Beaucoup d’utilisateurs de l’IA en entreprise préfèrent ne rien dire à leur hiérarchie ni à leurs collègues. Crainte de perdre son emploi, de travailler trois fois plus, peur du syndrome de l’imposteur, les raisons de ce silence sont légion. Ce silence reste un révélateur de la santé des entreprises ; ces dernières disposent de leviers pour sortir de ce no man’s land de la dissimulation.

Un consultant qui rédige ses notes de synthèse avec l’aide de Claude, un juriste qui soumet ses premières ébauches à Gemini, un enseignant qui prépare le support de son cours avec Perplexity ou une chargée de marketing qui finalise ses communiqués grâce à ChatGPT… ces scènes sont désormais très banales. Ce qui l’est moins, c’est ce qu’elles ont souvent en commun : elles se déroulent dans la discrétion, voire dans le secret.

Les chiffres sont éloquents. Près d’un tiers des salariés utilisant des outils d’intelligence artificielle (IA) au travail gardent cette pratique secrète vis-à-vis de leur employeur. En outre, à l’échelle mondiale, une étude conjointe de l’Université de Melbourne (Australie) et du cabinet KPMG portant sur 48 000 personnes dans 47 pays confirme que 57 % des salariés évitent de révéler leur usage de l’IA et présentent des contenus générés par ces outils comme s’il s’agissait de leur propre travail.

Ce constat survient dans un contexte d’adoption explosive : la part des salariés déclarant utiliser l’IA au travail est passée de 26 % en 2024 à 42 % en 2025, rien qu’aux États-Unis, 62 % des adultes interagissent désormais avec l’IA plusieurs fois par semaine.

Ce paradoxe – adopter massivement une technologie tout en en dissimulant l’usage – mérite d’être examiné avec soin. Il ne relève pas d’une simple peur irrationnelle, mais de logiques organisationnelles, sociales et identitaires bien documentées par la recherche en comportement organisationnel.

Pour analyser ce nouveau phénomène, nous nous appuyons sur notre étude « Santé mentale au travail et intelligence artificielle : entre soutien psychologique et risque de dépendance » ainsi que sur les travaux majeurs de grands sociologues, psychologues et chercheurs en gestion.

Aveu de faiblesse ?

L’une des raisons le plus fréquemment citées pour expliquer ce silence tient à la manière dont les salariés gèrent leur image professionnelle. Les travaux fondateurs du sociologue et linguiste Erving Goffman sur la présentation de soi dans la vie sociale montrent que les individus gèrent en permanence les impressions qu’ils donnent à leurs interlocuteurs. Dans un contexte professionnel, cette gestion est particulièrement intense : on cherche à apparaître compétent, rigoureux et irremplaçable.

Recourir à une IA peut être interprété, à tort, comme une confession de limitation (traduction littérale de confession of limitation). Ce raisonnement, même implicite, alimente ce que les psychologues du travail nomment le « syndrome de l’imposteur ». Des sondages soulignent que 27 % des salariés qui cachent leur usage de l’IA le font précisément parce qu’ils « ne veulent pas que les autres remettent en question leurs capacités ». L’expression même d’« AI-fueled imposter syndrome » est désormais apparue dans le vocabulaire professionnel anglo-saxon pour désigner ce phénomène spécifique.

La recherche en management de la performance montre que les salariés sont très sensibles aux signaux d’évaluation envoyés de la part de leurs responsables et de leurs entreprises. Dès lors qu’ils perçoivent que recourir à un outil extérieur peut être interprété comme un déficit de capacités, le réflexe de dissimulation s’installe.

« Avantage secret » sur ses collègues

Une deuxième motivation, moins avouable mais bien réelle, est davantage compétitive. Les salariés gardent leur usage de l’IA secret parce qu’ils y voient un « avantage secret » sur leurs collègues. Dans des environnements professionnels compétitifs, la maîtrise d’un outil que les autres ignorent, ou du moins sous-utilisent, constitue une ressource rare que de nombreux collaborateurs ne voient souvent aucun intérêt de partager avec leurs collègues.

Cette logique trouve un solide ancrage dans la théorie de la « conservation des ressources » du professeur en psychologie Stevan Hobfoll. Selon ce cadre, les individus cherchent à accumuler et préserver leurs ressources (compétences, statut, emploi, etc.). La connaissance constitue une ressource professionnelle centrale.

En outre, une étude récente met en évidence que la conscience de la menace induite par l’IA est positivement corrélée au comportement de dissimulation du savoir. Dit autrement, plus un salarié perçoit l’IA comme une menace pour son emploi ou sa valeur professionnelle, plus il est enclin à cacher ses connaissances et, par extension, ses pratiques à ses collègues ou sa hiérarchie.

Cette dissimulation prend trois formes typiques :

• le mensonge évasif, en promettant de partager ses connaissances plus tard ;
  
• la fausse ignorance, à savoir prétendre ne pas savoir ;
  
• le refus rationalisé, en invoquant la confidentialité.

L’IA secrète apparaît comme une déclinaison particulière de ce comportement de knowledge hiding, ou dissimulation de ses connaissances, qui peut affecter la performance collective des équipes.

Crainte de perdre son emploi

Une dimension plus existentielle explique également cette discrétion. Si je montre à mon employeur que l’IA peut faire en dix minutes ce qui me prenait une journée, est-ce que je ne signe pas moi-même mon propre arrêt de travail ?

Les salariés cachent leur usage de l’IA précisément par crainte que leur employeur réalise que l’IA peut effectuer une partie de leur travail et, éventuellement, pourrait remplacer des emplois dans leur secteur.

Garder l’IA secrète, c’est alors une stratégie de protection identitaire et professionnelle.

Produire trois fois plus vite avec trois fois plus de travail

Un autre ressort psychologique mérite l’attention : la crainte de voir les attentes de la hiérarchie s’emballer.

Si je révèle que je produis trois fois plus vite grâce à l’IA, vais-je me retrouver avec trois fois plus de travail, pour le même salaire ? Cette mécanique crée une structure d’incitation perverse : les gains de productivité, loin d’être récompensés, sont réappropriés par l’organisation sans contrepartie pour le salarié.

Cette logique est particulièrement bien documentée et s’inscrit dans la théorie classique de la « restriction volontaire des efforts ». Historiquement, cette théorie démontre que les travailleurs s’organisent de manière informelle pour limiter leur productivité apparente. Le but est d’éviter que le management n’augmente les cadences ou ne baisse les tarifs payés à la tâche s’il s’aperçoit qu’un travail peut être fait plus vite.

Que peuvent faire les managers ?

Comprendre ces mécanismes ne suffit pas : il faut agir. Plusieurs leviers permettent aux organisations de sortir de ce no man’s land de la dissimulation.

Définir des règles lisibles La première condition d’un usage transparent est l’existence de règles lisibles. Créer un cadre clair et bienveillant révèle la position de la direction concernant l’utilisation de l’IA. L’absence de règle ne signifie pas la liberté : elle signifie l’anxiété.

Reconnaître l’IA comme un outil légitime La deuxième condition est de reconnaître publiquement l’IA comme un outil légitime. Le signal le plus puissant vient du sommet : les managers qui mentionnent eux-mêmes qu’ils utilisent des outils d’IA dans leur propre travail déstigmatisent la pratique et ouvrent un espace de dialogue. À l’inverse, le silence des managers sur le sujet est souvent interprété comme une désapprobation implicite.

Partager les bénéfices de l’IA La crainte de voir ses gains de temps retournés contre soi ne peut être levée que par une gestion claire des attentes. Les entreprises peuvent s’engager à ce que les bénéfices de l’IA soient partagés sous forme de missions enrichies, de temps de formation ou de meilleure qualité de vie au travail.

Former à l’usage critique de l’IA La diffusion de compétences réelles sur les limites des IA (hallucinations, biais, risques de confidentialité) rassure les salariés et leur donne des arguments pour discuter sereinement de leurs pratiques. Un salarié formé est un salarié qui n’a pas honte de dire ce qu’il sait et ce qu’il fait. Former à l’usage critique des outils d’IA est l’un des soutiens les plus efficaces que les entreprises puissent apporter à leurs collaborateurs.

Révélateur de la santé des entreprises

Ce recours discret à l’IA au travail n’est pas une anecdote technologique mais un révélateur de la santé organisationnelle des entreprises : de leur capacité à créer de la confiance, à gérer l’incertitude, à reconnaître les pratiques réelles de leurs collaborateurs plutôt que de n’évaluer que les pratiques déclarées.

À l’heure où les organisations cherchent à tirer parti du potentiel de l’IA générative, il ne s’agit plus de savoir comment intégrer l’IA, mais de quelle manière créer les conditions pour que les gens aient envie d’en parler. Car une IA utilisée en secret est une IA partiellement gaspillée : ses usages ne sont ni partagés, ni régulés, ni améliorés collectivement.

Le silence n’est jamais neutre. Il dit quelque chose sur nous, sur nos peurs et, surtout, sur les organisations que nous avons construites.

George Kassar, Full-time Faculty, Research Associate, Ascencia Business School et Mohamad Fadl Harake, Docteur en Sciences de Gestion, Chercheur en Management Public Post-conflit, Université de Poitiers

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.

Les centres de calcul et de données sont des infrastructures critiques dans notre monde numérique. Leurs tailles et leurs capacités de calcul explosent, en lien avec l’essor de l’intelligence artificielle générative. De nombreux projets de constructions sont en cours, en France et à l’étranger. Mais à l’heure où leur rentabilité est questionnée, et où certains peinent à être alimentés avec suffisamment d’électricité, se posent des questions simples et néanmoins cruciales : que sont ces centres de données et de calculs, au juste ? De quoi dépendent-ils ?

Le développement des usages du numérique s’appuie sur des centres de données ou data centers qui constituent le socle physique principal du monde numérique et de l’IA. Ils permettent, par exemple, le stockage sécurisé des transactions et des données des clients des banques, la diffusion de films et de séries en streaming, les jeux en ligne avec les questions de latence des temps de réponse, la gestion des interactions des réseaux sociaux en temps réel, l’archivage de photos ou de vidéos, les services numérisés de l’État et les enjeux de souveraineté, etc.

Le terme data center se traduit en français par « centre de données » ou « centre de traitement des données » ou encore historiquement « centre informatique ». Mais, avec l’essor de l’IA (intelligence artificielle) et des besoins croissants en calcul haute performance, les infrastructures modernes ne se limitent plus au stockage de données : elles peuvent aussi intégrer des capacités massives de traitement et de calculs intensifs.

À strictement parler, il faudrait donc appeler ces infrastructures critiques « centres de données et de calcul » (CDC), ou bien en anglais, Compute and Data Center. Celles-ci sont ancrées dans le réel, ce qui contraste avec une perception quelque peu « éthérée » du numérique, donnée en partie par son ubiquité, et aussi par le vocabulaire utilisés (cloud computing, fog computing).

Visite guidée d’un centre de données et de calcul

Un CDC est une installation industrielle conçue pour des opérations de stockage et de traitement de données qu’on peut décomposer en plusieurs zones :

• salles des machines abritant des serveurs, c’est-à-dire des machines physiques ou virtuelles qui exécutent des applications et stockent des données, des baies de stockage de données (cartes mémoire, disques) et des équipements de réseaux de communications (routeurs, commutateurs, câbles et équipements pour interconnecter les serveurs et assurer la connectivité externe) ;

• zones de refroidissement : climatisation, ventilation ou systèmes de refroidissement liquide pour maintenir une température optimale ;

• infrastructures électriques : pour éviter les coupures et assurer un service sans interruption 24 heures sur 24, 7 jours sur 7, des systèmes dits « redondants » assurent l’alimentation électrique (onduleurs, générateurs, batteries). La consommation d’énergie électrique s’explique par des serveurs informatiques énergivores, le refroidissement et le fonctionnement sans interruption avec des lignes électriques redondantes pour assurer une qualité de service qui peut être pondérée en fonction des usages ;

• zones des systèmes d’information, sécurité informatique (cyberattaques, fuites de données, pannes), logiciels (systèmes d’exploitation, virtualisation, gestion des données, outils de monitoring, sauvegardes et archivages…) ;

• zones logistiques : sécurité physique, contrôle d’accès, caméras, détecteurs d’incendie, etc. (logiciels, systèmes d’exploitation, virtualisation, gestion des données, outils de monitoring…) ;

• zones de vie et de travail.

Avant de pouvoir installer un CDC quelque part, tous ces sous-ensembles doivent être caractérisés avec précision, en fonction des spécificités des territoires les accueillant, car la nature des équipements, les techniques de calcul et celles de refroidissement auront un impact sur les ressources nécessaires (énergie électrique et eau) et les populations concernées.

Une taille en expansion explosive

Résumons le chemin parcouru. Notre point de départ est en 1946 : le premier ordinateur électronique, l’ENIAC, composé de relais et de tubes électroniques, d’une puissance électrique de 150 kilowatts, en gros l’équivalent de 150 aspirateurs allumés, d’un poids de 30 tonnes, pour une performance de calcul de 5 000 additions par seconde.

Dans les années 1970, les ordinateurs IBM dépassent le million d’opérations par seconde grâce aux progrès technologiques (les transistors, puis les circuits intégrés qui possèdent quelques dizaines puis quelques milliers de transistors sur un substrat de silicium).

Aujourd’hui, les progrès spectaculaires en microélectronique permettent de fabriquer des processeurs intégrant plus de 100 milliards de transistors sur des surfaces de silicium de quelques centimètres carrés, et de produire industriellement des supercalculateurs dont la complexité dépasse aujourd’hui un milliard de milliards (10¹⁸) d’opérations par seconde pour moins de 20 mégawatts de puissance électrique (soit 20 000 aspirateurs !).

Autrement dit, en huit décennies, les performances d’un supercalculateur ont été multipliées par un facteur de l’ordre de 200 000 milliards ! Ceci a permis la miniaturisation des fonctions de calcul (apparition du premier PC, des ordinateurs portables avec batteries intégrées, des tablettes, des smartphones…) et la naissance d’un monde numérique interconnecté.

Les architectures informatiques

Il est à noter que les principes d’architectures des Central Processing Unit (CPU), énoncés au siècle dernier par John von Neumann et inspirés des travaux d’Alan Turing, s’appliquent toujours.

Ils reposent sur une unité arithmétique et logique, une unité de contrôle, une zone mémoire pour stocker les données et les instructions, et enfin les entrées/sorties pour assurer la communication avec le monde extérieur. Bien entendu, les technologies et les fonctionnalités sont aujourd’hui plus performantes et conduisent à cinq niveaux superposés : les circuits intégrés englobant des unités de traitement indépendantes (les « cœurs ») ; les MCM (pour Multi Chips Module ou intégration 3D de puces silicium CPU, GPU, mémoire) ; les calculateurs et serveurs ; et, enfin, les CDC.

Les goulots d’étranglement et les limites physiques sont les mêmes pour ces différents niveaux d’intégration : gestion des espaces mémoire, communications – en particulier calculs et mémoires, parallélisme, performances en vitesse et consommation d’énergie…

Il existe plusieurs modèles de CDC, adaptés aux différents besoins en matière de sécurité, de souveraineté et de sobriété :

• les CDC gérés en interne pour ses propres besoins ;

• les CDC externalisés, en louant de l’espace dans un data center tiers pour y installer ses propres équipements ;

• les CDC cloud d’opérateurs, où les ressources sont virtualisées et accessibles à la demande ;

• les CDC dits « hyperscale » pour gérer des volumes de données massifs et, plus récemment, des baies de calculs GPU adaptés aux intelligences artificielles génératives.

Le développement massif des IA génératives bouleverse ces organisations

Les accélérateurs GPU distribuent les calculs matriciels sur des milliers d’unités (cœurs), contrairement aux CPU, limités à quelques cœurs plus complexes et aux traitements séquentiels. Dotés de mémoires intégrées très rapides, mais limitées en capacité, ils offrent ainsi un gain de performance pour les apprentissages et les inférences des IA génératives, au prix de puissances électriques de plus en plus élevées de plusieurs centaines de watts.

La dimension des matrices (ou des paramètres) dans les modèles de langage joue un rôle clé dans leurs performances et dans leurs besoins en ressources. Pour un LLM (Large Language Models) conçu pour traiter des tâches complexes de compréhension et de génération de langage, la taille est généralement mesurée en milliards de paramètres sollicitant plusieurs dizaines de milliers de GPU. Pour donner un ordre de grandeur, la multiplication de deux matrices de dimension 4096×4096, nécessite un nombre d’opérations arithmétiques de l’ordre de 68 milliards (sans optimisation).

Cette augmentation rapide du nombre de GPU pour les apprentissages et les inférences, liée à une augmentation de la densité et de la puissance électrique des circuits intégrés a pour conséquence la multiplication de projets de CDC dépassant aujourd’hui un milliard de watts de puissance électrique.

Les impacts environnementaux et sociétaux des centres de données et de calculs

Les CDC s’ajoutent ainsi aux centrales électriques, aux réseaux de transport et de communications, aux chaînes de production, et ils en dépendent.

Leur fonctionnement a des impacts environnementaux et sociétaux : ressources nécessaires pour les équipements et le fonctionnement (énergie électrique, eau), artificialisation des sols, émissions (bruit, îlots de chaleur) et rejets (groupes électrogènes diesel, gaz réfrigérants), enfin, gestion de l’obsolescence des matériels…

Les défis sont donc nombreux (sobriété énergétique, sécurité, suivi des impacts) et nécessiteront des efforts d’adaptation, de créativité, de régulation et de transparence.

Cette expansion fulgurante se heurte ainsi à des limites économiques et physiques. Comme le soulignent les actualités récentes, l’infrastructure IA progresse à un rythme que le marché peine à suivre. Selon le PDG d’IBM, équiper plus de 100 gigwatts (GW) de capacité des CDC pourrait coûter entre 6 000 milliards et 8 000 milliards de dollars. Pour rentabiliser un tel investissement, il faudrait générer des revenus à une échelle sans précédent.

À Loughton, à moins de 30 kilomètres de Londres, un autre défi se pose : trouver suffisamment d’électricité pour alimenter le méga data center IA de Nscale, d’une puissance de 90 mégawatts (MW). Le projet, déjà retardé, bute sur une contrainte simple mais critique : l’insuffisance des capacités du réseau électrique local !

Michel Robert, Professeur des Universités, Université de Montpellier

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.

Une étude souligne que les consommateurs discriminés sont plus enclins à se tourner vers des recommandations basées sur l’IA plutôt que vers des conseils humains. La peur d’être jugé ou de vivre un sentiment de gêne peut conduire à utiliser l’IA Si les systèmes d’IA sont eux-mêmes biaisés, ils risquent d’amplifier la discrimination à laquelle les consommateurs tentaient d’échapper.

Que préparer pour le dîner avec un budget de 20 euros et un invité intolérant au gluten ? Un consommateur peut demander conseil à un employé de magasin ou interroger, par exemple, Hopla, l’assistant d’achat basé sur l’intelligence artificielle lancé par Carrefour. Derrière ce choix très quotidien se pose une question plus large : face à une recommandation, faisons-nous davantage confiance à un être humain ou à une IA ?

Des travaux récents – sur les processus de décision, l’impact des erreurs, etc. – ont mis en évidence une tendance claire et bien établie : les individus ont tendance à préférer les êtres humains. Ce phénomène, connu sous le nom d’« aversion pour les algorithmes », a été largement documenté, même lorsque les algorithmes affichent objectivement de meilleures performances.

Cependant, cette préférence n’est pas universelle. Nos recherches soulignent qu’elle peut s’inverser dans un contexte répandu : la discrimination sur les plateformes et marchés, c’est-à-dire lors d’un acte de consommation d’un produit ou d’un service. Plus précisément, les consommateurs victimes de discrimination – en particulier dans des lieux publics – sont nettement plus enclins à se tourner vers des recommandations basées sur l’IA plutôt que vers des conseils humains.

Le mécanisme émotionnel à l’origine de ce changement ? La gêne. Lorsque les personnes se sentent jugées socialement ou traitées injustement en raison d’un attribut personnel non pertinent, elles cherchent refuge dans des systèmes perçus comme neutres et exempts de préjugés.

Comment ce mécanisme fonctionne-t-il ? Qu’est-ce que cela signifie pour les organisations concernées ? Et que révèle-t-il sur les moteurs cachés de l’adoption de l’IA ?

La discrimination implicite

La discrimination dans les contextes de consommation est loin d’être rare. Des études montrent que certains groupes bénéficient de conditions moins favorables que d’autres pour des services similaires, par exemple en matière d’accès au crédit ou à l’assurance. Au-delà de leurs conséquences économiques, ces expériences ont de fortes répercussions psychologiques. Elles augmentent le stress, sapent le sentiment d’équité et influencent les comportements futurs.

Il est important de clarifier ce que signifie la discrimination dans un contexte de marché. Un marché, au sens large, désigne tout espace où les consommateurs interagissent avec des prestataires de services, qu’il s’agisse d’un concessionnaire automobile, d’un restaurant, d’une banque ou d’une plateforme de santé. Au sein de ces espaces, un traitement différencié n’est pas intrinsèquement discriminatoire. Par exemple, un client VIP bénéficiant d’un service haut de gamme est traité différemment sur la base d’un critère commercial pertinent.

La discrimination survient lorsque le facteur de différenciation est non pertinent et illégitime, comme la couleur de peau, l’origine ethnique ou le genre. Ce qui la rend particulièrement insidieuse, c’est qu’elle peut être cachée, implicite, voire involontaire, tout en causant un préjudice psychologique réel à ceux qui en sont victimes.

Un système d’IA dépourvu d’émotions

Dans le cadre d’une étude de terrain que nous avons menée en conditions réelles, des « agents » – en réalité des personnes impliquées dans le dispositif de recherche – ont évalué des demandes de prêt sur un campus universitaire à l’aide de questionnaires quasi identiques, dont l’un comportait une question supplémentaire sur l’auto-évaluation de la couleur de peau.

Tous les candidats ont ensuite été refusés ; ceux qui avaient été confrontés à la question sur la couleur de peau ont déclaré s’être sentis victimes de discrimination (phase 1). Lors de la collecte de données de suivi, réalisée ultérieurement, tous les participants se sont vu proposer le choix entre un évaluateur humain et un évaluateur IA (phase 2).

Une proportion significativement plus élevée de ceux ayant eu l’impression d’avoir subi une discrimination lors de la première phase (par rapport à ceux n’ayant pas eu l’impression d’avoir subi de discrimination lors de cette même phase) a choisi, lors de la deuxième phase, d’être évaluée par le système d’IA décrit comme « dépourvu d’émotions ».

Sentiment de gêne

Les consommateurs discriminés semblent nettement plus enclins à se fier à des recommandations basées sur l’IA plutôt qu’à des conseils humains. En d’autres termes, l’aversion pour les algorithmes peut se transformer en préférence pour les algorithmes, également appelée « appréciation des algorithmes ».

Ce revirement s’explique par un mécanisme psychologique spécifique : la gêne. Cette émotion sociale survient lorsque les individus se sentent jugés négativement par les autres. Dans nos expériences, les participants exposés à des situations discriminatoires font état de niveaux de gêne plus élevés, et cette émotion influence directement leurs choix ultérieurs. Plus ils se sentent gênés, plus ils cherchent à limiter les interactions humaines.

Dans ce contexte, l’IA apparaît comme une alternative plus sûre.

L’IA perçue comme plus neutre

Par rapport aux êtres humains, les systèmes algorithmiques sont perçus comme plus neutres, plus objectifs et moins enclins aux biais ou aux préjugés.

La réalité est plus complexe. Les algorithmes peuvent être biaisés, en fonction des données et de l’entraînement dont ils bénéficient. Pourtant, nombreux sont ceux qui continuent à les considérer comme neutres et objectifs. Dans ce contexte, ce sont ces perceptions qui importent le plus. Opter pour l’IA permet aux consommateurs de réduire le risque d’avoir l’impression d’être à nouveau jugés ou traités de manière injuste.

Cet effet dépend du contexte dans lequel les décisions sont prises. Nous constatons qu’il est particulièrement marqué dans les situations publiques, lorsque les choix sont visibles par les autres. En revanche, lorsque les décisions sont privées, cet effet s’affaiblit considérablement.

Les expériences sociales antérieures

Ces résultats apportent un nouvel éclairage sur l’adoption de l’IA. Ils suggèrent que l’utilisation de systèmes automatisés n’est pas uniquement motivée par des considérations d’efficacité ou de performance, mais également par des besoins psychologiques façonnés par des expériences sociales antérieures.

Pour les entreprises, les implications sont considérables. Dans les secteurs où les interactions peuvent être perçues comme sensibles, telles que la banque, la santé ou les services client en général, proposer des alternatives basées sur l’IA peut aider certains consommateurs à se sentir plus à l’aise. Pour ces personnes, l’IA n’est pas seulement un outil technologique ; elle devient un moyen d’échapper au jugement social et de reprendre le contrôle après des expériences négatives.

Dans le même temps, ces résultats s’accompagnent d’une mise en garde importante : si les systèmes d’IA sont eux-mêmes biaisés – entraînés sur des données biaisées ou conçus sans tenir compte de l’équité –, ils risquent de reproduire, voire d’amplifier, la discrimination même à laquelle les consommateurs tentaient d’échapper. Plus grave encore, ce type de discrimination passe souvent inaperçu car il est caché et difficile à détecter. Le déploiement de l’IA en tant qu’alternative « sûre » n’a de sens que si cette sécurité est réelle, et non simplement perçue.

À mesure que l’IA s’intègre de plus en plus dans la vie quotidienne, la compréhension de ces mécanismes sera essentielle pour concevoir des expériences client plus inclusives et adaptatives.

Arash Talebi, Professeur assistant, EDHEC Business School et Sylvain Riffe-Stern

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.

Les visages générés par IA offrent aux publicitaires un moyen de créer une impression de proximité avec le consommateur.Une étude souligne que, au-delà de 57 % de similarité faciale, de telles publicités seraient contre-productives. Jusqu’où personnaliser la publicité grâce à l’IA ?

En apparence, l’intelligence artificielle générative offre aux publicitaires un outil idéal : créer une annonce qui ressemble à chaque consommateur. Plus une publicité paraît personnelle, plus elle devrait convaincre.

La réalité est plus nuancée. Notre étude souligne que les visages générés par IA peuvent augmenter l’efficacité d’une publicité. Mais seulement jusqu’à un certain point. Lorsque le visage présenté ressemble trop à la personne qui regarde l’annonce, l’intention d’achat diminue.

Le résultat principal est simple : la ressemblance aide tant qu’elle reste modérée. Dans notre échantillon, l’effet positif est maximal autour de 57 % de similarité faciale. Au-delà, la publicité devient moins persuasive.

La personnalisation par IA fonctionne comme une arme à double tranchant : elle peut à la fois créer de la proximité et donner l’impression d’une intrusion.

Promesse d’une publicité sur mesure

Depuis l’essor de l’IA générative, les marques testent de nouvelles formes de personnalisation. Ces outils ne servent plus seulement à produire des textes ou des images plus vite. Ils adaptent également un contenu à une personne précise.

Dans la publicité, ce changement est important. Pendant longtemps, la personnalisation consistait surtout à cibler des groupes : jeunes parents, amateurs de sport, voyageurs fréquents ou cadres urbains. L’IA générative permet désormais d’aller plus loin. Elle peut modifier une image, un décor, un produit ou un visage pour un particulier. Cette évolution s’inscrit dans l’émergence de la « publicité synthétique », pour laquelle proposent un cadre théorique destiné à comprendre les réactions des consommateurs aux contenus publicitaires créés ou manipulés par l’IA.

Les entreprises Samsung et Glance ont par exemple annoncé une expérience où des publicités sur écran verrouillé peuvent intégrer la ressemblance de l’utilisateur. Concrètement, l’utilisateur peut volontairement fournir un selfie à partir duquel l’IA génère des images hyperréalistes de lui portant différentes tenues, qui peuvent ensuite être affichées sur son écran verrouillé. Dans le secteur de la mode, une publicité Guess utilisant des mannequins générés par IA dans Vogue a suscité un débat sur l’authenticité et les standards de beauté.

Ces exemples illustrent une évolution plus large. La publicité ne cherche plus seulement à parler à une cible. Elle cherche à se rapprocher du consommateur lui-même. Le visage rend cette évolution particulièrement sensible.

Tester la limite de la ressemblance

La question n’est pas seulement de savoir si la ressemblance fonctionne. Elle est de savoir jusqu’où elle peut aller.

Pour étudier cette question, nous avons d’abord mesuré automatiquement la similarité entre deux visages. Leur méthode utilise une technologie issue de la reconnaissance faciale. Chaque visage est transformé en représentation numérique. L’algorithme compare ensuite deux représentations et attribue un score compris entre 0 et 1.

Un score proche de 0 indique deux visages très différents. Un score proche de 1 indique deux visages très similaires.

Dans une étude de validation, l’algorithme et les participants sont parvenus à des conclusions très similaires. Pour cent comparaisons, les participants devaient indiquer lequel de deux visages ressemblait le plus à un visage de référence. L’algorithme a ensuite effectué la même tâche. L’accord entre ses choix et ceux des participants était élevé (kappa de Cohen = 0,88).

L’algorithme peut donc évaluer la ressemblance faciale d’une manière largement comparable à la perception humaine, sans devoir solliciter de nouveaux participants pour chaque image.

Point optimal : 57,6 % de similarité faciale

Nous avons ensuite mené deux expériences.

Dans la première, les participants voyaient une publicité pour une assurance automobile. Cette publicité contenait un visage généré par IA. Ce visage était plus ou moins proche de la photo de profil du participant sur un réseau social, utilisée avec son accord.

Conclusion : la relation entre la similarité faciale et l’intention d’achat n’est pas linéaire. Lorsque la similarité part d’un niveau faible et augmente, l’intention d’achat progresse. Toutefois, lorsqu’elle devient très élevée, l’intention d’achat diminue.

Une seconde expérience, portant sur dix niveaux de ressemblance allant d’une similarité très faible à une similarité très élevée, confirme cette relation en forme de « U inversé ». Comme l’illustre le graphique ci-dessus, une ressemblance modérée améliore l’efficacité de la publicité, tandis qu’une ressemblance excessive la pénalise. Cela veut dire, lorsque le visage ne ressemble presque pas au consommateur, l’intention d’achat est relativement faible.

Cette ressemblance excessive peut paraître étrange, intrusive ou donner l’impression que la publicité cherche trop manifestement à manipuler le consommateur.

Le point optimal estimé est de 57,6 % de similarité faciale. L’intervalle de confiance se situe entre environ 52 % et 63 %.

Pourquoi un visage familier peut convaincre

La ressemblance joue un rôle connu dans la persuasion. Les individus sont souvent plus réceptifs aux personnes qu’ils perçoivent comme proches d’eux. En publicité, ce mécanisme est décrit comme un effet de similarité. Celui-ci s’inscrit notamment dans la théorie de la comparaison sociale du psychologue Leon Festinger, selon laquelle les individus tendent à se comparer à des personnes qu’ils perçoivent comme similaires.

Cette proximité peut venir de l’âge, du style, du genre ou du langage. Elle peut aussi venir du visage. Des travaux antérieurs montrent que la ressemblance faciale peut influencer la confiance ou l’attitude envers une marque.

L’IA générative change l’échelle de ce mécanisme. Il ne s’agit plus seulement de choisir un mannequin proche d’une catégorie de consommateurs. Il devient possible de générer un visage qui ressemble à une personne donnée.

Quand la proximité devient intrusion

Pourquoi une publicité trop ressemblante convainc-t-elle moins ? Une première explication tient au sentiment d’intrusion. Une publicité très personnalisée peut donner l’impression que la marque en sait trop sur le consommateur. Des recherches montrent que l’utilisation d’éléments personnels, comme le nom ou la photographie peut renforcer cette impression et réduire l’intention d’achat.

Une deuxième explication renvoie à la « vallée de l’étrange ». Cette théorie suggère qu’un visage presque humain, mais pas totalement naturel, peut provoquer un malaise. Dans une publicité, un visage qui ressemble beaucoup au consommateur sans le représenter exactement peut produire un effet similaire.

Une troisième explication concerne la persuasion elle-même. Lorsqu’un consommateur comprend trop clairement qu’une marque cherche à l’influencer, il peut devenir plus méfiant. Une personnalisation trop visible peut donc rendre la stratégie publicitaire trop évidente.

La vraie limite de l’IA publicitaire

Notre étude ne conclut pas que les visages générés par IA doivent être évités. Elle montre qu’ils doivent être calibrés.

Pour les annonceurs, l’objectif ne devrait pas être de créer le visage le plus ressemblant possible. Il devrait être de créer une impression de proximité sans franchir le seuil où cette proximité devient gênante.

La technologie permet d’aller très loin dans la personnalisation. Mais l’efficacité publicitaire dépend aussi de ce que les consommateurs acceptent.

La bonne question n’est donc pas seulement : jusqu’où peut-on personnaliser une publicité ? Elle est plutôt : à partir de quand la personnalisation cesse-t-elle d’être utile et commence-t-elle à devenir intrusive ?

Arno De Caigny, Full Professor of Marketing Analytics, IÉSEG School of Management et Gudrun Roose, Assistant Professor in Marketing Communication and Digital Marketing, Ghent University

Cet article est republié à partir de The Conversation sous licence Creative Commons. Lire l’article original.