Tu veux les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Des méthodes précises émergent pour amener un modèle de langage à produire autre chose que des pages clonées. Entre amorces aléatoires publiées par Sakana AI, prompts très dirigés et un déroulé en trois étapes, la méthode vise à dépasser les choix prévisibles des LLM sans ajouter d’outils.
Introduire du hasard extérieur avec la « String Seed of Thought »
Une première approche consiste à injecter de la variété venue de l’extérieur du modèle. La technique appelée String Seed of Thought, publiée par Sakana AI, consiste à faire générer à l’IA une chaîne aléatoire qui sert ensuite d’inspiration pour le design. Cette méthode part du constat que le modèle ne fait que prédire le token le plus probable et ne peut donc pas agir de façon réellement aléatoire. En important une source de hasard, chaque itération peut aboutir à des choix différents. Cette technique permet d’explorer des directions qui sortent des réponses moyennes.
Formuler des prompts ambitieux et ancrés dans des références fortes
Une alternative consiste à fournir au modèle une intention claire, précise et marquée. Utiliser des références issues de son expérience personnelle, telles qu’un jeu vidéo, une mode de décoration intérieure ou une œuvre artistique, permet d’initier le processus créatif. On retrouve parmi les suggestions un design en pixel art où chaque partie rappelle une scène de jeu, une ville isométrique en 3D illustrant les différentes fonctions, ou encore une composition très asymétrique mêlant couleurs et polices en contraste. Il est reconnu que trouver des idées originales de prompt reste difficile, et que demander simplement des idées à l’IA conduit souvent à des propositions moyennes.
Un système en trois temps pour générer des prompts uniques
Un procédé en trois étapes est proposé pour améliorer la qualité des prompts. D’abord, demander à l’IA de lister de nombreuses idées sans entrer dans les détails, afin de stimuler l’imagination. Ensuite, visualiser les pistes préférées, noter ses réactions et demander à l’IA d’affiner ces directions. Enfin, itérer jusqu’à être satisfait, puis solliciter l’IA pour rédiger le prompt final. Ce cadre structure l’exploration tout en gardant la main sur l’orientation créative.
Pourquoi les LLM tendent vers des designs moyens
Les grands modèles de langage apprennent à prédire la suite d’une séquence textuelle à partir de vastes corpus d’exemples. Leurs sorties peuvent être évaluées par des humains, et ces évaluations réinjectées les orientent vers des choix cohérents et considérés comme sûrs. Ce fonctionnement explique de bonnes performances sur de nombreuses tâches, mais conduit à des décisions de design très prévisibles. En procédant token par token, le modèle privilégie ce qui semble plaire au plus grand nombre, ce qui aboutit souvent à des résultats répétitifs et sans relief.
Constats de terrain : prompts généraux versus résultats clonés
Avec un prompt générique demandant une page d’accueil d’application de productivité, quatre instances d’un même modèle ont produit des structures quasi identiques. D’après les retours, Claude Opus 5 génère souvent un fond en dégradé violet, une zone de texte placée à gauche et un visuel à droite. Même en formulant une demande pour obtenir un résultat « totalement unique » et « complètement aléatoire », la diversité observée reste faible : couleurs similaires, organisations récurrentes et métaphores proches. Ces observations illustrent l’intérêt d’introduire une source d’aléa ou une direction créative plus précise.
Processus proposé et profil de l’initiateur
Le cadre présenté repose sur trois phases : Découvrir pour explorer des pistes et formuler des briefs ambitieux, Définir pour établir une identité en poussant l’IA hors de ses schémas via l’enchaînement de modèles, et Livrer pour polir un rendu final en se concentrant sur les éléments clés. Cette démarche s’inscrit dans une vision du design centrée sur l’émotion, l’infraction aux règles et des choix inattendus. Elle est portée par Anshu Chimala, qui a dirigé pendant 12 ans des équipes d’ingénierie et de design chez Apple autour de la recherche et du prototypage de futurs produits d’IA, et qui partage tutoriels, analyses et contacts sur X, Substack et LinkedIn.
