Les images produits par IA se heurtent à un mur de conformité que personne n’avait intégré dans ses coûts

Depuis deux ans, l’argumentaire de la photographie produit par IA est simple : générer plus de variantes, dépenser moins, livrer plus vite. Au second semestre 2026, cet argumentaire s’est heurté à une contrainte qui n’a rien à voir avec la qualité d’image, et tout à voir avec ce que l’image est autorisée à affirmer.

La contrainte, c’est la divulgation. Depuis le 2 août 2026, les obligations de transparence de l’AI Act de l’UE sont entrées en vigueur, imposant que les contenus générés par IA soient étiquetés ou communiqués d’une autre manière aux utilisateurs finaux. Le droit des États américains a évolué en parallèle. Et dans l’évolution la plus concrète pour le e-commerce, Amazon a commencé à faire appliquer des exigences sur les visuels de fiches produits générés par IA, notamment l’étiquetage des personnes générées par IA après l’entrée en vigueur des règles de New York sur le droit à l’image.

Ce que les règles exigent réellement

Il n’existe pas aux États-Unis de règle fédérale unique imposant une étiquette visible sur chaque image produit générée par IA. La conformité est au contraire stratifiée, ce qui la rend difficile à gérer.

La Californie encadre les outils de divulgation des fournisseurs et la manière dont les déployeurs les utilisent. New York réglemente les interprètes synthétiques dans les publicités commerciales. La politique vendeur d’Amazon ajoute des exigences contractuelles liées à sa place de marché. L’AI Act de l’UE impose des obligations de transparence qui dépendent du rôle et du contexte du système, plutôt que d’appliquer une étiquette universelle.

Comme ces systèmes réglementent différents acteurs, une entreprise peut devoir satisfaire plusieurs exigences à la fois, et une mention qui satisfait l’une peut ne pas satisfaire l’autre. Une divulgation intégrée à une publication Instagram peut disparaître lorsque l’image est recadrée ou intégrée ailleurs. Un avis sur une page de fiche produit Amazon accompagne la fiche, mais pas une republication.

La difficulté pratique vient de ce que les exigences ne sont pas alignées. Chaque juridiction et chaque plateforme définit différemment un système concerné, et chacune attend la mention à un endroit différent.

La distinction qui tranche la plupart des cas

Les règles reposent sur une question de classification à laquelle les équipes catalogue pensent rarement : l’image est-elle générée, sensiblement modifiée ou retouchée de façon conventionnelle ?

Une image entièrement synthétique peut montrer un mannequin fictif, une pièce générée ou un agencement de produit qui n’a jamais existé physiquement. Une image sensiblement modifiée peut remplacer un arrière-plan, ajouter un objet, supprimer un élément ou reconstruire une surface. Une photographie retouchée de façon conventionnelle implique un recadrage, une correction d’exposition, un retrait de poussière ou un étalonnage des couleurs.

La ligne de démarcation passe par ce qu’un spectateur raisonnable croirait. Si un acheteur supposait que le produit a été photographié physiquement, que la personne est réelle ou que le résultat montré reflète un usage ordinaire, l’image comporte un risque de tromperie. Ce risque augmente lorsque l’image fournit une affirmation factuelle sur les dimensions, la texture, la compatibilité ou les performances, car la génération par IA ne rend pas une affirmation vraie, et la divulgation ne corrige pas une publicité mensongère.

C’est là que les outils génératifs deviennent dangereux dans un catalogue. Ils inventent des détails plausibles, notamment des boutons, des étiquettes, des ingrédients, du tissu, du texte d’emballage et des accessoires. Une main générée, un mouvement de tissu ou un reflet peuvent sembler convaincants tout en étant factuellement faux. L’image léchée est le risque, pas l’image brute.

Le problème des personnes est distinct

Un visage généré par IA soulève une seconde série de problèmes que la seule divulgation ne résout pas. Une personne générée sans indication claire qu’elle est synthétique peut créer des problèmes de fausses recommandations ou de faux témoignages. Si le visage ressemble à une personne réelle, à une célébrité, à un client ou à un employé, l’entreprise peut s’exposer à des risques liés au droit à l’image, à la vie privée ou aux marques, en plus de son obligation de divulgation.

Une autorisation de mannequin ne sert à rien lorsque la personne représentée n’est jamais apparue. L’autorisation d’une plateforme d’IA ne transfère pas les droits de la personnalité que l’entreprise ne détient pas. Pour des personnes fictives ordinaires, il reste judicieux de conserver des avis d’interprète synthétique dans ses dossiers, surtout lorsque le même personnage apparaît sur toute une gamme de produits et devient reconnaissable.

Où le flux de travail doit changer

La solution opérationnelle relève moins de l’outillage que du processus. Attribuez une responsabilité au lieu de laisser la décision au designer qui se trouve connaître l’outil. Demandez à la personne qui prépare l’image de documenter le logiciel, le prompt, les photographies sources, les modifications, l’affirmation visée et les canaux prévus, car un enregistrement de l’outil constitue généralement la meilleure preuve de la catégorie que l’entreprise a réellement choisie.

Gardez le produit lui-même hors de la génération chaque fois que l’exactitude compte. Composez de la photographie réelle avec des environnements générés plutôt que de générer le produit, et indiquez explicitement dans le prompt que le flacon, la montre, la chaussure, l’appareil, l’étiquette, le logo et les proportions doivent rester inchangés. Utilisez l’édition image à image ou par référence avec le produit masqué, afin que le modèle ait moins de liberté pour modifier les caractéristiques qui définissent son identité.

Inspectez ensuite le résultat deux fois, à 100 % de grossissement et à la taille d’une vignette, en vérifiant les formes des lettres du logo, les coutures, les ports, la texture, les ombres et les noms de couleurs par rapport à l’article réel. Toute caractéristique inventée ou dimension modifiée constitue un motif de rejet, même si l’image semble plus belle que le produit.

Le modèle de coûts qui n’a jamais été correctement mesuré

L’économie de l’imagerie produit par IA a été débattue sur le coût par visuel et le délai de mise sur le marché, et ces deux chiffres favorisent encore la génération. Ni l’un ni l’autre n’a jamais constitué le calcul complet.

Le poste manquant, c’est le contrôle. Générer un millier de variantes coûte peu, mais classer chacune d’elles, décider lesquelles nécessitent une divulgation et lesquelles non, puis appliquer la bonne mention pour chaque canal, ne coûte pas peu. L’unité de comparaison honnête est le coût de cent visuels approuvés, et non le prix affiché d’un millier de générations, car le taux d’approbation varie énormément selon la catégorie. Un flux de travail qui fonctionne sur une tasse en céramique mate peut s’effondrer sur des bijoux, des cosmétiques ou un tissu léger.

C’est pourquoi les outils plus chers qui préservent les masques produit et offrent des contrôles par lots peuvent s’avérer moins coûteux une fois la main-d’œuvre prise en compte. La bonne affaire apparente est facturée à la génération. Le coût réel se compte par visuel qui passe le contrôle.

À quoi ressemble un pilote raisonnable

Commencez par 20 à 50 SKU représentatifs, et incluez volontairement les cas difficiles. Les surfaces réfléchissantes, les objets transparents, le branding exact, les cas d’usage humains et les articles dont les dimensions doivent être exactes ont tous leur place dans l’échantillon, car un pilote de produits simples réussira et ne vous apprendra rien.

Mesurez ensuite les éléments qui déterminent si le flux de travail passe à l’échelle : le temps de cycle entre la référence produit et le visuel approuvé, le nombre de modifications manuelles par visuel, le taux d’échec sur l’exactitude du produit, et si les variantes générées font réellement progresser la conversion ou le taux de clic. Si aucun de ces indicateurs ne bouge, le flux de travail est un centre de coûts déguisé en compétence.

Conservez le fichier original et une note d’audit décrivant chaque modification. C’est ce dossier qui permet de répondre à une question de divulgation, à une question de droits ou à une demande d’une place de marché, et il est bien moins coûteux à conserver qu’à reconstituer.

Ce que personne n’avait intégré dans ses coûts

L’économie de l’imagerie produit par IA a été débattue sur le coût par visuel et le délai de mise sur le marché. Ces chiffres tiennent toujours, mais ils n’ont jamais représenté le calcul complet. Le poste manquant, c’est la conformité, et elle n’évolue pas de la même manière que la génération.

Générer un millier de variantes coûte peu. Auditer un millier de variantes, classer chacune d’elles et appliquer la bonne divulgation pour chaque canal ne coûte pas peu. Le flux de travail gagnant ressemblera probablement à celui que décrit l’article que vous lisez : un petit pilote sur des SKU difficiles, la photographie réservée à ce qui doit être fidèle à la réalité, la génération limitée aux arrière-plans et aux recadrages, et un dossier documenté de chaque décision.

C’est un processus plus lourd que ne le suggèrent les vidéos de démonstration, et c’est le processus qui tiendra encore debout lors de la prochaine mesure d’application. Les marques qui ont traité la divulgation comme une contrainte de conception plutôt que comme un formulaire à déposer trouveront les règles moins coûteuses à satisfaire que celles qui les découvrent au niveau de la fiche produit.