Sommaire
Depuis quelques années, je vis un peu comme tout le monde, une relation ambivalente avec l’IA.
Au début, c’était de l’émerveillement… comme plusieurs, j’ai vu dans ces outils un accélérateur incroyable.
En quelques secondes, on pouvait générer des idées, structurer des présentations, écrire du contenu.
J’ai moi-même plongé rapidement, probablement trop rapidement, dans cette logique d’exploration. Automatisation, agents, génération de contenu : tout semblait possible.
Puis, tranquillement, quelque chose a commencé à me déranger. Pas parce que les résultats étaient mauvais.
Au contraire.
Ils étaient souvent bons. Trop bons, même. Cohérents, fluides, bien structurés. Malgré cela, avec le temps, une impression persistante s’est installée : celle d’un déjà-vu.
Comme si, derrière la diversité apparente, tout commençait à se ressembler.
Historiquement, en data, on parle de garbage in, garbage out.
Une mauvaise donnée produit une mauvaise sortie ; une erreur visible, facilement identifiable, corrigeable.
Mais avec l’IA générative, on entre dans une autre dynamique.
Ce n’est plus garbage out.
J’appelle cela le average out.
L’IA ne reproduit pas simplement les erreurs. Elle les absorbe, les mélange et les transforme en quelque chose de plausible, crédible, mais rarement distinctif.
Comme si l’IA, plutôt que d’élever la créativité, contribuait à la normaliser.
De l’erreur visible à la moyenne invisible
Ce qui me fascine (et m’inquiète), c’est qu’en passant de l’erreur à la moyenne, on tombe dans un nouveau paradigme où les contenus sont suffisamment crédibles pour passer inaperçus, mais rarement assez distinctifs pour créer de la valeur.
Une erreur, ça se voit. Ça se corrige. Ça déclenche un réflexe critique. Mais un contenu moyen, lui, passe sous le radar.
Il respecte les codes, adopte le bon ton, coche toutes les cases.
Il donne même souvent une impression de maîtrise.
Je repense à un exemple qui m’a marqué : des nutritionnistes ont analysé des recettes de dinde générées par IA.
Sur papier, tout était parfait : ingrédients cohérents, étapes claires, résultat appétissant.
Mais en creusant, ils ont découvert des erreurs dans les temps et températures de cuisson, suffisamment importantes pour présenter un risque réel pour la santé.
La recette était bonne… jusqu’à ce qu’elle ne le soit plus.
C’est exactement ça, le average out.
Une créativité qui converge
Pour comprendre ce phénomène, il faut revenir à la nature même de ces outils.
Les modèles d’IA ne créent pas au sens humain.
Ils prédisent.
À partir de vastes ensembles de données, ils génèrent ce qui est le plus probable dans un contexte donné.
Ce mécanisme, parfois décrit comme du manifold filling, consiste à interpoler entre des idées existantes. Le résultat peut sembler nouveau, mais il reste ancré dans ce qui est déjà connu.
Un exemple récent illustre bien cette limite.
Des chercheurs ont développé un modèle appelé Talkie, entraîné exclusivement sur des données datant d’avant 1930. Le résultat est fascinant : le modèle produit un langage cohérent, crédible… mais profondément ancré dans les référents culturels, les expressions et les logiques de cette époque.
Autrement dit, il ne « comprend » pas le monde moderne. Il prolonge simplement celui sur lequel il a été entraîné.
Ce cas met en lumière une réalité souvent sous-estimée : une IA ne dépasse jamais vraiment son corpus. Elle ne fait qu’explorer les frontières de ce qu’elle connaît déjà.
Concrètement, cela signifie que l’IA excelle à optimiser et recombiner… mais pas à rompre.
Des études récentes montrent d’ailleurs que, même dans des contextes stratégiques très différents, les recommandations générées par IA tendent à converger vers des réponses similaires. Une forme de pensée moyenne, amplifiée à grande échelle.
Quand c’est facile, tout le monde le fait
Le marketing repose sur la différenciation.
Créer une émotion, se démarquer, occuper un espace unique dans l’esprit du consommateur.
Or, est-ce que l’utilisation sans introspection de l’IA ne nous pousserait pas dans la direction inverse ?
J’ai récemment été frappé par un exemple assez révélateur.
Lors d’un concours de poisson d’avril au Québec, plusieurs organisations, indépendantes les unes des autres, ont proposé exactement le même concept : relier deux lieux avec une tyrolienne.
Rien dans leur historique ne laissait présager ce type d’idée. Et pourtant, elles sont arrivées à la même conclusion.
Difficile d’y voir une coïncidence.
Ce type de convergence illustre un phénomène plus large : lorsque des milliers de professionnels s’appuient sur les mêmes modèles pour « brainstormer », les idées générées tendent à se ressembler, même lorsque l’intention initiale est de se différencier.
En démocratisant l’accès à la production de contenu, l’IA transforme progressivement certaines compétences en commodités. Ce qui était autrefois difficile (produire un contenu cohérent, structuré, crédible) devient trivial.
À mes yeux, cette démocratisation a un effet secondaire : elle dilue la rareté.
Dans un environnement où chacun peut produire du contenu « correct », la valeur de ce contenu chute mécaniquement. On assiste à une forme d’inflation de la qualité perçue… où le « bon » devient la norme, et donc, n’est plus suffisant.
L’illusion de productivité
On me dit souvent : « Oui, mais ça reste un gain de productivité énorme. »
C’est vrai. Mais partiellement.
Oui, on produit plus vite. Mais produit-on plus de valeur ?
Ce que j’observe, c’est un déplacement du travail. Moins de production brute, mais plus de tri. Plus de validation. Plus d’effort pour distinguer ce qui vaut la peine d’être conservé.
Certains parlent maintenant de workslop : du contenu propre, rapide, mais sans réelle valeur.
Et ça crée un paradoxe intéressant : plus on produit, plus il devient difficile de créer de l’impact.
Le vrai avantage compétitif : savoir quand ne pas utiliser l’IA ?
Avec le recul, j’en suis venu à une conclusion assez simple.
Le problème n’est pas l’IA.
C’est la manière dont on l’utilise.
L’IA est un outil formidable pour explorer, tester, structurer.
Un amplificateur. Mais ce n’est pas un créateur.
Les éléments les plus importants en marketing (insight, positionnement, ton, idée forte) reposent sur des dimensions que l’IA maîtrise mal : le contexte, la culture, l’intuition.
Dans ce contexte, un renversement s’opère.
L’avantage ne réside plus dans l’adoption de l’IA ; elle est désormais accessible à tous.
Il réside dans la capacité à l’utiliser avec discernement.
Et parfois, dans la capacité à ne pas l’utiliser.
Savoir quand ralentir. Quand sortir du cadre. Quand privilégier une approche humaine, imparfaite mais singulière.
À l’ère du average out, la discipline ne consiste plus à produire plus, mais à résister à la moyenne.