L'IA fait déjà cela en quelques minutes. Alors qu'est-ce qui vaut encore de l'argent ?

La question arrive presque toujours de la même manière, et elle est légitime : si un outil rédige le texte, dessine le logo et monte le site en un après-midi, pourquoi cela continue-t-il de coûter ce que cela coûte ? Avant de répondre, une déclaration d'intérêt. Núcleo Parceiro utilise l'intelligence artificielle. L'assistant qui se trouve dans le coin de ce site est un modèle de langage. Nous n'avons aucune pureté à vous vendre, et la réponse honnête n'est pas que l'IA travaille mal. C'est qu'elle travaille bien, et c'est précisément de là que vient le problème que vous avez entre les mains.

Ce que l'outil fait, mesuré

Commençons par le côté qui ne nous arrange pas. Les données disponibles ne disent pas que l'IA produit du matériel médiocre. Elles disent le contraire, et avec des chiffres.

Dans un essai randomisé préenregistré auprès de 758 consultants du Boston Consulting Group, l'accès à GPT-4 a fait que les participants ont accompli 12,2% de tâches en plus, 25,1% plus vite et avec plus de 40% de qualité. Le gain ne s'est pas réparti de façon égale : ceux qui étaient sous la moyenne ont progressé de 43%, ceux qui étaient au-dessus de 17%. Il convient de dire qui signe l'étude avant de s'en servir : elle est cosignée par des universitaires de Harvard, Wharton, MIT et Warwick et par trois chercheurs du BCG lui-même, qui a conçu l'expérience avec eux et recueilli les données. Le protocole est solide et a été enregistré avant d'être mené. L'intérêt est en jeu, car le BCG vend du conseil en intelligence artificielle. Les deux choses sont vraies en même temps.

Dans une étude publiée dans Science Advances auprès de 293 auteurs et 600 évaluateurs, donner des idées d'IA à ceux qui écrivent a fait évaluer les récits comme plus créatifs, mieux écrits et plus agréables. Et dans une série de six expériences publiée dans PNAS, auprès de 4.600 participants, les gens n'ont pas réussi à distinguer les présentations écrites par IA de celles écrites par des personnes. Ils avaient raison entre 50% et 52% des cas, c'est-à-dire autant que de tirer à pile ou face.

Quiconque vous dit que l'IA se remarque parle de mémoire. Cela ne se remarque pas, du moins dans les textes courts de présentation, ce qui est justement ce qui a été mesuré là. Et le détail est encore moins confortable : la différence existe bel et bien dans le texte, mesurablement plus répétitif, au point qu'un classificateur automatique tombe juste dans 58,8% des cas avec ces seuls signaux. C'est le lecteur humain qui ne les lit pas. Si votre décision reposait sur le fait que le client le remarque, cette décision n'a plus de fondement.

C'est pour cela qu'elle est un problème, et non malgré cela

La même étude de Science Advances qui a mesuré la hausse de la qualité a mesuré autre chose à côté. Les récits écrits avec des idées d'IA se sont ressemblés davantage entre eux. Les auteurs lui donnent un nom qui devrait intéresser toute direction.

We find that access to generative AI ideas causes stories to be evaluated as more creative, better written, and more enjoyable, especially among less creative writers. However, generative AI–enabled stories are more similar to each other than stories by humans alone. These results point to an increase in individual creativity at the risk of losing collective novelty. This dynamic resembles a social dilemma: With generative AI, writers are individually better off, but collectively a narrower scope of novel content is produced. Anil R. Doshi et Oliver P. Hauser, Science Advances, 2024

Un dilemme social est une situation où le choix rationnel de chacun produit le pire résultat pour tous. Chaque entreprise qui utilise l'outil améliore sa pièce. L'ensemble des entreprises se resserre. Et vous ne vendez pas dans le vide : vous vendez aux côtés des autres.

L'effet n'est pas une curiosité de laboratoire. Dans l'essai du BCG, les auteurs l'ont consigné noir sur blanc : there is a marked reduction in the variability of these ideas compared to those not using AI. This suggests that while GPT-4 aids in generating superior content, it might lead to more homogenized outputs. À Georgetown, trois études préenregistrées ont analysé 2.200 dissertations de candidature à l'université et mesuré combien d'idées nouvelles chaque texte ajoutait à l'ensemble : l'écriture humaine a augmenté la diversité du groupe environ deux à huit fois plus que les textes de GPT-4. Et dans PNAS Nexus, un travail qui a testé 22 modèles différents contre 102 personnes a trouvé le portrait complet dans une paire de chiffres. Au test des usages alternatifs, l'originalité moyenne des modèles a été de 0,711 contre 0,696 pour les humains. La variabilité entre les réponses a été de 0,459 contre 0,699, avec une taille d'effet de 1,8, bien au-dessus du seuil considéré comme grand.

Individuellement compétent. Collectivement identique. Ce n'est pas une accusation contre l'outil, c'est une description de ce qu'il est.

La donnée qui devrait arrêter une direction

Dans l'étude de Science Advances, le gain n'est pas apparu là où on l'attendait. Chez les auteurs les plus créatifs, avoir des idées d'IA n'a presque rien changé. Tout ce que l'outil a apporté, il l'a apporté à ceux qui étaient en dessous. Les auteurs décrivent le résultat ainsi :

First, having access to generative AI effectively equalizes the evaluations of stories, removing any disadvantage or advantage based on the writers' inherent creativity Anil R. Doshi et Oliver P. Hauser, Science Advances, 2024

Remarquez le mot advantage. L'outil qui relève celui qui était en retard est le même qui efface l'avantage de celui qui était en tête. Si l'avantage de votre entreprise était d'avoir meilleur goût, meilleur texte ou meilleure présentation que le concurrent, l'IA vient de distribuer cet avantage à tout le monde, au prix d'un abonnement. Si votre avantage n'était pas celui-là, vous avez gagné. Il vaut la peine de savoir dans lequel des deux cas vous vous trouvez avant de signer quoi que ce soit.

Ce que ces données ne prouvent pas

Voici la partie que la plupart des articles sur le sujet n'écrivent pas, et c'est la partie qui distingue un raisonnement d'un argument de vente.

Aucune de ces études ne mesure des marques, et aucune ne mesure de l'argent. Les tâches sont des récits de huit phrases, des dissertations de candidature à l'université et dix-huit exercices de conseil. Aucun euro ne change de mains dans aucune d'elles. Le saut de « les textes convergent » à « la marque perd de la marge » est notre thèse, étayée par ces données, non une conclusion des auteurs.

Et une partie de l'effet peut venir de la consigne, non du modèle. Les auteurs de Georgetown admettent que la condition de base demandait à GPT-4 d'écrire as a college applicant, sans contexte individualisé, ce qui, écrivent-ils, may have encouraged more generic responses. C'est une consigne générique face à une personne, non un professionnel face à un outil. Doshi et Hauser sont tout aussi directs sur les limites de leur travail : dans la tâche il n'y avait pas d'interactiveness with the LLM or variation in prompts, et ils écrivent que ces restrictions limitent la généralisation. Autrement dit, les études mesurent l'usage le plus brut possible de l'outil, qui est précisément l'usage qu'il nous intéresse de critiquer, mais ce n'est pas le seul.

La convergence mesurée est modeste. Chez Doshi et Hauser, avoir accès à une idée d'IA a augmenté la ressemblance d'un récit face aux autres de 0,871 point, ce qui représente 10,7% de l'amplitude observée. Avec cinq idées, 8,9%. C'est un effet réel et statistiquement solide, et il est faible. Quiconque se sert de cette étude pour dire que l'IA rend tout identique va au-delà de ce qu'elle a mesuré.

Et il existe une réplication qui contredit le résultat. Deux chercheurs ont répété l'expérience, mais au lieu d'utiliser le modèle de la manière courante, ils ont généré les intrigues à travers dix personas distincts, aux origines et aux modes de pensée différents. L'homogénéisation n'est pas apparue. Leur conclusion mérite d'être lue lentement :

Our findings suggest that the trade-off may emerge from uniform deployment practices rather than from an inherent limitation of GenAI, and that diversity can be intentionally built into AI-mediated collaboration. Yun Wan et Yoram M. Kalman, preprint arXiv, 2025 (publié dans Computers in Human Behavior: Artificial Humans, 2026)

C'est un résultat nul, sur un petit échantillon, et un nul prouve peu de chose. Mais il indique où se situe réellement la question. L'outil n'oblige personne à être identique. Ce qui produit l'identique, c'est tout le monde l'utilisant de la même manière, avec la même consigne, sans que personne ne décide rien en chemin. L'homogénéisation n'est pas une propriété de la machine. C'est une propriété de qui ne choisit pas.

Et, pour ne pas rester à mi-chemin de l'honnêteté, deux données qui jouent contre nous. L'école empirique la plus exigeante du marketing, l'Ehrenberg-Bass Institute, soutient que la différenciation perçue entre marques concurrentes est faible et que les clients les achètent tout de même, proposant de placer au centre de la stratégie la distinctivité, être reconnaissable, plutôt que la différence. Et The Long and the Short of It, le rapport le plus cité au monde sur l'efficacité du marketing, n'écrit pas le mot differentiation une seule fois en 84 pages. Le vocabulaire avec lequel notre secteur vend n'est pas le vocabulaire des données qu'il invoque.

Ajoutons le cas le plus gênant de tous : la publicité de Noël de Coca-Cola de 2025, générée par IA et exécrée par le milieu créatif, a reçu 5,9 étoiles au test de publicités de System1, la note maximale possible. Auprès du public, cela a bien marché. Avec trois réserves qu'il nous revient de formuler : celui qui publie la note vend du test publicitaire, ne divulgue ni l'échantillon ni la méthode sur cette page, et ce que le modèle mesure est une réponse émotionnelle déclarée dans un panel, non des ventes. Et il y en a une quatrième qui joue en notre faveur et mérite donc encore plus de prudence : ce que cette publicité capitalise, c'est la reconnaissance d'un actif construit depuis 1995, les camions et la chanson, non l'originalité de l'exécution. Le problème de cette publicité n'est pas que le public l'ait détestée. C'est que n'importe quel concurrent parvienne à répéter l'exercice la semaine suivante.

Alors où est l'argent

Si la différence pour la différence ne tient pas dans les données, qu'est-ce qui tient ? Une chaîne plus étroite et plus défendable, écrite dans le rapport même de l'IPA : le travail jugé original produit de la surprise, la surprise produit de la notoriété, et la notoriété se retrouve dans le prix.

Because fame is driven by surprise there is a strong link with creativity. Creative awards are usually given to communications that are judged to be original and therefore different in some way to anything seen before. Les Binet et Peter Field, The Long and the Short of It, IPA, 2013

Et le retour de la notoriété, dans les données de l'IPA, n'est pas dans le volume : il est dans le prix. Les campagnes de notoriété more than double price sensitivity effects, et ce sont ces effets de prix, et non la hausse des ventes, qui expliquent le profit supplémentaire. Avec une réserve que les auteurs eux-mêmes écrivent sur la même page, et que nous répétons par devoir : seuls 16% des cas de l'IPA ont une quelconque connaissance de leur élasticité-prix. Le chiffre le plus cité du marketing repose sur une minorité de cas qui sait mesurer le prix.

Par ailleurs, être identique est l'état normal du marché, et cela se mesure. Dans un test portant sur 44 éléments d'identité de marques automobiles au Royaume-Uni, 33 ont échoué au seuil minimal de possession unique dans la mémoire des acheteurs. Polices, couleurs et signatures étaient partagées par plusieurs marques à la fois. Seul le logo appartenait systématiquement à son propriétaire. L'indistinction n'est pas un risque qui apparaît si l'on se néglige. C'est le point de départ, et il y a désormais une technologie qui l'accélère.

Ce qui change lorsqu'on le comprend

Il existe une donnée qui range la fantaisie de l'échelle. Une analyse d'articles recueillis dans CommonCrawl, qui est une archive du web et non le web, a estimé qu'en novembre 2024 la quantité d'articles générés par IA a dépassé celle des articles écrits par des personnes. Parmi les articles qui apparaissent sur les premières pages de Google, cependant, 86% restent humains, et dans les citations de ChatGPT et de Perplexity, 82%. L'identique s'est multiplié. Ce n'est ni ce qui est trouvé, ni ce qui est cité. Il convient de dire que celui qui publie cette analyse est une agence qui vend un service de contenu, et qu'elle-même freine la lecture causale : elle ne prouve pas que Google pénalise l'IA.

Et la politique déclarée ne porte pas sur l'outil. Le texte de Google est explicite :

Scaled content abuse is when many pages are generated for the primary purpose of manipulating search rankings and not helping users. This abusive practice is typically focused on creating large amounts of unoriginal content that provides little to no value to users, no matter how it's created. Google, Spam policies for Google Web Search

no matter how it's created. L'objet de la règle n'a jamais été l'outil. C'est la production en masse de matériel non original. Une personne peut l'enfreindre sans aucune IA, et un système d'IA peut y échapper s'il ajoute de la valeur.

Il manque le coût humain, qui est le plus mal compris. Treize expériences publiées dans Organizational Behavior and Human Decision Processes, auprès de professeurs, de cadres, d'analystes et d'investisseurs, montrent que celui qui révèle avoir utilisé l'IA est moins digne de confiance que celui qui ne le révèle pas. La lecture paresseuse de ce résultat, c'est de cacher. L'étude 13 du même article mesure ce qui arrive à celui qui cache et se fait prendre : sur une échelle de confiance, celui qui est pris tombe à 2,49, celui qui a révélé à 3,15, et celui qui n'a rien dit à 4,02. Révéler coûte. Être découvert coûte le double. Et le 4,02 n'est pas de l'innocence : c'est la valeur de la confiance tant que l'affaire ne remonte pas à la surface.

La décote, notons-le, ne porte pas sur la qualité du travail. Elle porte sur la présomption qu'il n'y a pas eu d'effort. Dans une étude portant sur de vrais titres de presse, écrits par des journalistes humains, il a suffi de leur coller au hasard une étiquette indiquant qu'ils avaient été écrits par IA pour que la précision perçue chute de 7,6 points de pourcentage, et la baisse est apparue dans 41 des 42 titres testés. L'IA n'a pas écrit un seul mot de cette étude. Dans une autre, sur la peinture, l'étiquette « fait par IA » a fait chuter de 62% la valeur monétaire que les participants attribuaient, et de 77% le temps de production qu'ils estimaient. Ce sont des évaluations hypothétiques, non des prix pratiqués. Mais la mécanique est celle-là : la décote vient du fait de présumer que cela n'a rien coûté à faire.

La distinction que nous faisons, et pourquoi ce n'est pas une limite

L'IA produit. Elle ne décide pas, elle ne répond de rien, et elle ne signe pas. Quand la réponse tourne mal, il n'y a personne de l'autre côté de la table.

Dans l'essai du BCG, il y a une tâche que les chercheurs ont choisie exprès pour qu'elle tombe hors de portée du modèle. Dans cette tâche, les consultants qui ont utilisé l'IA avaient 19 points de pourcentage de probabilité en moins d'arriver à la bonne réponse que ceux qui ne l'ont pas utilisée : 84,5% de réussite dans le groupe de contrôle, contre 60% et 70% dans les groupes avec IA. L'outil ne les a pas rendus pires en général. Il les a rendus pires exactement là où ils ignoraient qu'il défaillait. Voilà le travail qui vaut encore de l'argent : savoir où l'outil s'arrête.

Chez Núcleo Parceiro, l'IA est là où elle produit. Elle n'est pas là où se décide ce qu'est la marque, ce qu'elle refuse d'être, et ce qui se défend devant un actionnaire dans trois ans. Cela, c'est le Conseil : quatre Associés qui pensent, dessinent et signent chaque livraison. Ce n'est pas une limite technique de notre part. C'est une position, et les positions peuvent se discuter, à la différence des réglages d'un outil.

Si ce dont vous avez besoin est de produire vite ce qui existe déjà en standard, l'outil le fait, il est honnête de le dire, et vous n'avez pas besoin de nous pour cela. Si ce dont vous avez besoin est d'une marque qui se distingue dans un marché où produire l'identique vient de devenir presque gratuit, alors ce que vous achetez n'est pas de la production. C'est du jugement, et quelqu'un qui en réponde.

Sources

Chaque chiffre de cet article a été vérifié à la source primaire. Là où la source ne soutient pas la lecture courante, nous le disons dans le corps du texte.

1. Doshi, A. R. et Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances, 10(28), eadn5290. Source
2. Dell'Acqua, F., McFowland III, E., Mollick, E., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F. et Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier. Harvard Business School Working Paper 24-013. Source
3. Moon, K., Green, A. E. et Kushlev, K. (2025). Homogenizing effect of large language models (LLMs) on creative diversity. Computers in Human Behavior: Artificial Humans, 6, 100207. Source
4. Wenger, E. et Kenett, Y. N. (2026). Large language models are homogeneously creative. PNAS Nexus, 5(3), pgag042. Source
5. Wan, Y. et Kalman, Y. M. (2026). Diverse AI personas can mitigate the homogenization effect in human-AI collaborative ideation. Computers in Human Behavior: Artificial Humans, 100289. Source
6. Jakesch, M., Hancock, J. T. et Naaman, M. (2023). Human heuristics for AI-generated language are flawed. PNAS, 120(11), e2208839120. Source
7. Schilke, O. et Reimann, M. (2025). The transparency dilemma: How AI disclosure erodes trust. Organizational Behavior and Human Decision Processes, 188, 104405. Source
8. Longoni, C., Fradkin, A., Cian, L. et Pennycook, G. (2022). News from Generative Artificial Intelligence Is Believed Less. ACM FAccT '22. Source
9. Horton Jr., C. B., White, M. W. et Iyengar, S. S. (2023). Bias against AI art can enhance perceptions of human creativity. Scientific Reports, 13, 19001. Source
10. Romaniuk, J., Sharp, B. et Ehrenberg, A. (2007). Evidence concerning the Importance of Perceived Brand Differentiation. Australasian Marketing Journal, 15(2), 42-54. Source
11. Binet, L. et Field, P. (2013). The Long and the Short of It: Balancing Short and Long-Term Marketing Strategies. IPA, Londres. Source
12. Fiocchi, G. et Seyed Esfahani, M. (2024). Exploring the uniqueness of distinctive brand assets within the UK automotive industry. Journal of Brand Management, 31(1), 1-15. Source
13. Google. Spam policies for Google Web Search (section Scaled content abuse). Google Search Central. Source
14. Graphite (2025). More Articles Are Now Created by AI Than Humans. Five Percent. Source
15. Graphite (2025). AI Content In Search & LLMs. Five Percent. Source
16. Ewing, T. (2025). AI or No AI, Coke Gets the Christmas Love. System1 Group. Source