Publicité et visages générés par IA : pourquoi un visage qui vous ressemble trop fait moins vendre

On prête volontiers à un visage qui ressemble au vôtre le pouvoir d’inspirer confiance. Poussée trop loin, la même ressemblance produit l’effet inverse. Dans une étude parue en ligne le 24 mars 2026 dans le Journal of Advertising Research, Arno De Caigny (IÉSEG School of Management) et Gudrun Roose (Université de Gand) ont mesuré ce retournement sur des publicités à visages générés par IA : l’intention d’achat monte avec la ressemblance jusqu’à un score de similarité de 0,576, soit 57,6 %, puis redescend. Les deux chercheurs ont détaillé leur protocole le 14 septembre 2026 dans The Conversation France.

Un air de famille qui met en confiance

Pourquoi un visage semblable au sien rassurerait-il ? La ressemblance faciale est un indice ancien de parenté et de proximité sociale. Les auteurs de l’étude publicitaire rattachent leur hypothèse à la théorie de la comparaison sociale : on s’identifie plus facilement à quelqu’un qu’on perçoit comme proche de soi. La publicité n’a pas attendu l’IA pour s’en servir. Choisir des mannequins qui ressemblent au public visé est un levier de casting classique.

Le socle expérimental de cette idée est pourtant moins solide que son évidence apparente. En 2002, Lisa DeBruine publie dans les Proceedings of the Royal Society B ce résultat : dans un jeu de confiance séquentiel à deux joueurs, un partenaire dont le visage a été transformé pour ressembler au participant reçoit plus souvent des choix de confiance. La fréquence des trahisons égoïstes, elle, ne change pas.

Dix ans plus tard, Giang, Bell et Buchner reprennent la question dans PLoS ONE. Leurs visages morphés sont jugés plus apparentés au participant que de vrais parents au premier degré. Résultat : aucun effet sur l’investissement dans un jeu de coopération, aucun sur l’évaluation affective. Seule la mémorisation des visages auto-ressemblants s’améliore.

Aucun des deux résultats ne l’emporte sur l’autre, et ils ne se contredisent pas forcément : ils ne mesurent pas la même chose. Accorder sa confiance dans un choix séquentiel n’est ni investir dans une coopération, ni trouver un visage sympathique. L’effet de ressemblance existe, mais il dépend du contexte et de ce qu’on demande au participant de faire. Il n’est pas établi que la ressemblance crée la confiance en toutes circonstances.

Régler la ressemblance au spectateur près

Avant les générateurs d’images, la ressemblance publicitaire se jouait en moyenne. Un directeur de casting pouvait choisir un visage proche d’un public cible, jamais un visage proche de chaque spectateur. La dose de ressemblance restait donc grossière, et la question du « trop » ne se posait guère : personne ne pouvait l’atteindre.

L’IA change ce maillon. À partir d’une seule photo, un générateur peut produire un visage plus ou moins proche de celui d’une personne donnée. La ressemblance devient un curseur. Et ce qui se règle se mesure.

Le cas existe hors du laboratoire, à son extrémité. Selon un communiqué du 4 juin 2025, Glance et Samsung ont lancé aux États-Unis un service qui, à partir d’un seul selfie ou d’une image de la galerie, génère des images hyperréalistes de l’utilisateur portant des tenues achetables en un geste, dans l’application ou sur l’écran verrouillé. Le service est optionnel : l’utilisateur doit l’activer. Ces outils de génération font désormais partie des contenus générés par IA dans les usages courants.

L’étude de De Caigny et Roose se place entre ces deux mondes. Ses participants ont fourni, avec leur consentement, leur photo de profil de réseau social, et ont vu des publicités comportant des visages générés dont la ressemblance avec cette photo variait. L’exposé public des auteurs ne précise pas le procédé exact : génération conditionnée par la photo, ou morphing progressif vers elle.

Photo de profil, visage synthétique, intention d’achat : le protocole

Les publicités montrées aux participants portaient sur un produit précis : l’assurance automobile. Chacune comportait un visage généré par IA, plus ou moins proche de la photo de profil que le participant avait fournie. La variable observée ensuite était l’intention d’achat.

Tout repose sur la manière de chiffrer la ressemblance. Les chercheurs ont confié cette mesure à un outil de reconnaissance faciale. Celui-ci transforme chaque visage en représentation numérique, compare les deux représentations et attribue un score : 0 pour des visages différents, 1 pour des visages très similaires.

Un score d’algorithme ne dit rien, par lui-même, de ce que perçoit un humain. D’où une étude de validation, qui a confronté ce score au jugement humain de ressemblance. L’accord entre les deux a été mesuré par un kappa de Cohen, à 0,88. La seconde expérience a ensuite testé dix niveaux de ressemblance. De quoi dessiner une courbe, et pas seulement comparer deux conditions.

Deux distinctions s’imposent avant de lire le résultat. L’intention d’achat est une réponse déclarée, pas un achat observé : l’étude ne mesure pas des ventes. Et les photos ont été utilisées avec le consentement des participants, dans un protocole de recherche. Ces travaux n’établissent pas que des annonceurs exploitent aujourd’hui les photos de profil des internautes sans leur accord.

La dernière ligne compte. Le nombre de participants, leur pays ou leur panel de recrutement, le nombre exact d’expériences et l’échelle sur laquelle l’intention d’achat a été recueillie ne figurent pas dans l’exposé des auteurs. Le texte intégral, lui, est derrière un accès payant.

57,6 %, un score de reconnaissance faciale

Le chiffre se prête à une lecture fausse : un visage qui partagerait 57,6 % de vos traits. Ce n’est pas ce qu’il mesure. Le 57,6 % correspond à un score de 0,576, produit par l’outil de reconnaissance faciale en comparant deux représentations numériques : celle du visage généré et celle de la photo du participant. Il situe une proximité dans l’espace de calcul de l’algorithme. Il ne découpe pas un visage en parts.

Le kappa de 0,88 dit autre chose. C’est un indicateur d’accord entre deux évaluations, ici le score de la machine et le jugement de personnes. À 0,88, le score concorde fortement avec la ressemblance perçue par les humains. Cela en fait un indicateur crédible de ressemblance. Cela n’en fait pas une proportion de traits partagés.

L’optimum a en effet une marge. Selon les auteurs, son intervalle de confiance s’étend d’environ 52 à 63 %. Cet intervalle exprime la précision de l’estimation dans ce protocole : avec ces participants, ce produit et cet outil, le sommet de la courbe se situe dans cette plage. Ce n’est pas une constante.

Trois dépendances bornent sa portée. Le seuil est exprimé dans l’échelle d’un outil précis : un autre modèle de reconnaissance faciale donnerait une autre échelle, donc un autre chiffre pour le même phénomène. Il concerne une seule catégorie de produit, l’assurance automobile. Et il repose sur une intention d’achat déclarée, pas sur des achats observés. Appliquer 57,6 % à toute publicité reviendrait à effacer ces trois conditions.

Au sommet de la courbe, le gain s’arrête et les coûts commencent

Le résultat a la forme d’un U inversé. Jusqu’à l’optimum, une ressemblance modérée augmente l’intention d’achat. Au-delà, une ressemblance excessive la fait baisser. Dans la notice de la publication à l’Université de Gand, les auteurs nomment ce retournement l’effet « too-similar-to-me », trop semblable à moi.

Cette forme se comprend en séparant deux quantités qui n’évoluent pas au même rythme. D’un côté, un gain : familiarité, identification au visage montré. Ce gain croît avec la ressemblance, puis plafonne. Un visage déjà très proche ne devient guère plus familier en s’approchant encore. De l’autre, des coûts quasi absents à faible ressemblance, qui n’apparaissent qu’à forte ressemblance. La courbe observée additionne les deux. L’optimum est le point où ce qu’un degré de ressemblance supplémentaire coûte dépasse ce qu’il rapporte.

Les auteurs avancent trois coûts. Le premier est le sentiment d’intrusion. Un visage presque identique au sien signale que la marque a eu accès à une image personnelle : elle semble en savoir trop. Le deuxième est la vallée de l’étrange, notion venue de la robotique. Le troisième est une intention persuasive devenue trop visible. Le spectateur reconnaît la technique employée pour le convaincre et active ses défenses, un mécanisme que la recherche sur la persuasion décrit sous le nom de connaissance de la persuasion. Il prolonge les raccourcis de jugement qui trompent notre cerveau, avec une particularité : ici, le raccourci cesse d’opérer dès qu’il est repéré.

Ces trois explications sont proposées par les auteurs pour rendre compte de la baisse. L’exposé public ne dit pas si elles ont été testées comme médiateurs, c’est-à-dire mesurées pour vérifier qu’elles portent statistiquement le recul de l’intention d’achat, ou seulement discutées. La décomposition en gain et en coûts est une grille de lecture de la courbe, pas un mécanisme démontré. La courbe est un résultat. Ses causes restent, en l’état public, une interprétation.

La vallée de l’étrange, de la main prothétique au visage presque soi

En 1970, dans la revue Energy, Masahiro Mori décrit une relation entre ressemblance humaine et affinité qui n’a rien de linéaire. À mesure qu’un robot ressemble davantage à un humain, l’affinité qu’il suscite augmente. Puis, près de la ressemblance quasi parfaite, elle chute brutalement. Parmi ses exemples figure la main prothétique, proche de la main humaine sans l’être tout à fait.

Sa conclusion pratique est une consigne de conception. Dans la traduction de MacDorman et Kageki publiée par IEEE Spectrum en 2012, Mori recommande aux concepteurs « de viser plutôt le premier sommet, qui donne un degré modéré de ressemblance humaine », avec un fort sentiment d’affinité, au lieu de chercher la ressemblance parfaite.

La parenté avec le résultat publicitaire est nette : un sommet à ressemblance modérée, une chute au-delà. Elle ne vaut pas démonstration. Mori parlait de robots et de prothèses, pas de publicités ni de visages ressemblant au spectateur. L’application de la vallée de l’étrange à cette étude est une hypothèse des auteurs : un visage très proche du sien, sans être exactement le sien, produirait le même malaise qu’une quasi-humanité imparfaite. Rien, dans l’exposé public, ne permet d’isoler ce mécanisme des deux autres explications. La consigne de 1970 et la courbe de 2026 convergent. Elles ne partagent pas pour autant une cause établie.

Des visages synthétiques indiscernables au selfie devenu vitrine

Pour que la ressemblance joue, encore faut-il que le visage généré passe pour un visage réel. Sur ce point, une étude récente apporte une mesure. Dans une étude publiée le 14 octobre 2025 dans Cognitive Research : Principles and Implications, Kramer et ses collègues ont testé si des participants, de 110 à 127 par expérience, distinguaient de vraies photos des visages générés par ChatGPT, fictifs ou de célébrités.

Sur les visages fictifs, le taux de bonnes réponses est de 43 %, sous le niveau du hasard. Sur les célébrités, il est de 52 %, soit le hasard. Avec des photos de référence à disposition, il monte à 58 %. Autrement dit, sans aide, tirer à pile ou face fait aussi bien, ou mieux, que l’œil humain ; avec des photos de référence, l’avantage reste de quelques points. Le spectateur ne peut donc pas compter sur son regard pour savoir qu’un visage publicitaire est synthétique.

À l’autre bout de l’échelle se trouve le service de Glance et Samsung. L’image n’y montre pas un visage qui ressemble à l’utilisateur : elle montre l’utilisateur lui-même, soit la similarité maximale. Mais le contexte diffère. L’utilisateur a choisi le service, activé l’option et fourni la photo pour se voir porter des vêtements. Une publicité qui imposerait un visage ressemblant à un spectateur qui n’a rien demandé est une autre situation. L’étude de De Caigny et Roose ne teste pas ce cas volontaire. Sa courbe ne dit donc pas ce qui se passe quand la ressemblance totale est recherchée plutôt que subie.

Biométrie et hypertrucages : ce que le droit européen encadre

Placer un visage sur la courbe suppose de le comparer à une photo. Cette opération a un statut juridique. Le RGPD, en son article 4, point 14, définit les données biométriques comme des données personnelles résultant d’un traitement technique spécifique des caractéristiques physiques d’une personne, qui permettent ou confirment son identification unique. Les images faciales figurent explicitement dans cette définition.

Le critère porte sur le traitement, pas sur l’image seule. C’est le passage par un traitement technique spécifique, permettant l’identification unique, qui fait entrer une image faciale dans la catégorie. Or calculer un score de ressemblance entre un visage et une photo de profil, avec un outil de reconnaissance faciale, suppose précisément un traitement technique de l’image faciale. Ce calcul relève des données biométriques dès lors qu’il permet l’identification unique.

Le second texte vise l’image produite. Le règlement (UE) 2024/1689 sur l’intelligence artificielle impose, dans son article 50, deux obligations distinctes. Les fournisseurs de systèmes d’IA doivent marquer les images synthétiques de façon lisible par machine. Les déployeurs doivent signaler les hypertrucages. L’article 3, point 60, définit ces derniers comme des contenus image, audio ou vidéo générés ou manipulés par l’IA, qui ressemblent à des personnes, objets, lieux, entités ou événements existants et pourraient paraître faussement authentiques ou véridiques. Un visage synthétique ressemblant à une personne existante et pouvant passer pour réel correspond à ces termes.

Les deux textes se complètent sur le point laissé ouvert par l’étude de Kramer. Puisque l’œil ne distingue plus un visage généré d’une photo, la transparence ne peut venir que du marquage et de la divulgation. Les deux gestes n’ont pas le même destinataire. Le marquage lisible par machine s’adresse aux outils de détection ; la divulgation s’adresse à la personne qui regarde. L’article 50 s’applique depuis le 2 août 2026. Le règlement (UE) 2026/1744, dit omnibus sur l’IA, publié au Journal officiel de l’Union européenne le 24 juillet 2026, a toutefois reporté au 2 décembre 2026 l’obligation de marquage des fournisseurs pour les systèmes déjà sur le marché avant le 2 août.

L’optimum tiendra-t-il pour un parfum, un crédit ou une vidéo ?

La courbe en U inversé est établie pour un cas : des images fixes, une assurance automobile, un outil de mesure, une intention d’achat déclarée. Chacun de ces paramètres peut déplacer le sommet. Les sources disponibles ne disent pas dans quel sens.

La question décisive porte sur les causes. Intrusion, vallée de l’étrange, persuasion visible : les trois explications avancées n’ont pas été départagées publiquement. Tant qu’on ignore laquelle domine, on ne sait pas quelles conditions déplaceraient l’optimum. Seul un protocole qui mesure ces explications comme médiateurs, et non comme hypothèses de discussion, permettra de les départager.

Une partie de la réponse est datée. Le manuscrit accepté de l’étude sera en accès public à partir du 24 mars 2027, selon la notice de l’Université de Gand. La taille des échantillons, le recrutement et l’échelle de mesure deviendront alors lisibles par tous. D’ici là, 57,6 % reste le sommet d’une courbe, dans un protocole. Pas une règle de publicité.

FAQ — Visages générés par IA et ressemblance en publicité

Que signifie le seuil de 57,6 % de ressemblance ?

C’est un score de similarité de 0,576, calculé par un outil de reconnaissance faciale entre le visage généré et la photo du participant, sur une échelle de 0 à 1. Il ne désigne pas une part du visage. L’intervalle de confiance va d’environ 52 à 63 %, et la valeur dépend de l’outil, du produit testé et du protocole.

Un visage qui ressemble au spectateur rend-il toujours la publicité plus convaincante ?

Non. Selon l’étude de De Caigny et Roose parue en mars 2026, la relation est en U inversé : une ressemblance modérée augmente l’intention d’achat, une ressemblance excessive la diminue. Il s’agit d’une intention déclarée, pas de ventes mesurées.

Pourquoi trop de ressemblance devient-elle contre-productive ?

Les auteurs avancent trois explications : un sentiment d’intrusion, la vallée de l’étrange et une intention persuasive devenue trop visible. Ce sont des hypothèses : l’exposé public ne précise pas si elles ont été testées comme causes de la baisse.

Des marques utilisent-elles votre photo de profil pour créer des visages publicitaires ?

L’étude a utilisé des photos de profil fournies avec le consentement des participants, dans un protocole de recherche. Aucune des sources disponibles n’établit que des annonceurs le font sans accord. Le service lancé par Glance et Samsung aux États-Unis en 2025 génère des images de l’utilisateur à partir d’un selfie, mais sur option activée par celui-ci.

Une photo de votre visage est-elle une donnée biométrique ?

Le RGPD range les images faciales parmi les données biométriques lorsqu’elles résultent d’un traitement technique spécifique permettant ou confirmant l’identification unique d’une personne. C’est ce traitement, et non la simple photo, qui fait entrer l’image dans la catégorie.

Les visages générés par IA doivent-ils être signalés en Europe ?

Le règlement européen sur l’IA impose, dans son article 50, un marquage lisible par machine des images synthétiques par les fournisseurs et la divulgation des hypertrucages par les déployeurs. L’article s’applique depuis le 2 août 2026 ; le règlement omnibus sur l’IA a reporté au 2 décembre 2026 l’obligation de marquage pour les systèmes déjà sur le marché avant cette date.