations fournies dans la génération actuelle, à moins que le produit ne permette de conserver le contexte du projet ou les ressources de référence. Il ne sait pas automatiquement que “ moderne ” implique une certaine retenue éditoriale plutôt que des graphismes futuristes, ou que “ assuré ” ne doit pas devenir agressif.
C’est pourquoi des demandes en apparence simples peuvent donner lieu à des résultats aussi variables. Des mots tels que « sophistiqué », « authentique », « dynamique » ou « cinématographique » décrivent des catégories esthétiques générales plutôt que des instructions de production précises. Un processus de travail plus rigoureux distingue trois niveaux : l’objectif de communication, le système créatif et les instructions de réalisation. Le premier définit ce que le spectateur doit comprendre, ressentir ou faire. Le deuxième définit l’univers visuel, le style d’interprétation et le rythme censés susciter cette réaction. Le troisième décrit ce qui doit physiquement apparaître et se passer dans un plan particulier.
Dans le cadre d’une campagne d’affaires publiques, par exemple, l’objectif peut être de donner l’image d’un porte-parole politique compétent et accessible. Le système créatif pourrait s’appuyer sur la lumière naturelle, des décors publics réalistes et un discours calme et direct. L’instruction de génération décrirait alors un plan concret plutôt que de demander au modèle de “ rendre le politicien digne de confiance ”. L’IA peut reproduire des indices visuels associés à la confiance, mais elle ne peut pas déterminer si le public fera réellement confiance à cette personne.
La cohérence reste un problème de production
Un clip de cinq secondes qui marche ne devient pas automatiquement un film de 60 secondes qui marche, car un contenu plus long exige une continuité au niveau des personnages, des objets, des costumes, des lieux, de l'éclairage et des mouvements. Une personne qui semble convaincante dans un plan peut apparaître avec un visage, un âge ou une silhouette différents dans le suivant, tandis qu’un produit peut voir ses proportions ou son étiquette changer et que les relations spatiales entre les personnages peuvent devenir instables.
Les plateformes actuelles tentent de remédier à cela en offrant aux créateurs davantage de contrôle basé sur des références. La fonctionnalité « Gen-4 References » de Runway permet aux utilisateurs de transposer les caractéristiques, les styles, les personnages et les objets d’une ou plusieurs images dans de nouvelles générations. De la même manière, Adobe permet aux créateurs d’orienter la génération de vidéos à l’aide d’images et, dans certains flux de travail, à l’aide d’images de début et de fin définies. Ses outils Firefly s’orientent de plus en plus vers la création de courts clips, de séquences d’illustration, d’animations de produits et d’éléments visuels pouvant ensuite être intégrés dans un processus de montage plus large.
Concrètement, cela signifie que les créateurs doivent cesser de traiter chaque clip comme une consigne indépendante. Une méthode plus rigoureuse consiste à établir un dossier de référence avant le début de la génération, comprenant des images de personnages validées, des vues de produits, des tenues, une palette de couleurs, un style de prise de vue, des lieux et des exemples de résultats inacceptables. Le système reçoit ainsi des repères visuels, plutôt que de devoir recréer sans cesse le même univers à partir de textes descriptifs.
La révision et la rédaction sont deux compétences distinctes
Le montage traditionnel part d'un matériel déjà enregistré. Le monteur décide des éléments à inclure, de la manière de les structurer et de la façon de gérer le rythme, le son et les accents. La vidéo générative implique une étape préalable, car le matériel lui-même doit d'abord être créé ou transformé. Ces activités se recoupent, mais il ne faut pas les confondre.
Un modélisateur peut générer un plan visuellement attrayant sans savoir s’il fait avancer l’histoire, et il peut créer plusieurs variantes plausibles sans savoir laquelle soutient la stratégie de communication. C’est pourquoi l’IA est actuellement particulièrement utile lorsqu’elle comble des lacunes spécifiques au sein d’un flux de travail conventionnel. Une équipe de communication peut s’en servir pour créer une séquence d’ouverture évocatrice, visualiser un storyboard avant de lancer la production, adapter l’image d’un produit pour les réseaux sociaux ou réaliser un plan secondaire dont le tournage serait d’un coût disproportionné.
La technologie perd en fiabilité lorsqu’on lui demande de prendre toutes les décisions éditoriales d’un seul coup. “ Transformez ce scénario en un film de marque percutant ” est une consigne trop vague, car l’outil doit interpréter simultanément la hiérarchie narrative, l’identité visuelle, la composition des plans, le jeu des acteurs, le rythme et la réaction du public. La solution professionnelle consiste à décomposer le travail en étapes et à ne confier à l’IA que la partie qu’elle est capable d’exécuter de manière fiable.
La direction créative dépend toujours de la sélection
La création assistée par l'IA modifie le cadre dans lequel s'exerce le travail créatif. Si l'on consacre peut-être moins de temps à la réalisation d'un effet particulier, on peut en revanche en consacrer davantage à la sélection, au rejet et au peaufinage des différentes possibilités, ce qui rend le jugement d'autant plus important.
Un créateur peut produire 20 plans techniquement crédibles sans pour autant aboutir à un film cohérent, car quelqu’un doit déterminer si ces séquences sont en adéquation avec l’image de marque, appropriées sur le plan émotionnel et utiles d’un point de vue narratif. Cette personne doit également disposer de l’autorité nécessaire pour mettre fin à la production dès que l’idée a fait ses preuves. Une variation illimitée peut devenir une source d’inefficacité en soi, les équipes continuant à explorer de nouvelles pistes simplement parce que chaque nouvelle option est peu coûteuse, tout en évitant la décision plus difficile concernant le message que le projet doit réellement véhiculer.
Un processus rigoureux définit donc les critères d'approbation avant même que la création ne commence. L'équipe doit s'accorder sur les éléments qui doivent rester visuellement cohérents, sur la réaction émotionnelle visée, sur les détails non négociables d'un point de vue juridique ou factuel, sur ce qui rendrait un extrait inutilisable et sur la personne détenant l'autorité créative finale. Ces décisions évitent que la production ne se transforme en une gestion sans fin des différentes options.
La correction en langage naturel s'améliore
L'interface entre le créateur et le logiciel devient de plus en plus conversationnelle, permettant aux utilisateurs de demander des modifications par le biais du langage plutôt que de manipuler chaque image manuellement. Adobe a développé Firefly pour offrir un montage plus précis et un meilleur contrôle des mouvements de caméra, tandis que Sora, d'OpenAI, prend en charge les entrées de texte, d'images et de vidéos, ainsi que le remixage et la fusion de contenus existants.
Cela rend les créations vidéo sophistiquées plus accessibles, mais il ne faut pas confondre le contrôle par commande vocale avec une compréhension équivalente à celle d’un être humain. Une demande telle que “ Rends ça plus spectaculaire ” peut modifier le contraste, le mouvement ou l’échelle sans pour autant améliorer la communication, tandis que “ Donne plus d’autorité à l’orateur ” pourrait produire une expression ou une posture qui paraîtra rigide.
Les utilisateurs doivent toujours préciser le changement observable qu’ils souhaitent. Au lieu de demander au système de “ donner un aspect plus haut de gamme à cette séquence ”, le créateur pourrait lui demander de réduire les mouvements de caméra, de supprimer les éléments parasites de l’arrière-plan, de ralentir le mouvement du sujet, d’adoucir les zones claires et de maintenir l’image finale une seconde de plus. La deuxième version s'appuie sur des variables modifiables plutôt que sur des critères de goût abstraits.
Le son apporte une nouvelle dimension à la mise en scène
L'ajout d'un son généré rend les systèmes vidéo plus utiles, mais aussi plus difficiles à réaliser. Veo 3.1 permet de générer des vidéos avec du son, Runway propose des flux de travail combinant des références, des animations et un son synchronisé, tandis que les outils d'Adobe incluent le doublage par IA et la traduction vidéo en plusieurs langues.
Pour les entreprises, cela ouvre des perspectives concrètes en matière de localisation, de formation, de démonstrations de produits et de contenu sur les réseaux sociaux. Une entreprise peut adapter une vidéo source à plusieurs marchés sans avoir à refaire toute la production, mais la localisation ne se résume pas à un simple remplacement linguistique. Une phrase qui sonne naturellement en anglais peut s’avérer trop longue pour le même timing visuel en allemand, tandis qu’un ton américain direct peut paraître excessif dans le contexte d’une entreprise suisse. Les mouvements des lèvres, les pauses, le degré de formalité et la tonalité culturelle influencent tous la crédibilité.
L'IA est capable de traduire et de reproduire une voix, mais c'est à un professionnel de la communication local qu'il revient de déterminer si le résultat est adapté au public visé.
Les risques liés à la marque et les risques juridiques doivent être pris en compte dès la phase de production
La vidéo générative permet de créer des personnes, des produits et des situations qui n’ont jamais existé, ce qui signifie que la vérification et la gestion des droits doivent être intégrées au processus de production plutôt que de se limiter à un simple contrôle juridique final. Les équipes doivent déterminer si le modèle est susceptible d’utiliser l’image d’une personne réelle, si le contenu généré nécessite une mention spécifique et si la plateforme autorise l’utilisation commerciale envisagée. Le clonage vocal, les porte-parole synthétiques et les représentations réalistes de personnalités publiques nécessitent une autorisation particulièrement stricte.
Adobe présente son modèle vidéo Firefly comme étant conçu pour une utilisation commercialement sûre et intègre les « Content Credentials » dans son écosystème génératif, mais chaque organisation doit néanmoins évaluer précisément les ressources, le modèle, la juridiction et le contrat concernés. Le fait qu'une plateforme puisse générer une image ne signifie pas pour autant qu'une entreprise doive la publier.
Les équipes de communication d’entreprise devraient également passer en revue les séquences vidéo produites afin de détecter d’éventuelles allégations factuelles involontaires. Une scène synthétique se déroulant dans une usine peut montrer des comportements dangereux, une image relative au secteur de la santé peut illustrer une procédure impossible, et une vidéo du secteur public peut intégrer des éléments architecturaux, des uniformes ou des indices démographiques qui donnent une image trompeuse du lieu en question. La plausibilité visuelle n’est pas synonyme d’exactitude factuelle.
Une meilleure méthode de travail
Le processus de création vidéo par IA le plus efficace commence avant même la rédaction de la consigne. L'équipe doit d'abord définir l'objectif de communication en une seule phrase, puis rédiger un bref cahier des charges visuel précisant le public cible, le ton, le style, le cadre et les contraintes. Le film peut ensuite être décomposé en plans individuels, et il convient de déterminer lesquels doivent être tournés, acquis sous licence, générés ou créés à partir de ressources existantes.
Chaque plan généré doit préciser le sujet et l’action, le lieu et l’heure, le cadrage et le mouvement de caméra, l’éclairage et le style visuel, la durée et le rythme, les repères de continuité ainsi que les éléments interdits. Plutôt que de réécrire sans cesse l’ensemble du concept, les créateurs doivent générer plusieurs variantes contrôlées, noter quelle consigne, quel modèle et quelles ressources de référence ont permis de produire chaque clip approuvé, puis transférer le matériel sélectionné dans un environnement de montage où le rythme, le son, les transitions et la narration peuvent être évalués dans le cadre d’une œuvre complète.
Cette documentation est importante car les résultats génératifs peuvent être difficiles à reproduire. Une équipe qui ne peut pas expliquer comment un élément approuvé a été créé pourrait avoir du mal à le modifier par la suite.
La véritable opportunité réside dans une meilleure communication entre les personnes
Les outils vidéo basés sur l'IA sont souvent présentés comme un moyen de lever les obstacles techniques qui séparent une idée d'un film abouti. S'ils permettent effectivement de réduire certains obstacles, ils mettent également en évidence les faiblesses du brief. Lorsqu'une équipe ne parvient pas à s'accorder sur ce que doivent représenter les notions de « crédible », « moderne » ou « humain », l'IA ne résoudra pas cette ambiguïté stratégique. Elle se contentera d'en générer différentes interprétations.
Les organisations qui sauront tirer le meilleur parti de ces systèmes ne seront pas celles qui proposeront les consignes les plus élaborées. Ce seront celles qui sauront définir clairement leur objectif, prendre rapidement des décisions en matière de visuels et délimiter le rôle de la technologie. La vidéo générative parvient de mieux en mieux à produire ce qu’on lui demande. Le défi qui reste à relever est de savoir si les personnes qui la commandent savent précisément ce qu’elles cherchent à communiquer.
