Doshi et Hauser, dans une étude publiée en 2024 dans Science Advances, ont montré que l’assistance par IA dans des tâches créatives tendait à homogénéiser les productions : les histoires assistées par IA se sont révélées plus similaires entre elles que celles produites sans assistance. Le progrès technique a accru la productivité individuelle, mais dans cette expérience d’écriture, l’accès à des idées générées par IA a réduit la diversité collective des histoires.

L’essentiel

  • Dans une tâche d’écriture d’histoires courtes à production fixée, l’assistance par IA a accru la similarité des histoires produites (Doshi et Hauser, Science Advances, 2024).
  • L’assistance par IA tend à homogénéiser les productions créatives, selon l’étude de Doshi et Hauser sur les tâches d’écriture créative.
  • Les algorithmes de recommandation amplifient la concentration en orientant la demande vers les styles médians déjà dominants, au moment où les outils de création les fabriquent en masse.
  • L’UNESCO signale des pertes mondiales de revenus projetées à 24 % pour les créateurs musicaux et 21 % pour les créateurs audiovisuels d’ici 2028, dues notamment aux impacts de l’IA générative.
  • À l’horizon 2030-2035, la possibilité de réorienter ces outils vers la diversité dépend de choix de conception et de régulation encore à déterminer.

Le Vendi Score et ce qu’il mesure

Ce glissement vers le centre de la distribution ne s’explique pas uniquement par les choix des créateurs. Les modèles génératifs sont entraînés sur de grands corpus pour apprendre des distributions statistiques, dont la composition dépend de la sélection et du prétraitement des données. Le Vendi Score capture précisément ce résultat, car il mesure la diversité à l’échelle de l’ensemble et non à l’échelle de chaque œuvre prise isolément. Une œuvre peut sembler originale vue seule, et pourtant contribuer à une collection qui se resserre. C’est cette tension entre l’expérience individuelle du créateur et le résultat collectif que l’indicateur rend visible.

Sans une mesure opérant à cette échelle, le phénomène reste invisible à chaque acteur, puisque chaque créateur évalue sa propre production, jamais l’ensemble de ce que ses pairs produisent simultanément avec les mêmes outils. La convergence s’installe donc sans que personne ne la décide ni ne la perçoive depuis sa position individuelle.

Le Vendi Score, proposé par Friedman et Dieng, est une mesure qui évalue à quel point les œuvres d’un ensemble se ressemblent entre elles. Un score élevé signifie des œuvres variées ; un score bas, une collection qui se répète. Les données expérimentales sur les histoires courtes montrent une convergence des productions sous assistance IA.

Sous assistance IA, les œuvres produites dans une même tâche tendent à se ressembler davantage, même si chaque œuvre considérée isolément peut être techniquement satisfaisante. Les portfolios humains contiennent des ratés, des tentatives avortées, des directions inhabituelles, et c’est précisément cette irrégularité qui alimente la diversité collective. L’IA, conçue pour optimiser des critères de satisfaction, peut réduire les résultats imprévisibles qui caractérisent certains processus créatifs.

Ce mécanisme n’est pas accidentel. Les modèles génératifs sont entraînés sur des corpus massifs pondérés vers ce qui a fonctionné historiquement. Cette structure d’entraînement peut orienter les sorties générées vers les formes les plus fréquentes dans les données, ce qui risque de rapprocher les créateurs de solutions similaires.

L’algorithme de recommandation referme la boucle

La tendance à l’homogénéisation de la production serait déjà préoccupante si la demande restait plurielle. Or, les algorithmes de recommandation de Spotify, YouTube ou TikTok optimisent l’engagement à court terme et orientent les utilisateurs vers ce qui ressemble à ce qu’ils ont déjà aimé.

Les algorithmes appauvrissent la culture à chaque itération, ce constat précède l’arrivée massive des outils génératifs. L’interaction entre production assistée et recommandation algorithmique peut créer une boucle où les formes les plus courantes dans les données d’entraînement sont amplifiées.

Doshi et Hauser, dans une étude publiée en 2024 dans Science Advances, ont montré que l’assistance par IA dans des tâches créatives tendait à homogénéiser les productions : les participants utilisant l’outil produisaient des idées plus similaires entre elles que ceux qui travaillaient seuls.

L’apport de Guerouaou à la mesure

Nadia Guerouaou, dans Notre cerveau sous influence, décrit comment les IA génératives reconfigurent en temps réel l’expressivité émotionnelle des individus : voix, visage et texte. Selon elle, ces outils modèlent la façon dont les individus expriment ce qu’ils ressentent, jusqu’à générer ce qu’elle appelle une « technomorale », soit une normalisation affective progressive.

Selon Guerouaou, quand un créateur utilise un outil génératif pour compléter une production, il tend à adapter son expressivité à ce que l’outil propose. Cette adaptation, répétée par de nombreux créateurs simultanément, peut contribuer à une convergence observable dans les productions d’ensemble.

Guerouaou souligne que l’expressivité n’a jamais été une donnée fixe : l’imprimerie, la photographie et l’enregistrement sonore ont chacun transformé ce que les créateurs produisaient et la manière dont ils le produisaient.

Les outils génératifs se distinguent par la vitesse et l’échelle : leur déploiement opère en temps réel, auprès de milliards d’utilisateurs simultanés.

La concentration des revenus creuse l’écart

Cette dynamique agit aussi sur les comportements créatifs en amont de la production. Lorsqu’un créateur anticipe que seule une fraction étroite des œuvres captera une part significative des revenus et de l’attention, il peut ajuster ses choix stylistiques en conséquence. La concentration des revenus dans les industries culturelles peut orienter les créateurs vers des choix stylistiques similaires.

La sortie de cette dynamique nécessiterait une modification simultanée de plusieurs variables : l’architecture des outils et la distribution des revenus. Agir sur l’une sans l’autre laisse les autres pressions intactes. Les créateurs qui cherchent à s’écarter des prototypes dominants assument un coût économique que la structure actuelle ne compense pas.

L’UNESCO, dans son rapport Reshaping Policies for Creativity publié en 2026, documente l’impact de l’IA générative sur les industries culturelles, en particulier les pertes de revenus projetées. L’abondance de contenu rend la découverte plus difficile et renforce les effets de réputation, concentrant l’attention sur certaines œuvres et artistes.

La culture pèse plus qu’hier, le créateur est plus isolé : cette concentration des revenus et de l’attention précède l’IA. L’abaissement des barrières techniques s’accompagne d’une intensification de la concurrence pour l’attention. Les créateurs qui disposent déjà d’une audience bénéficient de la productivité accrue ; ceux qui tentent d’en construire une se noient dans un flux qui grossit plus vite que la capacité d’attention des audiences.

Tyler Cowen, dont les travaux sur l’économie de la culture examinent comment les marchés de l’attention distribuent les gains entre créateurs, offre une lecture complémentaire à celle de Guerouaou. Pour Cowen, la concentration des revenus dans les industries culturelles est une structure inhérente aux marchés où la reproduction d’un bien est gratuite et où la réputation signale la qualité dans un espace bruité. L’IA peut accélérer ces dynamiques de concentration. Ces dynamiques soulèvent la question de savoir si un ajustement spontané du marché suffira à préserver la diversité culturelle.

Ce qui peut encore changer d’ici 2030

Rien dans les données actuelles ne permet de projeter une trajectoire stable à l’horizon 2035. Mais les signaux disponibles permettent d’examiner les scénarios plausibles.

Le premier scénario est celui de la concentration continue. Les outils génératifs deviennent plus performants, moins coûteux, plus intégrés aux plateformes. Les créateurs qui n’y ont pas recours perdent du terrain en productivité. Ceux qui y ont recours pourraient converger vers les mêmes prototypes. La diversité culturelle pourrait continuer de chuter, et les revenus se concentrer davantage.

Dans ce scénario, la régulation des algorithmes de recommandation devient le seul levier disponible à court terme, en imposant, par exemple, des quotas de diversité dans les flux de recommandation, sur le modèle de ce que l’Union européenne explore dans le cadre de l’application du Digital Services Act aux grandes plateformes.

Le deuxième scénario est celui du rééquilibrage par l’outil lui-même. Les modèles génératifs pourraient être entraînés explicitement pour maximiser la diversité des sorties plutôt que leur vraisemblance statistique. Des recherches en cours dans ce sens existent, il s’agit de remplacer la fonction d’optimisation vers le centre de la distribution par une fonction qui pénalise la répétition et valorise l’écart. Si ce type d’architecture entre dans les outils grand public, les créateurs pourraient disposer d’assistants qui les tirent vers l’originalité plutôt que vers le consensus. Ce scénario dépend de choix de conception que les entreprises technologiques n’ont aucune incitation spontanée à faire, et qui appelleraient une pression réglementaire ou concurrentielle.

Le troisième scénario est celui de la bifurcation des marchés. Une partie de la demande culturelle se déplace vers ce qui est explicitement produit sans assistance algorithmique, ce que certains marchés artisanaux ont connu après l’industrialisation. Des labels de certification, des plateformes dédiées, des audiences prêtes à payer une prime pour la singularité humaine pourraient émerger. Ce mouvement existe déjà à petite échelle dans certaines communautés de lecteurs, d’auditeurs et de collectionneurs. Sa capacité à s’étendre dépend de la lisibilité du signal, il faut pouvoir distinguer ce qui a été produit avec ou sans outil génératif, ce que les technologies actuelles rendent difficile.

L’administration par les algorithmes gagne en vitesse mais perd en légitimité : le même arbitrage entre efficacité et légitimité traverse la création culturelle. Les décideurs publics, les plateformes et les créateurs disposent d’outils qui augmentent la productivité individuelle ; leur réorientation vers la préservation de la diversité collective reste un choix à faire. Les données de Doshi et Hauser montrent qu’une assistance par IA tend à homogénéiser les productions dans les tâches observées.

Sources

  1. Youngblood, Olson et al., Scientific Reports, 2026, Diversité des portfolios assistés par IA : https://arxiv.org/pdf/2609.02620
  2. Nadia Guerouaou, Notre cerveau sous influence : Comment les IA génératives façonnent nos émotions, Éditions Eyrolles, https://www.editions-eyrolles.com/livre/notre-cerveau-sous-influence
  3. UNESCO, Reshaping Policies for Creativity, 2026, Concentration des revenus créatifs et impact de l’IA sur les industries culturelles
  4. Doshi, A. & Hauser, O., Science Advances, 2024, Homogénéisation des productions créatives avec assistance IA