Combien d’images faut-il générer pour en obtenir une seule utilisable ? Pour ce catalogue de bougies parfumées et d’accessoires de décoration, la réponse tenait en un chiffre : à peine deux sur trois passaient le filtre de relecture avant d’être publiées sur la boutique, dont les paiements transitent par Stripe.
Ce test portait uniquement sur la génération de visuels produit destinés au catalogue ; le paiement Stripe lui-même, déjà opérationnel, n’entre pas dans ce retour d’expérience.
Le contexte du test
Faute de budget pour une séance photo complète sur 140 références, l’idée a été de tester la génération d’images par IA à partir d’une photo produit unique par référence, complétée d’un prompt décrivant l’ambiance souhaitée (fond neutre, éclairage doux, angle trois quarts). L’objectif n’était pas de remplacer toute la photographie produit, mais de couvrir les références secondaires, moins prioritaires pour un shooting professionnel.
Sur les 140 références testées, chacune a reçu trois générations, pour un total de 420 images à trier. Le critère de sélection retenu était strict : toute image montrant une déformation visible de l’objet, un texte illisible sur l’étiquette, ou une couleur non conforme au produit réel était écartée sans discussion.
Ce qui a fonctionné
Les bougies aux formes rondes ou cylindriques, sans texte imprimé visible, ont donné d’excellents résultats : sur cette catégorie, seules 12 % des images ont été écartées, généralement pour un éclairage trop dur plutôt qu’un défaut de forme. Les accessoires en bois avec un veinage naturel se sont également bien prêtés à l’exercice, le modèle reproduisant fidèlement la texture à partir de la photo source.
Le gain de temps sur ces catégories a été net : une génération et un tri rapide remplaçaient une mise en scène complète, pour un coût très inférieur à une séance photo dédiée.
Ce qui a été écarté
Les problèmes se sont concentrés sur trois familles de défauts :
- Étiquettes avec texte : le modèle générait un texte illisible ou déformé dans 58 % des cas sur les produits comportant une étiquette imprimée.
- Objets à angles droits marqués : les bords de certains supports rectangulaires apparaissaient légèrement courbés, un défaut subtil mais visible à l’œil averti.
- Couleurs de bougies foncées : le rendu virait parfois vers une teinte différente de la cire réelle, un écart rédhibitoire pour un produit vendu sur sa couleur.
Au total, 143 des 420 images générées, soit 34 %, ont été écartées après relecture. Le taux d’échec le plus élevé concernait sans surprise les produits comportant du texte imprimé, catégorie qui a finalement été retirée du périmètre du test pour repasser en photographie classique.
Le tri, un poste de travail à part entière
Le tri manuel des 420 images a représenté environ neuf heures de travail, réparties sur deux personnes pour croiser les avis en cas de doute. Un tableau simple, une colonne par critère de rejet, a permis de garder une trace des motifs les plus fréquents plutôt qu’un jugement au feeling à chaque image.
Un visuel généré par IA qui ressemble presque au produit réel est plus dangereux qu’un visuel franchement raté : le « presque bon » passe plus facilement entre les mailles d’une relecture rapide.
Le bilan économique
Pour les 87 références finalement retenues après tri, le coût de génération et de relecture est resté inférieur de 40 % au tarif d’une séance photo professionnelle équivalente. Ce gain s’est réduit à mesure que le taux de rejet augmentait sur certaines catégories, au point de devenir non rentable sur les produits à étiquette imprimée.
Notre verdict
La génération d’images par IA pour un catalogue produit fonctionne, mais de manière sélective : formes simples, textures naturelles, couleurs claires. Dès qu’un produit porte du texte lisible ou des angles géométriques stricts, la photographie classique reste la solution la plus sûre, et le budget économisé ailleurs peut légitimement s’y reporter.
La boutique prévoit de reconduire ce type de test à chaque nouvel arrivage de références secondaires, plutôt que de considérer le résultat de ce premier lot comme définitif. Les progrès rapides observés d’une génération à l’autre sur certains types de rendu laissent penser que le taux de rejet actuel, déjà favorable sur les formes simples, pourrait encore s’améliorer sur les prochaines familles de produits testées.
