IA et Homogénéisation Créative

Une production créative plus abondante et meilleur marché n’a jamais produit des marques plus reconnaissables : depuis que l’IA générative s’est généralisée, l’inverse s’observe. Mêmes modèles, mêmes corpus, mêmes réflexes de prompt : les créas convergent, d’une marque à l’autre et d’une catégorie à l’autre. Ce n’est pas un accident d’usage - c’est une conséquence structurelle de ce que la machine produit : entraînée à prédire la réponse la plus probable, elle fabrique la moyenne de sa catégorie.

L’idée a une lignée intellectuelle identifiable. Justin Setzer (Demand Curve) l’a formalisée en 2026 sous le nom de « Consensus Machine » : un grand modèle de langage optimise pour le plus probable statistiquement, quand le marketing cherche précisément le moins probable. La recherche expérimentale confirme le mécanisme au niveau collectif : l’usage de l’IA améliore la qualité de chaque production individuelle, mais réduit la nouveauté du total (Consumer Behavior Lab) - chaque praticien voit son travail s’améliorer pendant que la catégorie entière converge.

Sur la robustesse : la direction est solide et documentée par des sources convergentes - une mesure de terrain (45,7 % des stands de la RSAC 2026 brandissant exactement le même message), des expériences contrôlées sur la nouveauté collective, un corpus praticien cohérent. Le quantum exact reste praticien, pas établi à la manière des lois d’Ehrenberg-Bass ; les chiffres ci-dessous sont des observations de terrain, pas des constantes de laboratoire.

Cette page traite du pourquoi structurel : la mécanique de convergence, la disparition de la barrière de production comme fossé concurrentiel, ce que ce phénomène révèle des marques qui n’avaient jamais formalisé leur identité, et la contre-attaque - ce que la machine ne produit pas en masse. La doctrine d’usage - comment industrialiser sans se diluer - est couverte dans la créa générative par l’IA, et le cadre cognitif de l’audience machine dans Système 3 et la marque vue par les LLMs.

L’essentiel en 4 points

• Un LLM optimise pour le plus probable statistiquement ; le marketing cherche le moins probable. Confier le positionnement aux mêmes modèles produit du consensus à grande échelle.
• L’usage de l’IA améliore chaque output individuel mais réduit la nouveauté collective de 9 à 11 % : chacun progresse, la catégorie converge.
• Le moat de la créa « passable » vaut 0 $ : n’importe quel concurrent la copie en une heure, et les formats faciles à dupliquer se saturent en quelques semaines.
• La contre-attaque tient en trois signaux que la machine ne réplique pas : authenticité non-réplicable, voix de marque (un point de vue, pas un prompt), tension dramatique conçue par des humains.

Le mécanisme : une machine entraînée à produire la moyenne

La cause n’est pas technique mais structurelle : un LLM est entraîné à prédire la réponse la plus probable, et le marketing cherche précisément le moins probable. La thèse de la « Consensus Machine » de Justin Setzer (Demand Curve) tient en une ligne - « un grand modèle de langage optimise pour le plus probable statistiquement ; le marketing optimise pour le moins probable » - et produit un chiffre devenu l’emblème du phénomène : au RSAC 2026, la grande conférence cybersécurité US, 45,7 % des stands brandissaient exactement le même message sur le même fond bleu. Quand une industrie entière sous-traite son positionnement aux mêmes modèles, le résultat est du consensus à grande échelle - l’inverse exact du métier.

La recherche expérimentale confirme le mécanisme au niveau collectif. Le Consumer Behavior Lab établit que l’usage de l’IA améliore la qualité des outputs individuels mais réduit la nouveauté collective de 9 à 11 % - le total devient plus similaire. C’est le piège macro : chaque praticien voit son travail s’améliorer pendant que la catégorie entière converge. Or les gens remarquent ce qui est distinctif : si tous les concurrents utilisent les LLMs de la même façon, la catégorie entière devient moins saillante. Le diagnostic praticien converge : « l’IA vous envoie la réponse la plus commune, la plus évidente, la plus populaire - et ce n’est pas là que naissent les choses nouvelles » (Jon Evans).

La forme de la courbe ? Une machine entraînée sur les données du passé ne peut pas produire la rupture de pattern - « la prédictivité est l’ennemie de la créativité » (Tara Austin, Ogilvy). La formule praticien : « l’IA est excellente pour le refinement, pas pour la genesis » (Jay Acunzo). Et la cause est souvent organisationnelle avant d’être algorithmique : « l’AI slop vient des prompts qui convergent, pas de l’IA elle-même » (Patrick Stuart-Constant) - tout le monde demande « génère un script pour cette app » et obtient le même contenu médiocre.

Ce que l’IA a changé : la barrière de production a cessé d’être un fossé

La GenAI ne fait qu’accélérer une disruption longue. Elle ferme l’écart de production entre contenu creator et contenu corporate - une fraction du contenu généré atteint un niveau « suffisamment bon » pour capter l’attention (qualifier l’ensemble de « slop » est une erreur : c’est le meilleur contenu qui fait la concurrence, pas la moyenne), et là où internet a rendu la distribution continue, la GenAI rend la création continue (Doug Shapiro).

Pour l’annonceur, la conséquence concurrentielle est directe. Selon l’expérience de Curtis Howland, la barrière de la créa « passable » s’est effondrée vers mi-2025 : « n’importe qui peut générer 50 variantes statiques dans une fenêtre Claude » - et le moat de cette créa générique vaut 0 $, n’importe quel concurrent la copiant en une heure, ce qui accélère la fatigue publicitaire. Les formats faciles à dupliquer se saturent en quelques semaines - argument pour les créas exigeant un vrai point de vue. Le même constat côté mesure (Mike Follett, IPA) : la créa générée par IA est « good enough » - moins intéressante, moins mémorable, mais à coût marginal quasi nul - alimentant une course aux armements intrusion/évasion à somme nulle, dont la sortie est la séduction plutôt que l’intrusion.

Le phénomène ne se limite pas à la pub. Toutes les marques dérivent vers les mêmes patterns d’objets email (Send It) ; quand les LLMs recommandent systématiquement le même vocabulaire (« exclusive »), 74 000+ campagnes l’utilisent - quand tout est exclusif, rien ne l’est. Et le plafond arrive vite : en France, l’usage de l’IA pour le contenu textuel a chuté de 21 points en un an - non parce que les outils déclinent, mais parce que leurs tics sont devenus reconnaissables : « on a industrialisé notre propre indistinction » (Singularity Marketing).

L’homogénéisation rend visible la dette de marque

Le retournement du problème en diagnostic : ce que l’IA produit sans garde-fou révèle ce que la marque n’avait jamais formalisé. « L’IA amplifie ce qu’on lui donne - et si on ne lui dit pas exactement ce qu’on veut qu’elle amplifie, elle ne saura pas plus que nous » (Florian Deveaux) : la plupart des marques n’ont jamais fait ce travail de fond et récoltent de l’inflation de contenu générique - l’IA n’a pas seulement dégradé leur marque, elle a révélé qu’il n’y avait rien à amplifier.

Prompter sans contraintes de marque produit le même créatif pour cent marques concurrentes : le contexte de marque structuré (brand guide, codes visuels, ton) devient la ressource rare (Send It). Et la brand voice doc qui fonctionne encode la voix réelle - les 20 meilleurs emails passés - pas la voix déclarée.

La tension ouverte : les marques très protectrices de leur identité visuelle sont structurellement pénalisées par les algorithmes de diversité (Meta Andromeda lit la consistance graphique comme similarité d’asset). Les leaders déplacent le cœur de l’identité du visuel vers le feeling et la proposition de valeur (D2C Diaries). Mais la consistance reste le moteur du créatif composé - une consistance sur des assets génériques accélère l’homogénéisation là où une consistance sur des actifs distinctifs la bloque.

La contre-attaque : ce que la machine ne produit pas

Quand la production devient gratuite, la valeur migre vers ce qui ne se produit pas en masse. L’insight juste, la prise de position, le message - le travail stratégique amont devient le principal levier de différenciation (Théo Lion, la leçon Polaroid). À Cannes 2026, la conversation est passée de « faut-il l’utiliser » à « ce que la technologie ne peut pas répliquer » - le goût, la distinction (Campaign). Et l’IA automatise le niveau « correct » - le 6-7/10 qui passait en validation : ce niveau n’a plus de valeur marchande. La frontière s’impose entre produire (exécuter vite et bien, l’IA est imbattable) et créer (décider de ce qui mérite d’exister, zone où l’humain reste irremplaçable).

Le levier le plus contre-intuitif est que la machine elle-même peut servir la rupture. Les LLMs étant entraînés sur le corpus d’une catégorie, ils savent exactement ce à quoi ressemble la moyenne : leur meilleur usage stratégique est de leur faire lister d’abord les cinq clichés et conventions de la catégorie, puis les tensions et espaces alternatifs - cartographier la convention pour s’en écarter délibérément (Sleeping Barber). Le brief IA s’inverse : de producteur de la réponse à cartographe du consensus.

Trois signaux de différenciation émergent du corpus, tous difficiles à répliquer par génération :

• L’authenticité non-réplicable. Dans un feed saturé d’ads IA, se démarquent les formats que l’IA ne peut pas répliquer aujourd’hui - founder ads, réactions authentiques multi-personnes (Andrew Faris). À mesure que le contenu IA devient parfait et fade, l’imperfection devient une monnaie sociale : quand l’optimisation devient l’industrie, la non-optimisation devient le luxe. Et le « weird and human » devient un signal de confiance (Rand Fishkin).
• La voix de marque comme fossé. « La voix de marque est la seule chose que l’IA ne peut pas copier à l’échelle, parce qu’elle vient d’un point de vue, pas d’un prompt » (Curtis Howland). Les gagnants gardent un humain dans la boucle copy ou maîtrisent le prompting spécifique.
• La tension dramatique, irreproductible automatiquement. La publicité générée par IA tombe systématiquement dans la tension faible - littérale, sans danger, sans connexion (Lucinda Barlow, Uber). Réserver à l’IA la production et les variantes, jamais la conception du concept.

Si ta scale-up plafonne aujourd’hui

Le réflexe à pré-empter : confondre « l’IA nous fait produire plus » avec « l’IA nous rend plus compétitif » - la production à l’échelle est disponible pour tous vos concurrents au même prix marginal. Concrètement :

• Auditer la convergence avant le volume. Soumettre ses assets au test RSAC : si la moitié des concurrents pourraient arborer le même message, le problème est amont (positionnement), pas dans la créa.
• Documenter le contexte de marque avant d’industrialiser. Brand guide, codes visuels, voix réelle (exemples passés, pas seulement déclarés) - sinon l’IA produit à la place de la marque, et révèle en public ce qui n’a jamais été formalisé.
• Inverser le brief IA. Demander à la machine les clichés de la catégorie d’abord, construire à côté ensuite - l’IA est le meilleur cartographe du consensus disponible.
• Investir ce que la machine ne réplique pas. Fondateur, réactions authentiques, prise de position, tension dramatique conçue par des humains - l’imperfection délibérée est devenue un signal premium.
• Ne jamais exposer le processus IA comme argument. Le contenu étiqueté « généré par IA » est jugé moins bon à qualité identique - l’IA est un moyen de production, pas une proposition de valeur.

Le paramétrage fin des workflows relève de la créa générative par l’IA et de la production de la créa performance ; la discipline des actifs qui rendent la distinctivité tenable, des actifs distinctifs.

Pour aller plus loin

• Créa Générative par l’IA - La doctrine d’usage : l’IA comme amplificateur d’intention créative, pas substitut.
• Distinctivité vs Différenciation - Le socle Ehrenberg-Bass : pourquoi la distinctivité (pas la différenciation) fait le travail.
• Actifs Distinctifs - La discipline de portefeuille qui rend la distinctivité défendable face au blanding.
• Créativité = Efficacité - Le multiplicateur que l’homogénéisation érode.
• La marque vue par les LLMs - La convergence lue depuis l’autre bout : ce que la machine retient de ta catégorie.

Sources

• Singularity Marketing, 2026, la fin du pilote automatique Marketing. La « Consensus Machine » de Justin Setzer, les 45,7 % de stands RSAC, la chute de 21 points de l’usage IA en France.
• Singularity Marketing, IA & Marketing : où est la créativité ?. L’IA automatise le niveau « correct » - la frontière produire / créer.
• Singularity Marketing, Le Marketing de 2026 n’est pas ce qu’on croit. La chute de 21 points et « on a industrialisé notre propre indistinction ».
• The Sleeping Barber Podcast, SBP 228: Interview - AI Won’t Decide the Future of Marketing. We Will. With Pats McDonald.. Le brief IA inversé : cartographier les clichés de la catégorie pour s’en écarter.
• Consumer Behavior Lab, How AI is influencing marketing and why human judgment still matters. L’amélioration individuelle, la réduction de la nouveauté collective de 9 à 11 %.
• Consumer Behavior Lab, Interview: Tara Austin, behavioral strategist at Ogilvy. « La prédictivité est l’ennemie de la créativité » : la machine modélise le pattern qu’elle ne peut pas casser.
• Jon Evans (Uncensored CMO), AI generates mediocre results. « L’IA vous envoie la réponse la plus commune, la plus évidente, la plus populaire ».
• Curtis Howland, The Meta Ads Creative Moat AI Can’t Touch (And Costs 1-3% of Spend). L’effondrement de la barrière de la créa « passable », le moat à 0 $.
• Curtis Howland, 13 Ideas From the People I Actually Learn From in DTC. La voix de marque comme fossé : un point de vue, pas un prompt.
• Doug Shapiro, Is It Slop If People Watch It?. La fermeture de l’écart creator/corporate : le meilleur contenu IA fait la concurrence, pas la moyenne.
• Doug Shapiro, How Math Broke Media. Là où internet a rendu la distribution continue, la GenAI rend la création continue.
• IPA, The IPA Making Sense Podcast: Mike Follett. La créa IA « good enough » et la course intrusion/évasion à somme nulle.
• Send It, 74,000 Marketers Said the Same Thing - Here’s Why. La convergence du vocabulaire : quand tout est « exclusive », rien ne l’est.
• Send It, 10 AI mistakes wrecking your retention. La dérive collective vers les mêmes patterns d’objets email.
• Send It, How a 12-person team outputs like 100 people with AI. Le contexte de marque structuré comme ressource rare.
• Send It, Why Most Brands Will Sound the Same Using AI (And How to Avoid It). La brand voice doc qui encode la voix réelle, pas la voix déclarée.
• Florian Deveaux, HORS-SÉRIE La Content Factory : L’infrastructure que les machines n’ont pas. « L’IA amplifie ce qu’on lui donne » : la dette de marque rendue visible.
• Théo Lion, Qu’est-ce qu’un bon message publicitaire ? La leçon Polaroid. L’insight juste et la prise de position comme principal levier de différenciation.
• Campaign, Cannes Global Podcast, episode 3: Review of festival and big winners. Cannes 2026 : la conversation passée à « ce que la technologie ne peut pas répliquer ».
• Andrew Faris, He Creates 1,000+ Ads Every Month With AI (But He’s Still Skeptical About It). Les formats non-réplicables qui se démarquent dans un feed saturé.
• Rand Fishkin (SparkToro), Does Your Website Still Matter in the Zero-Click Era?. Le « weird and human » comme signal de confiance.
• Lucinda Barlow (Uber), WARC, The Effective CMO: Uber’s Lucinda Barlow. La tension faible des pubs IA - réserver la conception du concept aux humains.
• D2C Diaries, The New Meta Ad Playbook: Avoiding Creative Similarity on Meta | Episode 53. La pénalité de consistance sur Meta Andromeda, le déplacement visuel vers feeling.
• Jay Acunzo (Ahrefs), How To Make People Care About Your Brand. « L’IA est excellente pour le refinement, pas pour la genesis ».
• Patrick Stuart-Constant (Mobile User Acquisition Show), He Scaled 10,000 Ads/Month Using AI. « L’AI slop vient des prompts qui convergent, pas de l’IA elle-même ».

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.