L'intelligence artificielle peut-elle comprendre le goût cinématographique ?

Ce que les machines apprennent vraiment des films

Un système de recommandation ne connaît pas les films. Il connaît les comportements. Netflix décrit son « Foundation Model for Personalized Recommendation », présenté en 2025, comme un modèle fonctionnant selon le principe de la prédiction autorégressive – “our default approach employs the autoregressive next-token prediction objective, similar to GPT” – et dont l'objectif premier est simplement de prédire la prochaine interaction avec un titre (Netflix Technology Blog). Il est entraîné sur les historiques d'interaction de plus de 300 millions d'utilisateurs et des centaines de milliards d'interactions (Netflix Technology Blog). Ce n'est pas une formation du goût, mais un calcul de probabilités à grande échelle.

La personnalisation des visuels de titre fonctionne de manière similaire : Netflix choisit l'artwork affiché au moyen de ce qu'on appelle des contextual bandits et optimise ainsi la probabilité d'un “quality play”, mesurée comme “take fraction” (Netflix Technology Blog). L'entreprise personnalise ainsi explicitement “not just what we recommend but also how we recommend” – et fait état d'un “significant lift in core metrics” (Netflix Technology Blog). YouTube, de son côté, sépare ses recommandations depuis 2016 en deux étapes : une génération de candidats et un modèle de classement (Google Research).

Ces systèmes sont indéniablement performants. Mais ils répondent à une autre question que la question artistique. Ils mesurent ce qui fonctionne souvent. Ils n'expliquent pas pourquoi une image donnée est émotionnellement nécessaire dans une histoire donnée.

Du pronostic au jugement : des chiffres sans discernement

Le passage de la recommandation à l'évaluation constitue la véritable ambition du secteur. Les prestataires promettent de détecter le succès avant même le tournage. ScriptBook se présente comme “87 % financially accurate” avec une précision de feu vert de 80 pour cent à partir du seul scénario ; le brevet sous-jacent fait état d'une précision de classification allant jusqu'à 86 pour cent pour le succès et l'échec (ScriptBook). Largo.ai annonce une précision de feu vert de 82 pour cent et chiffre à plus de 12 000 les films analysés (Largo.io). Il s'agit dans les deux cas d'affirmations de prestataires qui n'ont pas résisté à un examen indépendant dans le cadre de cette enquête.

La recherche sérieuse est plus prudente. Une étude publiée en 2024 dans Scientific Reports a atteint une précision moyenne de pronostic de 83,7 pour cent pour le box-office à l'aide d'un réseau neuronal enrichi de commentaires ; sans les données de commentaires, les valeurs chutaient nettement (Scientific Reports). L'essentiel, toutefois, tient à l'objet : ce qui est pronostiqué, c'est le succès commercial, non la qualité artistique. Les auteurs eux-mêmes citent la sélection des données et l'effet COVID comme limites ouvertes (Scientific Reports).

C'est précisément ici qu'apparaît l'angle mort. Une analyse indépendante de ScriptBook par Cineuropa souligne que la finalité de l'analyse n'est pas de « saisir les subtilités d'un scénario, mais de comparer son contenu aux grandeurs connues de films déjà sortis » (Cineuropa). Dans le cas documenté du film Passengers, la prédiction de box-office était utilisable, mais l'outil n'a pas pu anticiper le mauvais accueil critique (Cineuropa). La critique tient en ces mots : “false objectivity” – des métriques objectives qui ne peuvent qu'étayer une décision subjective, sans jamais la prendre (Cineuropa).

La différence entre effet et vérité

Une machine peut-elle au moins mesurer l'effet émotionnel ? En partie. Des modèles d'affective computing tels qu'AttendAffectNet prédisent les émotions suscitées par un film à partir des pistes vidéo, audio et texte – mais uniquement sous forme des dimensions de valence et d'éveil, avec les meilleures valeurs de corrélation autour de 0,655 pour l'éveil et 0,575 pour la valence (Sensors). Il s'agit d'une approximation corrélative de réactions mesurées, non d'un jugement sur la vérité émotionnelle. De telles recherches esquissent la manière de modéliser les réactions du public sous forme de points de données ; elles ne remplacent ni un public de test représentatif ni un jugement esthétique, et un usage productif en studio de ce modèle précis n'est attesté dans aucune des sources examinées.

C'est exactement là qu'interviennent les projections-tests et les données de public. Elles peuvent regrouper les réactions, rendre visibles des motifs entre groupes de spectateurs et estimer des probabilités. Mais un public de test reste un échantillon, non un jugement de valeur, et différents spectateurs réagissent différemment à la même scène. Les systèmes automatisés de bandes-annonces et d'artwork, quant à eux, peuvent optimiser la sélection et la présentation du matériel – Netflix le démontre pour le choix personnalisé des visuels (Netflix Technology Blog). Toutefois, aucune des sources examinées pour cet article ne fournit la preuve qu'un système comprend la signature d'un réalisateur ou la nécessité artistique d'une image ; cette phrase doit se lire comme un constat de recherche et une mise en perspective journalistique, non comme une affirmation catégorique sur l'avenir.

On peut ainsi affiner l'axe conceptuel central de cet article. Sont mesurables ou pronosticables : la qualité technique, la probabilité statistique de succès, la notoriété, la popularité et – de manière limitée et corrélative – l'effet émotionnel. Restent en revanche normatives, culturelles et dépendantes du contexte : la vérité émotionnelle, l'originalité, la nécessité artistique et le goût personnel. Un film techniquement irréprochable, familier et statistiquement prometteur peut être émotionnellement vide. Une œuvre d'abord déroutante peut devenir culturellement marquante. Aucun système attesté ici ne tranche cette différence.

La raison est structurelle, non simplement graduelle. Les modèles comparent le nouveau au connu. C'est précisément pourquoi la recherche met en garde contre l'uniformité pilotée par les données : le constat classique de Fleder et Hosanagar montre que les systèmes de recommandation peuvent engendrer des « cycles auto-renforçants » dans lesquels les titres populaires sont recommandés plus souvent, consommés plus souvent, puis recommandés encore davantage – “These cycles reduce diversity” (INFORMS). Une expérience de terrain ultérieure portant sur 82 290 produits et plus de 1,1 million d'utilisateurs confirme que les filtres collaboratifs réduisent la diversité agrégée de l'offre, même si la diversité individuelle peut simultanément augmenter (University of Pennsylvania). Un système optimisé sur le connu tend à produire davantage de connu.

Ce qui se passe vraiment dans la pratique

Le tableau réel est plus nuancé que les deux extrêmes – la foi euphorique dans les machines comme le rejet en bloc. Le cas pratique sans doute le plus solide est Cinelytic : Warner Bros. Pictures International utilise la plateforme depuis 2020 pour évaluer contenus et talents et pour piloter les stratégies de sortie (Business Wire). Ce qui est remarquable, c'est son autolimitation. Le fondateur Tobias Queisser a déclaré à Fortune : “We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans” – et a précisé : “We're not in the business of forecasting hits or flops” (Fortune). En 2025, Cinelytic a élargi son portefeuille en rachetant Jumpcut Media et son outil d'analyse de scénarios ScriptSense ; parmi les clients cités figurent Lionsgate et Warner Bros. (Variety).

Au niveau des outils de postproduction, de telles automatisations sont commercialement disponibles depuis 2025. Blackmagic Design décrit, pour DaVinci Resolve 20, qu'“IntelliScript” construit automatiquement une timeline “with the best takes of user selected dialogue” à partir d'un script texte fourni par l'utilisateur, qu'“IntelliCut” peut supprimer les silences dans les dialogues et, par reconnaissance des locuteurs, placer chaque intervenant sur des pistes séparées, et que “Multicam SmartSwitch” sur la page de montage peut “automatically select angles based on who is speaking” (Blackmagic Design). Ce sont des suggestions assistives et des automatisations de tâches techniques – un premier montage, la coupe des silences, le choix de la caméra qui parle. Elles ne fondent ni une esthétique de caméra ni un rythme : pas la décision dramaturgique expliquant pourquoi une coupe, dans une scène émotionnelle, tombe une seconde trop tôt ou trop tard.

Un exemple souvent cité de la frontière entre analyse et jugement est la bande-annonce assistée par IA qu'IBM a développée en 2016 pour le film de 20th Century Fox Morgan. IBM Research décrit le projet comme une collaboration homme-machine : une analyse multimodale de l'image, du son, de l'ambiance et de la structure des scènes a identifié dix moments appropriés, ensuite agencés et montés par un cinéaste professionnel (IBM Research). Selon John Smith, directeur de recherche chez IBM, le monteur a utilisé neuf des dix clips proposés, ajusté leurs limites, posé les transitions et choisi la musique – “that was a completely human process” (VICE). Le système a analysé et proposé des moments ; la sélection cinématographique et le montage final sont restés humains. En tant qu'expérience historique, ce cas illustre le potentiel de l'analyse automatisée de bandes-annonces – non un goût cinématographique autonome.

Contre-arguments, limites et risques

L'objection la plus forte au scepticisme est la suivante : le goût humain, lui aussi, s'apprend, façonné par l'expérience, la culture et l'imitation. Si un modèle reconnaît des motifs qui « fonctionnent », fait-il quelque chose de fondamentalement différent d'un monteur expérimenté ? La différence démontrable tient moins à la capacité de reconnaissance de motifs qu'à ce qui peut être mesuré. Les systèmes optimisent des grandeurs observables – clics, temps passé, chiffre d'affaires. La nécessité artistique, l'empreinte culturelle et les mauvais choix audacieux et productifs ne sont définis comme objectif mesurable dans aucune des sources examinées ici.

Il en découle des risques concrets. Premièrement, le danger documenté d'homogénéisation par des cycles de popularité auto-renforçants (INFORMS). Deuxièmement, la “false objectivity” des outils de pronostic, dont les chiffres suggèrent une certitude là où il faudrait prendre une décision culturelle et esthétique (Cineuropa). Troisièmement, la confusion entre qualité technique et vérité : une image peut être parfaitement composée et pourtant insignifiante. En même temps, il serait erroné de dénier à l'IA toute pertinence. Comme outil analytique – pour l'évaluation des risques, l'automatisation du travail technique, la personnalisation de la distribution – son utilité est attestée. La frontière ne passe pas entre l'humain et la machine, mais entre le mesurable et le jugement.

Conclusion : entre corrélation et sens

Un système d'IA peut apprendre quelles images, histoires ou coupes fonctionnent souvent. Il peut regrouper les réactions des groupes-tests, estimer des probabilités et mettre au jour des corrélations qui échappent à l'œil humain. Il ne s'ensuit pas qu'il comprend pourquoi une image donnée est émotionnellement nécessaire dans une histoire donnée. Le goût n'est pas la seule popularité, et la probabilité statistique n'est pas un jugement esthétique. L'état honnête des choses en 2026 se situe entre deux récits commodes : la machine ne remplace ni la signature du réalisateur, ni n'est sans importance. Elle déplace la question. Non plus : qu'est-ce qui va probablement fonctionner ? Mais : qui décide lorsque les données et l'intuition divergent – et qui assume le risque créatif lorsqu'une œuvre déroutante s'avère être celle qui marque ? Pour l'instant, cette décision reste un jugement humain.