Contexte et perception du problème
Dans plusieurs cafés, les illustrations de menus générés par IA affichent une symétrie excessive et une texture trop lisse. Cette uniformité déclenche un sentiment d’inconfort, souvent décrit comme une vallée de l’étrange. Une étude de l’Université de Duisburg‑Essen a mesuré que les images alimentaires presque réalistes, mais légèrement déformées, suscitent davantage de dégoût que les rendus manifestement artificiels.
Mécanismes d’entraînement et phénomène de convergence
Les modèles de langage large (LLM) et les modèles de diffusion, comme ceux derrière ChatGPT ou Midjourney, sont nourris par des jeux de données massifs. Le corpus inclut des menus de chaînes populaires (Wendy’s, Burger King, McDonald’s) ainsi que des publicités où chaque ingrédient est mis en scène pour maximiser l’appétence. Amazon, par exemple, a été identifié en train de numériser des livres rares puis de les détruire après ingestion, illustrant l’ampleur des sources de données. Lorsque ces modèles réutilisent leurs propres sorties – un processus qualifié de model collapse – les caractéristiques stylistiques se renforcent. Dans la pratique observée, on parle plutôt de convergence : la qualité diminue progressivement sans que le modèle ne devienne inutilisable, entraînant une homogénéisation des illustrations.
Expérimentations et preuves empiriques
Un utilisateur de X, sous le pseudonyme Labtec, a généré un menu avec ChatGPT puis l’a modifié cent fois en ajustant prix ou noms d’articles. À chaque itération, les images alimentaires sont devenues plus rondes et plus lisses, confirmant visuellement le processus de convergence décrit par les chercheurs. Parallèlement, la même dynamique apparaît lorsqu’une IA génère un menu complet puis que ces images sont ré‑intégrées dans les jeux de données d’entraînement, créant un cercle vicieux de style uniforme. Les résultats de l’étude allemande montrent que cette uniformité accentue la perception d’artificialité, renforçant le rejet du public.
Implications pour le secteur de la restauration
Les restaurants qui adoptent des menus IA se retrouvent confrontés à une double contrainte : la perte d’originalité visuelle et le risque de déclencher une réaction d’aversion chez les clients. Le phénomène de convergence suggère que, sans interventions de diversification – par exemple l’injection de données provenant de cuisines locales ou de styles graphiques variés – les futures itérations de menus resteront stéréotypées. De plus, la dépendance croissante à des images « plaisantes » mais génériques peut masquer des informations essentielles, comme la texture réelle d’un produit, ce qui pose des questions d’éthique et de transparence. En l’absence de mesures correctives, la tendance à la standardisation pourrait limiter l’adoption durable de l’IA dans la communication visuelle des établissements alimentaires.
