En pratique clinique, nous apprenons souvent que ce qui semble « parfait » n’est pas toujours ce qui aide le plus les patients. Un exemple récent issu de l’IA illustre cette idée de manière inattendue. Un nouveau prompt, utilisé avec un modèle d’image avancé (GPT Image 2), lui demande de redessiner des images dans un style très brouillon et maladroit, comme un dessin rapidement esquissé à la souris dans MS Paint. De manière surprenante, le modèle suit très bien cette consigne, alors même qu’il a été conçu pour produire des images très réalistes et de haute qualité.
À première vue, cela peut sembler anecdotique, voire amusant. Pourquoi demander à un système avancé de produire quelque chose de « médiocre » ? Mais du point de vue clinique, cela met en lumière un point essentiel. En thérapie, des représentations simples, imparfaites ou symboliques sont souvent plus utiles que des images très abouties. Par exemple, certains patients, notamment les enfants ou les personnes présentant des difficultés cognitives ou langagières, s’engagent plus facilement avec des dessins simples qu’avec des images détaillées. Un rendu « brouillon » peut paraître plus accessible et moins intimidant.
Cela renvoie à la manière dont les individus traitent l’information. Tout le monde ne pense pas de manière abstraite ou complexe. De nombreuses personnes comprennent mieux à travers des formes simples, concrètes ou visuelles. Dans ce contexte, demander à une IA de « réduire » la qualité de ses productions ne revient pas à la rendre moins performante, mais à la rendre plus flexible et mieux adaptée à des besoins variés. La valeur réside dans l’adéquation entre l’outil et la personne, et non dans la perfection technique.
Un aspect particulièrement intéressant de GPT Image 2 est sa capacité à suivre précisément les instructions. Les systèmes d’IA plus anciens avaient tendance à « améliorer » automatiquement les résultats, même lorsque cela n’était pas souhaité. Ils pouvaient rendre les images plus propres ou plus réalistes, en ignorant l’intention de l’utilisateur, ce qui pouvait être source de frustration. À l’inverse, ce modèle plus récent respecte davantage le prompt. Il exécute la consigne, même si cela implique de produire un résultat volontairement imparfait.
Pour les cliniciens, cette logique est familière. En thérapie, l’objectif n’est pas toujours d’obtenir la réponse « la meilleure » ou la plus élaborée, mais celle qui est la plus utile pour le patient à un moment donné. Un croquis rapide, une métaphore simple ou une explication imparfaite peuvent parfois ouvrir des échanges plus significatifs qu’un contenu très abouti. De cette manière, le comportement de l’IA reflète un principe clinique fondamental : l’utilité dépend du contexte.
Cette observation ouvre également des perspectives intéressantes en recherche. Si l’on peut guider une IA pour produire à la demande des résultats de haute qualité ou d’une qualité volontairement simplifiée, il devient possible d’explorer la manière dont elle « comprend » les images. Par exemple, lorsqu’elle génère une version brouillonne d’une image, quels éléments conserve-t-elle et lesquels altère-t-elle ? Cela peut contribuer à mieux comprendre la manière dont le modèle hiérarchise l’information visuelle, avec des implications potentielles en sciences cognitives ou en recherche sur la perception.
Cependant, certaines limites doivent être prises en compte. Un système qui suit très fidèlement les instructions peut aussi produire des résultats inappropriés ou trompeurs si le prompt est imprécis ou mal formulé. En contexte clinique ou éducatif, cela peut générer de la confusion. Par exemple, une image volontairement « mauvaise » pourrait être interprétée comme une erreur plutôt que comme un choix intentionnel. Cela implique que les utilisateurs doivent faire preuve de clarté et de discernement dans l’usage de ces outils.
Des considérations éthiques s’imposent également. Lors de l’utilisation de l’IA en contexte clinique ou de recherche, nous sommes responsables des contenus générés. Il est nécessaire d’être transparent sur les modalités de création des images et de veiller à ce qu’elles ne soient pas confondues avec des données réelles ou des représentations fidèles. Les questions de biais et d’interprétation restent également centrales. Même une image simple ou « imparfaite » reste influencée par les données d’entraînement du modèle, qui peuvent contenir des biais implicites.
Dans l’ensemble, cet exemple montre que la véritable force de l’IA ne réside pas uniquement dans la production de résultats parfaits, mais dans sa capacité à s’adapter à différentes consignes et à divers besoins. Pour les thérapeutes et cliniciens, cette flexibilité est précieuse, car elle permet de créer des supports mieux ajustés aux patients, qu’il s’agisse de visuels détaillés ou de croquis simples et imparfaits.
À l’avenir, l’enjeu sera d’utiliser cette flexibilité de manière réfléchie, en s’intéressant non seulement à ce que l’IA fait le mieux, mais aussi à la manière dont elle peut répondre de manière plus simple, plus accessible et plus humaine, ouvrant ainsi de nouvelles perspectives pour la pratique, l’enseignement et la recherche.
Avant de conclure, essayez par vous-même : c’est à ce moment-là que tout devient concret. L’exécution de ce prompt permet d’expérimenter directement à quel point le modèle suit fidèlement les instructions, même lorsque l’objectif est de produire quelque chose de « volontairement médiocre » :
« Redessine l’image jointe de la manière la plus maladroite, brouillonne et franchement médiocre possible. Utilise un fond blanc et donne l’impression qu’elle a été réalisée avec une souris dans MS Paint. Le résultat doit être vaguement similaire, sans vraiment l’être : à la fois ressemblant et décalé, avec un rendu confus et approximatif, et cet aspect pixelisé qui souligne à quel point c’est volontairement de mauvaise qualité. En fait, peu importe, dessine-la comme tu veux. »