Client story : Comment L’Oréal transforme ses actifs créatifs en données exploitables grâce à l’IA

Quand un groupe mondial de cosmétiques monte sur scène pour débattre d’architecture cloud, de workflows LLM et d’optimisation de tokens, sa présence peut légitimement surprendre. Ce paradoxe constitue le point de départ de la présentation donnée par les équipes L’Oréal (accompagnées de Converteo et de Google Cloud) : l’entreprise n’est pas un éditeur de logiciels. Toutefois, pour continuer à performer dans le secteur de la beauté en 2026, il est désormais impératif de maîtriser le langage des IA.

Stratégie IA : pourquoi L’Oréal internalise ses outils technologiques

Le raisonnement initial est commercial avant d’être technologique. Le consommateur n’est plus cantonné aux moteurs de recherche traditionnels (recherche, découverte, navigation e-commerce, achat). Le parcours s’est fragmenté. Il transite par les réseaux sociaux et de plus en plus par des plateformes conversationnelles capables de mener l’utilisateur jusqu’à la transaction finale.

Pour investir ce nouveau terrain, l’entreprise doit s’approprier ces technologies. Cette nécessité a conduit à la création d’un assistant interne sobrement baptisé « L’Oréal GPT ». Ce nom volontairement transparent répondait à un objectif précis : signaler que l’outil est accessible et qu’une expertise pointue en intelligence artificielle n’est pas requise pour l’utiliser.

Deux enseignements majeurs ont émergé de cette première phase :

1. Une appropriation rapide : Les collaborateurs ont immédiatement perçu l’intérêt direct de l’outil pour leur quotidien, sachant que les cas d’usage diffèrent radicalement entre une usine de production et le siège social.
2. La nécessité d’un cadre : Des limites, des règles et des directives de bon usage sont indispensables. La liberté totale constitue rarement un avantage opérationnel.

L’entreprise entre aujourd’hui dans sa deuxième phase de maturité : industrialiser, exécuter des tâches en arrière-plan et s’agentifier. Cette démarche ne vise pas à suivre une tendance technologique, mais à générer des gains de productivité concrets qu’il faut ensuite démontrer pour sécuriser les budgets.

Architecture cloud : le choix stratégique de l’interopérabilité

Concernant les briques fonctionnelles (passerelle API, gestion des modèles, outillage), l’équipe assume de s’être appuyée sur des standards existants sans chercher à réinventer la technique. Le véritable choix structurant réside ailleurs : concevoir une architecture agnostique et interopérable avec l’ensemble de l’écosystème de partenaires et les plateformes internes.

La raison est évidente : les leaders technologiques d’aujourd’hui ne seront pas nécessairement ceux de demain. S’enfermer dans un écosystème fermé revient à perdre la maîtrise de sa propre feuille de route. Ce défi technique reste complexe : si les grands acteurs du cloud vantent volontiers leur interopérabilité, la réalité du terrain s’avère souvent plus nuancée.

Vision marketing : l’alliance de la donnée et du storytelling

Côté métier, la conviction tient en une formule : le marketing augmenté ne remplace pas les marketeurs, il amplifie leur impact. Pour réussir, deux éléments doivent s’allier :

• Les mathématiques : la donnée, la technologie et la mesure de la performance.
• La magie : l’émotion, le storytelling et l’intuition créative.

L’un ne peut fonctionner sans l’autre. Cette certitude a justifié le déploiement d’un programme massif de montée en compétences à travers toute l’organisation (en interne comme auprès des agences partenaires).

Analyse de contenu : exploiter l’IA pour structurer la donnée créative

Le parti pris de L’Oréal sur l’IA générative se distingue des approches classiques. Le produit développé n’a pas vocation à générer du contenu, mais à lire, classifier et labelliser le contenu existant.

L’objectif est clair : transformer les actifs créatifs en une source de données fiable et structurée. En tant que quatrième annonceur mondial, L’Oréal produit des volumes d’actifs colossaux soumis à une double exigence de créativité et d’hyperpersonnalisation (selon la plateforme, l’étape du parcours de conversion et le profil du consommateur). Cette explosion des contenus crée un besoin critique de gouvernance pour comprendre précisément ce qui compose chaque actif.

Trois grandes familles d’usage pour l’IA d’analyse

1. L’optimisation de la performance : Corréler les résultats médias aux caractéristiques créatives permet de savoir exactement quel actif utiliser pour quelle campagne et à quel moment.
2. La détection de tendances : Une tendance peut prendre la forme d’un style musical dans une vidéo, d’un format spécifique (la routine « avant/après ») ou d’une simple tournure de phrase (« j’ai testé pendant 50 jours ») générant un engagement fort. Le système doit détecter ces signaux faibles dès leur apparition pour les injecter dans les futures créations.
3. La constitution de bases de données propres : Ces datasets qualifiés sont réutilisables ailleurs dans l’entreprise, notamment pour alimenter d’autres cas d’usage impliquant des agents autonomes.

Le flux de traitement automatisé des actifs

Le processus technique s’articule autour de quatre étapes (dont une seule implique véritablement de l’IA) :

1. Sélection : Ciblage des actifs créatifs (vidéos d’influenceurs, pistes audio, images sociales).
2. Ingestion : Téléchargement des médias et de leurs métadonnées descriptives.
3. Analyse : Le modèle Gemini est interrogé via un prompt assignant un rôle explicite (« tu es un analyste de contenu chez L’Oréal, décris-moi cet actif créatif »).
4. Labellisation : Extraction structurée des informations (produit visible, écosystème de la vidéo).

Les labels extraits varient en complexité. Ils vont de la simple détection de produit ou de décor (une plage, une salle de bain) à des analyses beaucoup plus complexes, comme la détection d’émotions (joie, tristesse) ou l’identification de problèmes techniques (un discours trop rapide pour être audible).

Ingénierie des données : vers un pipeline managé

L’état actuel de la production est décrit comme techniquement accessible mais redoutablement efficace. Les données proviennent de la plateforme data ou directement des plateformes médias. Des tâches conteneurisées (Cloud Run) se déclenchent sur événement, appellent l’API de Gemini et réalisent la détection.

Cette architecture représente une simplification majeure par rapport aux anciens pipelines d’ingestion complexes à maintenir. Le principe directeur est assumé : le but est de simplifier le travail des équipes métier, sans leur construire un système d’une complexité déraisonnable. Les métiers exigent avant tout de la rapidité d’accès, une facilité d’utilisation et une autonomie totale.

La cible de demain s’oriente vers une fonctionnalité d’annotation managée directement par Google Cloud. En spécifiant simplement un espace de stockage (bucket), le pipeline s’active automatiquement à chaque nouvel ajout d’actif, réalisant la détection et alimentant directement les tables BigQuery. Les équipes métier n’ont plus qu’à consommer la donnée sans se soucier de l’infrastructure sous-jacente.

Concernant les LLMs, bien que les modèles fondationnels ne soient pas entraînés spécifiquement pour l’industrie cosmétique, des éléments comme la détection d’une émotion restent universels. Un travail d’ajustement sur les instructions d’entrée (ambiance, atmosphère visuelle, colorimétrie) a permis au modèle de s’adapter finement au langage visuel de la marque.

L’échelle du défi technique

• Environ 100 000 références produits (SKU), un chiffre en croissance continue via les acquisitions.
• Près d’un million de variantes de SKU (un même produit portant plusieurs dénominations selon les pays).
• Des millions d’actifs stockés, atteignant l’échelle du pétaoctet.
• Lors des phases de test de la fonctionnalité d’annotation, 900 000 actifs ont été traités simultanément pour éprouver la charge des serveurs de Google.

Trois enseignements majeurs pour les projets IA

1. La technologie n’est plus le principal défi

Les outils sont matures et les technologies de développement accélèrent la production. Le véritable défi réside désormais dans la qualité de la donnée en entrée, la capacité à cadrer un problème métier, à formuler des hypothèses et à les tester. Cette approche produit s’effectue en trois temps itératifs :

1. Prototyper rapidement un produit sur la base d’hypothèses de travail.
2. Mesurer les écarts en comparant la classification du modèle avec celle d’un humain sur un échantillon test.
3. Comprendre l’erreur en analysant le cheminement logique du modèle, puis ajuster le prompt ou le workflow avant de relancer le cycle.

2. Le modèle algorithmique raisonne différemment d’un humain

Pour classer une publication d’influenceuse dans l’une des quatre catégories disponibles (événement, unboxing, organique, sponsorisé), la première version du modèle offrait des résultats médiocres. L’analyse a révélé que l’IA excelle pour éliminer trois mauvaises options plutôt que pour en sélectionner spontanément une bonne. Le prompt a été réécrit selon cette logique de déduction : le défi n’était pas technique, mais cognitif.

Cette même logique s’applique à la génération d’images. Pour imaginer un nouveau produit devant un monument, la méthode classique de prompt engineering s’avère insuffisante. Il est bien plus efficace de demander au modèle de décrire une image de référence fournie, puis de lui ordonner de générer lui-même le prompt qui permettrait de la recréer. La clé réside dans l’adoption du langage propre à la machine.

3. Performance et frugalité doivent être optimisées conjointement

Chaque vidéo analysée génère un coût en traitement de données (tokens). À l’échelle de millions d’actifs, la rentabilité du projet devient un critère de conception fondamental. L’itération sur le cas « Taxofix » illustre cette optimisation technique et financière :

Le tout est opéré via une architecture serverless, facturée exclusivement à l’usage. Ce gain massif de 50 % ne résulte pas d’une prouesse technique d’infrastructure, mais d’une combinaison entre bon sens économique et compréhension fine de l’IA.