Technologies Créatives. Génération procédurale ou IA : quel choix pour votre œuvre ?

Cinquante ans plus tard, en 2018, le Portrait d’Edmond de Belamy, produit par un réseau antagoniste génératif, était adjugé chez Christie’s et marquait l’entrée de l’IA générative dans le marché de l’art. Ces deux jalons, distants d’un demi-siècle, dessinent une ligne de fracture technique qui structure encore les pratiques de création numérique: d’un côté, des algorithmes déterministes écrits par l’artiste; de l’autre, des modèles probabilistes entraînés sur de vastes corpus visuels.

La différence entre génération procédurale et intelligence artificielle pour l’art ne se résume pourtant pas à une opposition entre ancien et nouveau. Elle concerne la manière dont une œuvre est conçue, la place laissée à l’imprévu, la capacité à reproduire un résultat et la possibilité de maintenir le projet en état de fonctionnement plusieurs années après sa création. Le choix de l’outil engage donc autant le geste artistique que le pipeline technique qui le rend possible.

La rigueur du code: l’héritage de l’art procédural et du système AARON

Le système AARON, développé par Harold Cohen à partir de la fin des années 1960, constitue une référence historique majeure pour comprendre l’art procédural. Il fait partie des premiers systèmes à traduire une intention artistique en règles formelles explicites. Son principe n’était pas de reproduire mécaniquement le geste d’un dessinateur, mais de construire un ensemble de procédures capables de prendre des décisions graphiques: organisation de la composition, tracé, couleur, relations entre les éléments et évolution de la scène.

L’artiste ne dessine donc pas nécessairement chaque forme. Il écrit, ajuste et hiérarchise les règles qui vont produire ces formes. Cette distinction est essentielle. Dans une œuvre procédurale, la création ne disparaît pas dans l’automatisation: elle se déplace vers la conception du système. Le choix des variables, des contraintes et des exceptions devient une partie du langage plastique.

Les outils contemporains héritent directement de cette logique. Avec Processing, p5.js, TouchDesigner ou un environnement Python dédié à la génération graphique, le créateur peut décrire explicitement la relation entre les paramètres et le résultat. Une boucle peut distribuer des formes dans l’espace; une condition peut modifier leur comportement à proximité d’un bord; une fonction peut faire varier leur couleur selon leur position ou leur vitesse. Le programme n’est pas seulement un moyen d’exécution: il devient le support de la composition.

La fonction de bruit de Perlin illustre bien cette approche. Elle permet de produire des variations continues, utiles pour simuler une texture, une topographie ou un mouvement moins régulier qu’un simple tirage aléatoire. La fréquence, l’amplitude, le nombre d’octaves et la manière dont le bruit est échantillonné deviennent autant de paramètres visuels. Le créateur ne demande pas une image évoquant une matière; il définit les conditions mathématiques dans lesquelles cette matière peut apparaître.

Cette granularité peut descendre très bas dans la chaîne de production: jusqu’au pixel, au sommet d’un maillage, à la position d’un point ou à l’instruction vectorielle. Elle peut aussi rester abstraite. Un algorithme peut organiser des milliers de particules sans que l’artiste ait besoin de fixer individuellement la trajectoire de chacune. Le contrôle ne consiste pas à tout spécifier à la main, mais à décider quelles relations resteront stables et quelles variations seront autorisées.

Trois propriétés structurent ce paradigme:

• La reproductibilité stricte. À paramètres identiques, avec le même état initial du générateur pseudo-aléatoire et le même environnement d’exécution, le programme peut restituer le même résultat. Une variation peut être conservée comme une version distincte en archivant son seed et les paramètres associés.
• La transparence algorithmique. Le code, les commentaires et les fichiers de configuration décrivent le fonctionnement du système. Cette description n’est pas toujours immédiatement lisible par un tiers, mais elle rend les règles inspectables et modifiables.
• La maîtrise paramétrique. Le créateur peut intervenir sur les relations qui produisent l’image, plutôt que de sélectionner uniquement une sortie parmi plusieurs propositions. La forme finale reste liée à un réseau de décisions explicites.

Le mot « déterministe » mérite toutefois d’être employé avec précision. Un programme procédural peut intégrer du hasard, du bruit ou des comportements émergents. Il n’est pas forcément prévisible dans le détail avant son exécution. Ce qui le distingue d’un modèle génératif entraîné, c’est que ses règles de variation sont définies dans le système et peuvent être retrouvées, modifiées et rejouées. L’imprévisibilité locale n’annule pas la lisibilité globale du processus.

La contrepartie est connue: la charge cognitive et le temps de développement. L’artiste doit comprendre un langage, une bibliothèque ou un environnement de création. Il doit anticiper les cas limites, gérer les erreurs de coordonnées, surveiller les performances et accepter qu’une idée visuelle demande parfois plusieurs jours de mise au point avant de devenir exploitable. La courbe d’apprentissage est plus raide que celle d’un outil à invite textuelle, notamment lorsque l’œuvre mobilise de la géométrie, de la simulation ou des interactions en temps réel.

Cette contrainte n’est pas seulement un obstacle. Elle peut devenir une méthode de travail. Le code oblige à formuler les intentions sous forme de relations: répétition, seuil, proximité, accumulation, collision, croissance, disparition. Il rend visibles les choix que l’on pourrait laisser implicites dans un logiciel plus immédiat. Pour certains artistes, cette exigence constitue précisément la matière de l’œuvre.

La génération procédurale donne à l’artiste une maîtrise paramétrique complète; le modèle probabiliste lui restitue un résultat qu’il ne peut pas entièrement anticiper.

L’imprévisibilité statistique: comprendre le fonctionnement des modèles génératifs

L’IA générative visuelle repose sur une logique différente. Elle ne part pas d’une suite de règles graphiques écrites par l’utilisateur pour construire chaque élément de l’image. Elle s’appuie sur un réseau de neurones entraîné à partir de nombreux exemples et sur une représentation statistique des régularités présentes dans ces données.

Les modèles de diffusion, devenus largement utilisés dans la création d’images au cours des années 2020, fonctionnent généralement en apprenant à transformer progressivement une représentation bruitée en une image cohérente avec une condition donnée, souvent un texte. Cette condition peut décrire un sujet, une ambiance, une matière, une composition ou une combinaison de références. Le modèle ne suit pas une recette symbolique qui aurait été écrite ligne par ligne par l’artiste. Il calcule une succession d’estimations à partir de ses paramètres appris.

Les réseaux antagonistes génératifs, ou GAN, relèvent d’une autre famille technique. Ils mettent en relation un générateur et un discriminateur afin d’apprendre à produire des exemples ressemblant à ceux du corpus d’entraînement. Leur fonctionnement et leurs usages diffèrent de ceux des modèles de diffusion, même si les deux approches sont souvent réunies sous l’étiquette générale d’IA générative. Cette distinction compte lorsqu’il s’agit d’archiver une œuvre, de reproduire un résultat ou de décrire précisément le processus de création.

Stable Diffusion et DALL·E ont contribué à populariser des interfaces dans lesquelles l’invite textuelle joue le rôle de point d’entrée. L’utilisateur formule une intention; le modèle propose une interprétation visuelle. Le prompt peut être précis, mais il ne décrit pas nécessairement la géométrie complète de l’image. Il ne donne pas accès, de façon directe, à toutes les représentations internes mobilisées par le modèle.

La dimension probabiliste implique qu’une même invite puisse produire plusieurs sorties différentes. Le seed, lorsqu’il est exposé par l’outil, permet de stabiliser une partie de cette variation. Il ne transforme pas pour autant le modèle en programme procédural transparent. La sortie dépend aussi de l’architecture, des poids, du nombre d’étapes d’inférence, du guidage, du prétraitement du texte, de la résolution et des éventuels modules complémentaires utilisés dans le pipeline.

Trois implications opérationnelles en découlent:

• L’opacité du processus. Les poids du modèle, son architecture et son jeu d’entraînement contribuent au résultat d’une manière que l’artiste ne peut pas toujours inspecter ou expliquer visuellement. Le prompt oriente la génération, mais ne constitue pas le plan complet de l’image.
• La dépendance à un environnement technique. Le modèle peut reposer sur des poids volumineux, un framework d’exécution, des bibliothèques, des pilotes graphiques et une machine suffisamment puissante. Dans le cas d’un service en ligne, d’autres dépendances s’ajoutent: disponibilité du service, évolution de l’interface et conditions d’accès.
• Le contrôle indirect de la sortie. L’ajustement passe par le prompt, le choix du modèle, les paramètres d’inférence, l’image de référence, l’inpainting, le contrôle de pose ou le fine-tuning. L’artiste agit sur les conditions de génération plutôt que sur une règle graphique interne directement modifiable.

Le gain immédiat est réel: accessibilité, vitesse d’idéation et richesse des variations. Une recherche visuelle qui aurait demandé la construction préalable d’un système complexe peut être engagée en quelques essais. L’outil permet aussi d’explorer des combinaisons de styles, de matières et de cadrages difficiles à formaliser en code.

Mais cette rapidité a son envers. L’image peut être convaincante avant que le créateur ait compris pourquoi elle fonctionne. Les défauts peuvent être corrigés par sélection ou retouche sans que la structure générative qui les a produits soit véritablement maîtrisée. Le pipeline se simplifie en apparence, puis s’opacifie en profondeur. C’est l’une des limites créatives des modèles d’IA: ils élargissent l’espace des propositions, mais ne garantissent pas que l’artiste puisse gouverner la logique qui relie une intention à une forme.

Il faut également distinguer l’outil d’idéation de l’œuvre finale. Utiliser un modèle pour chercher une palette, une atmosphère ou une famille de compositions ne pose pas les mêmes exigences que produire une série destinée à une exposition, une installation interactive ou une édition limitée. Dans le premier cas, la variation peut être une ressource. Dans le second, elle doit être encadrée, documentée et rendue compatible avec une direction artistique précise.

Contrôle total versus synthèse probabiliste: le dilemme de l’artiste

La décision entre code procédural et IA générative se résume rarement à une préférence esthétique. Elle relève d’une équation de production qui croise le temps disponible, la compétence technique, la nature de l’œuvre, le budget de calcul, les contraintes de diffusion et les besoins de conservation.

Ce tableau fait apparaître une tension de fond. L’IA réduit la friction d’entrée et accélère l’exploration, mais elle délègue une partie de la décision à un système dont le fonctionnement interne n’est pas entièrement accessible. Le code procédural demande davantage d’investissement initial, mais il permet de transformer les intentions en contraintes explicites et de conserver une prise directe sur le processus.

Le choix opérationnel doit donc partir du cahier des charges de l’œuvre. Une série générative destinée à produire de nombreuses variations n’a pas les mêmes besoins qu’une image unique imprimée en grand format. Une installation réactive doit répondre à des événements en temps réel, alors qu’une collection peut privilégier la stabilité d’un résultat et la documentation de son origine. Une œuvre conçue pour être rejouée dans dix ans doit être pensée avec d’autres exigences qu’un prototype présenté pendant quelques jours.

Pour choisir un outil de création algorithmique, plusieurs questions sont plus utiles qu’une opposition générale entre art génératif et IA générative:

• La structure visuelle doit-elle être contrôlable au niveau des formes, des coordonnées et des relations entre les objets?
• Le projet doit-il produire une série cohérente ou seulement ouvrir un espace d’exploration?
• Une même œuvre doit-elle pouvoir être recalculée à l’identique?
• Le résultat dépend-il d’un service en ligne, d’un modèle propriétaire ou d’une machine particulière?
• Le créateur doit-il pouvoir expliquer la logique de production à un commissaire, à un collectionneur ou à une institution?
• La variation est-elle le sujet de l’œuvre, ou bien une nuisance à réduire?
• Le pipeline doit-il fonctionner en temps réel, hors connexion ou sur un matériel limité?

La maîtrise du code en art numérique n’est donc pas une valeur absolue. Elle devient décisive lorsque le projet exige de la précision, de la répétabilité ou une interaction durable. À l’inverse, une faible maîtrise du code ne condamne pas un artiste à un rôle de simple opérateur de prompts. Elle peut être compensée par une direction artistique forte, une sélection exigeante, un travail de montage et une documentation sérieuse du processus.

Workflow hybride: quand le code créatif rencontre l’intelligence artificielle

La séparation stricte entre les deux paradigmes tend à s’estomper dans les pipelines professionnels. Le code peut organiser les entrées et les sorties d’un modèle; l’IA peut fournir une matière visuelle que des règles vont ensuite découper, trier, déformer ou intégrer dans une installation. Le choix n’est plus nécessairement génération procédurale contre intelligence artificielle pour l’art, mais plutôt répartition des responsabilités entre plusieurs couches techniques.

Plusieurs configurations sont particulièrement fécondes.

Le procédural pour la structure, l’IA pour la texture

Un script peut générer la géométrie, la topologie ou la disposition spatiale d’une scène. Le modèle intervient ensuite sur la texture, la matière, l’éclairage ou l’apparence de surface. Cette séparation permet de conserver des contraintes précises sur les proportions et les répétitions tout en introduisant une richesse visuelle difficile à obtenir avec des textures entièrement paramétriques.

Le point critique se situe dans la cohérence entre les deux couches. Une texture générée séparément pour chaque élément peut produire des raccords incohérents, des changements d’échelle ou des détails qui ne respectent pas la perspective. Le code doit alors imposer un système de coordonnées, préparer les masques et contrôler la manière dont les sorties sont réinjectées dans la scène.

Le procédural pour la sérialisation, l’IA pour la variation

Un algorithme peut produire une série de compositions à partir d’une grammaire formelle: position des masses, densité, palette, orientation ou rythme. Le modèle intervient ensuite pour introduire des variations de matière ou d’atmosphère, sans modifier les invariants qui donnent son identité à la série.

Cette approche est utile lorsque l’artiste veut éviter deux écueils opposés: des images parfaitement identiques, qui ne justifieraient pas une série, et des images trop éloignées, qui ne formeraient plus un ensemble. Le code fixe les frontières de la variation; l’IA explore l’espace situé à l’intérieur de ces frontières.

L’IA pour l’idéation, le procédural pour l’industrialisation

Le modèle peut fournir une bibliothèque de références, de compositions ou de directions visuelles. Ces éléments ne sont pas nécessairement conservés tels quels. Ils servent de matière de recherche avant d’être réinterprétés par un système procédural capable de produire des formats cohérents, des animations, des projections ou des déclinaisons adaptées à différents supports.

Le passage de l’image de référence au système génératif est un moment de création à part entière. Il oblige à extraire ce qui doit être retenu: une proportion, un contraste, un rythme, une organisation spatiale ou une relation de couleurs. L’artiste ne transfère pas seulement une image; il décide quelles qualités peuvent devenir des règles.

Le procédural comme filtre, l’IA comme matière première

Un script peut sélectionner, recadrer, classer ou recomposer des sorties de modèle à l’intérieur d’une grille définie à l’avance. Il peut appliquer des critères de luminosité, de dominante colorée, de densité ou de similarité afin de maintenir une cohérence d’ensemble. L’IA produit alors une matière abondante; le code organise la sélection et la présentation.

Ce dispositif rappelle que la création ne se réduit pas à la génération initiale. Dans un pipeline automatisé, le tri, le montage, l’échelle, l’ordre d’apparition et la relation entre les éléments peuvent porter une part importante du sens. Une sortie de modèle n’est pas forcément l’œuvre; elle peut devenir un matériau parmi d’autres.

Dans ces architectures, le code créatif conserve souvent le rôle de système nerveux. Il pilote les paramètres, verrouille les invariants, gère les formats et garantit une cohérence sérielle. L’IA générative alimente le flux visuel sans en assumer nécessairement la gouvernance. Cette répartition stabilise le pipeline et permet de concentrer le calcul sur les segments où le modèle apporte une réelle valeur.

Elle ne supprime pas pour autant les problèmes de droits, de traçabilité ou de conservation. Il faut savoir quelles sorties ont été retenues, avec quel modèle, dans quelle version et après quelles transformations. Il faut aussi distinguer les éléments générés automatiquement de ceux qui ont été composés, corrigés ou entièrement reconstruits par l’artiste. Plus le pipeline est hybride, plus la documentation doit être précise.

Le code garde la main sur les invariants; l’IA injecte la variation. Cette répartition hiérarchique peut optimiser le pipeline sans diluer la responsabilité créative.

Reproductibilité et pérennité: les enjeux techniques de vos choix artistiques

Une œuvre procédurale s’archive généralement sous la forme d’un répertoire de scripts, accompagné des dépendances nécessaires à son exécution: bibliothèques, fontes, données externes, fichiers de configuration et parfois ressources sonores ou visuelles. Cette archive n’est pas automatiquement durable, mais sa logique peut être inspectée et, dans de nombreux cas, portée vers un environnement plus récent.

Une œuvre générée par IA exige un ensemble souvent plus volumineux. Il faut conserver le modèle ou le service utilisé, les poids lorsqu’ils sont accessibles, le framework d’exécution, le matériel pertinent, le seed, les paramètres d’inférence, les prompts, les images de référence et le code d’orchestration. Si plusieurs étapes de retouche ou d’inpainting ont été utilisées, chacune doit idéalement être documentée. La masse documentaire augmente rapidement avec la complexité du pipeline.

La reproductibilité ne signifie pas non plus la même chose dans les deux approches. Pour un programme procédural, elle peut consister à relancer le système avec un seed identique et à obtenir une image équivalente, sous réserve de l’environnement d’exécution. Pour un modèle génératif, il faut reproduire un ensemble beaucoup plus large de conditions: version exacte du modèle, poids, réglages, prétraitement, résolution et parfois comportement du matériel. Une simple mise à jour peut modifier le résultat.

La pérennité dépend donc moins de l’étiquette « procédural » ou « IA » que de la qualité de l’archivage. Un code court peut devenir inutilisable si sa bibliothèque disparaît ou si son environnement n’est pas décrit. À l’inverse, un modèle lourd peut rester exploitable si ses poids, ses paramètres et ses dépendances sont conservés avec méthode. La différence tient cependant à la charge de maintenance: plus le système rassemble de composants, plus les points de rupture se multiplient.

Pour une œuvre destinée à la conservation longue ou à la collection, plusieurs leviers réduisent le risque:

• Documenter le contexte d’exécution. Il faut noter les versions des bibliothèques, le système d’exploitation, les formats de fichiers, la résolution, les paramètres de rendu et les éventuelles opérations manuelles.
• Conserver les entrées et les sorties. Les seeds et les prompts ne suffisent pas toujours. Les fichiers sources, les images de référence, les masques, les étapes intermédiaires et les exports finaux doivent être réunis dans une arborescence compréhensible.
• Préserver les dépendances critiques. Dans le cas d’un modèle local, les poids et les fichiers de configuration doivent être conservés avec les versions compatibles du framework. Dans le cas d’un service distant, il est prudent de sauvegarder les résultats et les informations de production, car la disponibilité de l’outil peut changer.
• Multiplier les supports de stockage. Une copie unique, même complète, reste vulnérable. La redondance sur plusieurs supports et dans plusieurs lieux limite le risque de perte matérielle.
• Prévoir un mode de présentation indépendant. Une image fixe, une séquence rendue ou une captation vidéo ne remplace pas l’œuvre interactive, mais peut servir de trace lorsque le dispositif original ne peut plus être exécuté.
• Écrire une version réduite lorsque c’est pertinent. Pour une installation complexe, une interprétation procédurale plus simple peut constituer un filet de sécurité algorithmique et préserver au moins la logique générale du projet.

Cette dernière stratégie ne doit pas être confondue avec une obligation de rendre toute œuvre autonome ou minimaliste. Une œuvre peut dépendre d’un modèle, d’un réseau ou d’une infrastructure spécifique et conserver sa valeur artistique. La question est alors de savoir si cette dépendance fait partie du propos, si elle est assumée et si elle est suffisamment documentée pour que l’institution ou le collectionneur comprenne ce qui est acquis.

Le choix du workflow influe aussi sur la manière de présenter l’œuvre. Une génération procédurale peut être exposée comme un système qui continue de produire des variations, comme une édition de résultats déterminés ou comme un programme dont l’exécution constitue la pièce. Une œuvre fondée sur l’IA peut, elle aussi, être montrée comme un résultat unique, une série, une performance de génération ou un dispositif de sélection. La technique ne dicte pas à elle seule le statut de l’œuvre; elle en conditionne cependant les modalités de transmission.

Pour les productions sérielles, immersives ou nécessitant une itération rapide, l’IA générative intégrée dans un pipeline procédural peut être l’option la plus efficace. Elle permet de conserver une architecture de production stable tout en ouvrant un espace de variation. Pour les prototypes exploratoires, l’IA seule peut suffire, à condition de ne pas confondre vitesse de sortie et maîtrise artistique. Pour une œuvre qui doit être rejouée, vérifiée ou maintenue sur le long terme, la priorité revient à la documentation, à la reproductibilité et à la limitation des dépendances non archivées.

Le choix entre les deux paradigmes n’est donc pas une opposition de principe. C’est un arbitrage de pipeline. La génération procédurale offre une grammaire explicite, une forte capacité de contrôle et une reproductibilité construite dans le système. L’IA générative ouvre un espace de synthèse et de variation dont la richesse vient précisément d’un fonctionnement statistique moins directement lisible. Entre les deux, le workflow hybride permet de distribuer les tâches sans abandonner la direction artistique.

La bonne question n’est pas de savoir quel outil serait, en général, le plus créatif. Elle consiste à déterminer quelle part du processus l’artiste veut formaliser, quelle part il accepte de déléguer et quelles traces il souhaite laisser derrière l’œuvre. Dans les pratiques numériques matures, le code et l’IA ne s’excluent pas: ils se combinent, se hiérarchisent et se succèdent selon les besoins du projet.