IA description image : la méthode pour obtenir un texte fidèle, pas juste plausible

Demander à une IA de décrire une image règle en quelques secondes une tâche qui prenait auparavant plusieurs minutes : rédiger un texte alternatif, une légende, ou une description produit. Le problème n’est pas la vitesse — c’est que ces modèles décrivent parfois ce qu’ils s’attendent à voir plutôt que ce qui est réellement présent sur l’image, surtout quand une scène ressemble à des milliers d’autres qu’ils ont déjà rencontrées à l’entraînement.

Où ça sert au bureau

• —Texte alternatif pour un site web, destiné aux personnes utilisant un lecteur d’écran — un usage où l’exactitude compte plus que le style.
• —Description produit pour une fiche e-commerce, à partir d’une photo, avant réécriture par une personne.
• —Légende de réseau social pour un visuel déjà créé, quand le temps manque pour en rédiger une à la main.

Le point commun entre ces trois usages : la description sert ensuite à quelqu’un qui ne voit pas forcément l’image en même temps, ou qui s’appuie dessus pour décider — acheter un produit, comprendre un contenu. Une description inexacte n’est pas juste maladroite, elle induit en erreur.

Une méthode pour une description fidèle

1. 01Demandez explicitement de ne décrire que ce qui est visible : « Décris uniquement ce que tu vois sur cette image, sans supposer le contexte ni le lieu si ce n’est pas indiqué clairement. »
2. 02Précisez ce qui compte pour votre usage — couleurs exactes, texte visible sur l’image, nombre d’éléments — plutôt qu’une description générale qui risque de passer à côté du détail utile.
3. 03Demandez à l’IA de signaler ce dont elle n’est pas sûre, plutôt que de trancher silencieusement : « Si un détail est ambigu, dis-le plutôt que de deviner. »
4. 04Relisez la description en regardant l’image en même temps, phrase par phrase, avant de la publier ou de l’utiliser comme texte alternatif.

Un exemple de bout en bout

Prompt faible : « Décris cette image. » Résultat probable : une phrase générale et correcte dans l’ensemble, mais qui peut glisser sur un détail — une couleur approchée plutôt qu’exacte, ou un élément d’arrière-plan qui n’est pas réellement présent.

Prompt complet, pour une photo de produit destinée à une fiche e-commerce : « Décris cette image en une phrase pour un texte alternatif de site web. Mentionne la couleur exacte du produit, sa position dans l’image, et tout texte visible sur l’emballage. Ne mentionne pas l’arrière-plan si celui-ci n’apporte pas d’information utile pour comprendre le produit. » Cette version cadre la tâche pour l’usage précis, plutôt que de laisser le modèle choisir ce qui compte.

Sur l’image, vous vérifiez ensuite trois choses en particulier : la couleur annoncée correspond-elle vraiment, le texte transcrit depuis l’emballage est-il exact au caractère près, et aucun élément inventé ne s’est glissé dans la phrase.

Une description généraliste qui sonne juste n’est pas la même chose qu’une description exacte. La différence ne se voit qu’en comparant la phrase à l’image, pas en la relisant seule.

Pourquoi la vérification compte particulièrement ici

Un modèle qui décrit une image reste aussi confiant sur un détail inventé que sur un détail réel — la phrase a la même fluidité dans les deux cas. Le Stanford AI Index suit chaque année cet écart entre une réponse qui semble juste et une réponse qui l’est réellement, pour le texte comme pour la description d’image ; l’écart se réduit, mais plus lentement qu’il n’y paraît après une démonstration réussie.

Pour un texte alternatif, cette exactitude compte plus que pour une légende décorative : une personne qui utilise un lecteur d’écran se fie entièrement au texte, sans pouvoir comparer à l’image elle-même. Les lignes directrices de l’OCDE sur l’IA rappellent qu’un humain reste responsable de vérifier un contenu généré avant diffusion — un principe qui s’applique ici directement, puisque personne d’autre que vous ne verra l’écart entre l’image et sa description avant publication.

Si l’image contient un visage identifiable ou une information personnelle — une plaque d’immatriculation, un badge nominatif —, les règles de la CNIL s’appliquent dès que cette image passe par un outil externe, même pour une simple description.

Ce qui reste difficile, quel que soit l’outil

• —Le texte à l’intérieur d’une image, sur un panneau ou un emballage, est souvent mal transcrit s’il est petit, flou ou partiellement coupé.
• —Le nombre exact d’éléments similaires — combien de personnes, combien d’objets identiques — se trompe plus souvent qu’on ne l’imagine dès que ce nombre dépasse trois ou quatre.
• —Le contexte non visible sur l’image, comme le lieu ou l’heure, est parfois deviné plutôt qu’annoncé comme inconnu.

Sur ces trois points, la meilleure protection reste la même consigne répétée dans le prompt : dire ce qui est vu, dire quand un point est incertain, ne rien ajouter d’autre.

Ce que vous essayez cette semaine

1. 01Prenez une image que vous connaissez déjà bien — une photo de produit, une capture d’écran — et demandez une description en précisant l’usage exact : texte alternatif, légende, ou fiche produit.
2. 02Ajoutez la consigne de ne décrire que ce qui est visible et de signaler toute incertitude.
3. 03Comparez la description obtenue à l’image, phrase par phrase, et notez tout détail inventé ou approximatif.
4. 04Réutilisez le prompt qui a fonctionné pour la prochaine image du même type, plutôt que de le réécrire à chaque fois.

Cette façon de cadrer une demande — préciser l’usage, les données à utiliser, et ce qu’il ne faut pas deviner — reprend les mêmes éléments détaillés pour un texte dans Formation prompt IA. Le principe de vérifier chaque détail avant publication est le même que celui appliqué à une image générée dans Personnage IA, ou à un clip vidéo dans Google Veo 2. Et si vous préférez un parcours complet plutôt qu’apprendre au fil des tâches, Formation IA générative part de zéro.

Le PwC AI Jobs Barometer mesure, sur près d’un milliard d’offres d’emploi, une prime salariale nette pour les profils qui savent cadrer précisément ce type de demande — pas seulement pour ceux qui savent qu’un tel outil existe. Les métiers où la rédaction de texte alternatif et de fiches produit occupe une vraie part de l’activité ressortent des statistiques d’emploi de l’INSEE.

La même exigence de précision, appliquée cette fois à la génération plutôt qu’à la description d’une image, revient dans Utiliser Veo 3 gratuitement : préciser ce qu’on veut avant d’agir, pas après avoir constaté que le résultat ne convenait pas.

Cette compétence — cadrer une demande précisément et vérifier le résultat avant de le diffuser — est ce que Coursium fait pratiquer par petites leçons sur votre téléphone, sur des exemples réels plutôt que sur une démonstration. Gardez une longueur d’avance sur l’IA en commençant ici — ou lisez d’abord à propos de Coursium.