Pour une réunion de groupe, il faut publier une affiche d’annonce, il manque un schéma conceptuel dans un rapport, il faut expliquer clairement un processus à des camarades — ces besoins de « visuels » se heurtent souvent au fait de ne pas savoir dessiner ou de ne pas avoir le temps de le faire. L’illustration scientifique dans la suite d’applications MuchSci consiste à décrire en une phrase en langage naturel et à générer directement une image utilisable. Mais mettons les choses au clair d’emblée : ce qu’elle produit, ce sont des « images pour communiquer », pas des « images calculées à partir de données ».
Le nom « Illustration scientifique » peut facilement faire croire qu’il s’agit de dessiner des graphiques de données ; cet article va donc distinguer clairement les deux : comment une phrase devient une image, quels contextes se prêtent à cette approche, et cette limite à ne pas franchir.
01 Comment une phrase devient une image
▲ Figure 1 | Décrivez clairement le contexte et les points clés ; après la génération, trois actions restent possibles
Le processus se décompose en quatre étapes : vous écrivez le prompt, en précisant le contexte, le public et les points à mettre en avant ; l’outil génère selon la description ; vous regardez le résultat ; puis vous choisissez parmi trois options — modifier à nouveau le prompt, régénérer ou supprimer. Il n’y a pas d’étapes intermédiaires de calques, de ressources ou de mise en page : elles sont toutes absorbées entre « la description » et « le jugement ».Vous vous chargez de dire ce que vous voulez, l’outil se charge de le dessiner.
Cette répartition des rôles signifie que produire une image passe d’un « travail de compétence » à un « travail d’expression » : savoir utiliser un logiciel de design n’importe plus ; savoir exprimer clairement sa demande devient important. Pour ceux qui ne savent pas dessiner, le seuil passe de « apprendre un outil » à « s’entraîner à décrire ».
02 Que le prompt soit bien rédigé ou non change beaucoup le résultat
▲ Figure 2 | Pour une même phrase, selon que les informations sont suffisantes ou non, la validation ne demande pas le même travail
La génération d’images par IA a une particularité : elle exécute fidèlement ce que vous écrivez et ne complète pas ce que vous n’avez pas dit. Prenons l’exemple d’une affiche de recrutement pour une association : le titre est-il visible, la date et le lieu sont-ils indiqués, y a-t-il une entrée par QR code, à qui s’adresse-t-elle — si vous ne le dites pas, ces informations n’apparaîtront pas sur l’image.
Il exécute, il ne réfléchit pas au contenu à votre place. Plus le prompt est précis, moins la validation demande de travail ; s’il est vague, il faut compter sur des régénérations répétées pour tomber juste. C’est aussi ce qui le distingue des outils de design traditionnels : l’outil de design met à l’épreuve la manipulation, la génération d’images met à l’épreuve la description.
Autrement dit, c’est aussi un exercice de « clarification du besoin ». Beaucoup pensent que produire une image est difficile parce qu’il faut dessiner ; en réalité, la difficulté est dans la description — il faut d’abord transformer une idée floue en une phrase bien structurée, et ce n’est qu’ensuite que l’outil entre en jeu.
03 Quels contextes se prêtent à une image générée à partir d’une phrase
▲ Figure 3 | Affiches de réunion de groupe, schémas conceptuels et schémas de processus ont en commun de ne pas être liés à des données réelles
La capture d’écran ci-dessous provient de l’interface d’illustration scientifique de MuchSci et correspond à une génération réelle : le prompt était « crée une affiche de recrutement pour une association, le 20 septembre devant le gymnase, scannez le code pour rejoindre le groupe, diffusion principalement dans le groupe des nouveaux étudiants, le titre doit être bien visible » ; après génération, il est possible de modifier à nouveau le prompt, de régénérer ou de supprimer.
▲ Figure 4 | Une affiche de recrutement générée à partir d’une phrase en langage naturel, et les trois actions après génération
En termes de contextes, dans la recherche et l’apprentissage, les images qui servent à « faire comprendre une idée » se prêtent le plus souvent à la génération : affiches de réunion de groupe, schémas conceptuels, schémas de processus. Ces images ne sont pas liées à des données réelles ; leur justesse se vérifie d’un coup d’œil par le lecteur — c’est précisément ce qui permet de les générer à partir d’une phrase. Les illustrations de notes de lecture, les visuels d’annonce d’activités d’association, les schémas conceptuels de présentation de cours relèvent de la même logique : il s’agit d’associer une image à « une idée », et non à « un ensemble de données ».
L’option de suppression mérite aussi d’être mentionnée : si le résultat ne convient pas, supprimez-le, sans garder de charge mentale. Le coût d’essai-erreur de la génération d’images est faible, mais les essais doivent porter sur le prompt, pas sur des clics répétés sur « régénérer » en comptant sur la chance.
04 Ce que l’on peut générer et ce que l’on ne peut pas générer
▲ Figure 5 | D’un côté, une génération par le langage pour communiquer ; de l’autre, un calcul à partir de données réelles pour présenter
La limite est ici : une image générative n’est pas un graphique de données. Dans une courbe de résultats expérimentaux ou un histogramme de statistiques de questionnaire, chaque point et chaque barre doivent provenir de données réelles ; un graphique de données « généré » par le langage est faux — non pas mal dessiné, mais tout simplement inutilisable.
Les graphiques statistiques fondés sur des données réelles doivent suivre la voie des illustrations d’article scientifique : être calculés et tracés à partir des données, de manière recalculable et vérifiable. Les deux types d’images ont chacun leur usage ; le plus problématique quand on les mélange, c’est l’étape d’évaluation : une image générée qui ressemble à un graphique statistique peut faire douter de la crédibilité de l’ensemble du document.
Une méthode d’auto-vérification simple : si cette image doit être refaite avec un autre jeu de données, c’est un graphique de données, n’utilisez pas la génération ; si son contenu est sans rapport avec les données et concerne seulement « comment expliquer clairement », alors la génération est parfaitement adaptée.
05 Limites
Comme d’habitude, mettons les limites sur la table.
① Cet article porte sur la place et le mécanisme de la fonction ; il ne constitue pas une promesse sur la qualité des images générées. Le résultat dépend du degré de précision du prompt et de la complexité du contexte ; si la description n’est pas claire, l’image ne sera pas juste.
② Avant d’utiliser une image générée dans un document officiel, une relecture humaine est nécessaire. Les informations telles que le titre, la date et le QR code doivent être vérifiées point par point ; le modèle génératif peut se tromper dans le dessin ou dans le texte ; le jugement professionnel ne peut pas être externalisé.
③ Les images génératives ne doivent pas servir à présenter des données réelles. Pour les exigences de format et de crédit des illustrations d’article scientifique, les règles en vigueur de la revue et de l’établissement concernés font foi ; les images générées ne servent qu’à la communication dans des contextes de recherche et d’apprentissage.