Pourquoi l’IA produit des idées publicitaires prévisibles (partie 1)

Le principal problème que nous avons observé : pour une marque, un produit ou un contexte donnés, ces modèles tendent à tourner autour des mêmes quelques concepts créatifs. Leurs propositions peuvent vite devenir interchangeables.

Recourir à des prompts avancés et à des workflows en plusieurs étapes peut sembler une solution évidente, mais le résultat est souvent une variation sur un thème prévisible, ou sur un éventail restreint de thèmes.

Prenons un exemple simple : une publicité pour un produit de relaxation.

• L’idée prévisible de l’IA : dans nos tests, la plupart des suggestions montraient des personnes en train de méditer, sereines en pleine nature ou allongées sur un canapé, le visage apaisé. C’est l’association la plus évidente et la plus courante.
• Ce qu’un LLM a peu de chances de suggérer de lui-même : imaginez un gros plan sur le front d’une personne, luisant de sueur. L’arrière-plan n’est qu’un flou de vie urbaine intense et trépidante. Soudain, la scène bascule. La sueur a disparu, l’expression est détendue, l’arrière-plan est calme. Le produit fait le lien entre le chaos et la sérénité.

D’après notre expérience, un LLM génère rarement ce second concept de lui-même : il repose sur le contraste et la tension narrative plutôt que sur l’association la plus courante. Lorsque nous avons demandé de nombreuses variantes, la plupart n’étaient que des retouches de la première idée, stéréotypée.

Le problème peut s’aggraver dans les workflows en plusieurs étapes : quand chaque étape retient par défaut l’option la plus courante, le résultat final est encore plus générique.

Pourquoi votre IA ne sort pas du cadre

Deux caractéristiques du fonctionnement des LLM aident à l’expliquer : leurs données d’entraînement et leur nature probabiliste.

1. La chambre d’écho des données d’entraînement

Les LLM sont entraînés sur de très vastes corpus de textes existants, dont une grande partie provient d’internet. Ils excellent à reconnaître et à recombiner des schémas issus de données qu’ils ont déjà vues. Il en résulte souvent ce que l’on peut appeler une logique machinale de génération d’idées.

Leurs suggestions gravitent autour des concepts les plus représentés dans leurs données d’entraînement. Plus un concept est courant, plus le modèle en a vu d’exemples, et plus il a de chances de le proposer. Or un concept courant est, par définition, déjà bien connu, et donc rarement original. Livré à ses réglages par défaut, le modèle tend à privilégier les idées les plus répandues statistiquement.

2. Le piège de la probabilité

Les LLM sont des systèmes probabilistes : ils génèrent du texte en prédisant un mot suivant probable, à partir des données qu’ils reçoivent. La créativité consiste souvent à choisir une option moins probable, mais toujours pertinente, pour créer la surprise et susciter la curiosité. Les réglages de génération par défaut favorisent les suites probables, ce qui va à l’encontre de ce principe : le modèle tend à suivre les sentiers battus plutôt qu’à ouvrir de nouvelles voies.

Les correctifs courants et leurs limites

Beaucoup d’utilisateurs tentent d’obtenir davantage de créativité de ces modèles avec quelques techniques courantes. Dans nos tests, elles n’ont apporté qu’une amélioration marginale.

Les consignes du type « Sois plus créatif »

Demander à un LLM de « sortir du cadre » ou d’« être super créatif » n’a qu’un effet limité. Ces consignes peuvent légèrement élargir l’éventail de ses suggestions, mais le modèle continue de travailler à l’intérieur des schémas de ses données d’entraînement. Dans nos tests, le résultat était le plus souvent une version un peu inhabituelle de la même idée familière, plutôt qu’un concept réellement nouveau.

Le réglage des paramètres (température et Top-P/K)

C’est une approche plus opérationnelle, mais elle a aussi ses limites.

• Top-P et Top-K limitent l’ensemble des options candidates dans lequel le modèle puise ; les augmenter élargit cet ensemble.
• La température est un paramètre d’aléa. Plus elle est élevée, plus le modèle a de chances de retenir des options moins probables dans cet ensemble.

On prend souvent la température pour un curseur de « créativité » ; elle s’apparente plutôt à un curseur d’« aléa ». Augmenter ces paramètres n’ajoute pas d’idées nouvelles et inventives à l’ensemble des options : cela rend le choix parmi les options existantes moins prévisible. Le résultat peut être plus « exotique », mais il reste tiré du même ensemble de possibilités et, à des valeurs élevées, il peut aussi devenir moins cohérent.

Utiliser la « mémoire » pour épuiser les mauvaises idées

Une autre tactique courante consiste à utiliser la « mémoire » d’une conversation. Le principe : générer des idées, les critiquer et les ajouter à une liste d’exclusions, afin de forcer le modèle à épuiser les concepts les plus évidents et à en chercher de plus inhabituels.

Intuitivement, l’idée semble astucieuse. D’après notre expérience, c’est une approche par force brute qui ne règle pas le problème de fond. Vous parcourez toujours la même carte d’idées machinales, en rayant d’abord les grands axes. Vous finissez généralement par atteindre une destination un peu moins courante, par un chemin plus long et plus tortueux, plutôt qu’une destination réellement originale.

Cette méthode crée aussi des frictions. Soit vous vous lancez dans de longs allers-retours manuels dans un chat, qui demandent une supervision constante, soit vous automatisez le processus d’exclusion, ce qui peut aboutir à un workflow lent et complexe, coûteux à exécuter et à maintenir, pour un gain d’originalité modeste.

Comment l’IA peut-elle alors aider à produire des contenus publicitaires plus créatifs et plus variés ? Il faut changer d’approche : la partie 2 explique comment injecter dans le workflow des connaissances créatives sélectionnées.