Pourquoi « Recommande-moi une tenue » est toujours décevant — L'art de briefer l'IA
Pourquoi « Recommande-moi une tenue » est toujours décevant — L'art de briefer l'IA
« Trouve-moi un look. » Face à cette simple demande, l'IA répond généralement par une proposition passe-partout. Or, une tenue qui convient à tout le monde ne convient souvent à personne en particulier. Le problème ne vient pas du modèle, mais de votre prompt.
Une question floue appelle une réponse banale
Imaginez que vous demandiez à un personal shopper : « Qu'est-ce que je mets aujourd'hui ? » Il ne vous donnera pas de réponse immédiate. Il vous posera d'abord une question : « Pour aller où ? »
C'est exactement la limite mise en avant par les recherches sur les systèmes de recommandation conversationnels. Les requêtes des utilisateurs manquent souvent de contexte précis (état sous-spécifié). L'une des qualités majeures d'un système intelligent est justement de clarifier ce manque en posant des questions ciblées, guidant ainsi l'utilisateur pour affiner sa demande au fil de l'échange.
Le souci, c'est que de nombreux services répondent immédiatement sans chercher à en savoir plus. Faute d'informations, l'IA génère une moyenne statistique sans âme. Et l'on finit par conclure, un peu vite : « L'IA n'a aucun style. »
Alors, quels éléments devez-vous lui fournir ?
L'anatomie d'un prompt parfait
Les études sur la recommandation de mode démontrent l'importance des détails techniques (matières, coupes), des repères visuels (silhouette, ambiance) et de la palette de couleurs. Sans en faire une équation rigide, voici une checklist ultra-efficace pour formuler vos requêtes.
En pratique, tout repose sur quatre piliers :
1. L'Occasion (TPO). Quand, où et avec qui. « Demain matin » et « samedi soir » n'appellent pas du tout les mêmes pièces.
2. La silhouette clé. Autour de quel vêtement construire le look. Préciser « autour d'un pantalon de tailleur bleu marine » réduit instantanément les options inutiles de moitié.
3. La palette de couleurs. Inutile de tout lister. Indiquer simplement les couleurs à écarter suffit souvent : par exemple, « pas de blanc ni de noir ».
4. L'ambiance (le mood). Quelle impression souhaitez-vous donner ? « Minimaliste et épuré », « casual chic mais travaillé ». Sans cette nuance, le résultat reste plat.
En réunissant ces quatre points, deux phrases suffisent pour transformer radicalement la pertinence de la recommandation. À l'inverse, sans contexte, la réponse restera sans surprise.
Mais attention : même le meilleur des prompts ne peut rien si la base de données n'est pas au point.
Avant le prompt : la qualité de vos données
L'IA ne peut composer qu'avec les vêtements enregistrés dans votre dressing.
Si seulement la moitié de votre garde-robe est répertoriée, le résultat ne sera optimal qu'à moitié. Même si la pièce parfaite dort dans votre armoire, l'IA ignore tout simplement son existence.
Plus délicat encore : les erreurs d'étiquetage. Si un pull en maille est enregistré dans la catégorie « Veste », votre prompt parfait générera une réponse parfaitement erronée. C'est encore pire que de naviguer à l'aveugle.
Il y a donc un ordre à respecter : numériser vos pièces, vérifier les catégories et attributs, puis peaufiner vos prompts. Inverser ces étapes ne vous donnera jamais le résultat escompté.
Une fois votre garde-robe prête, voici comment formuler vos demandes.
4 modèles de prompts prêts à l'emploi
Des templates pensés pour chaque situation, à copier-coller en adaptant simplement le nom de vos articles.
Au bureau
Réunion d'équipe demain matin, rendez-vous client l'après-midi. Style business casual.
Autour de mon pantalon droit bleu marine, veste obligatoire. Palette sobre et élégante.
En voyage
Rome en mars : 18 °C en journée, 9 °C le soir. Visite de deux églises prévue, épaules et genoux couverts.
Bagage cabine compact, pour 5 jours de tenues.
Mariage & Cérémonie
Mariage en intérieur ce samedi soir. Pas de blanc ni de noir.
Longueur sous le genou, à associer avec mes escarpins beiges.
Rendez-vous & Sortie
Bar à vin décontracté ce vendredi soir. Peu de marche.
Look soigné mais sans effort (effortless). Autour de mon blouson en cuir actuel.
Chacun de ces exemples ne compte que deux ou trois phrases, mais intègre l'Occasion, la silhouette, la couleur et le style recherché.
La phrase en plus qui change tout
Vous pouvez aller encore plus loin dans l'échange.
Une fois la recommandation affichée, demandez : « Pourquoi as-tu choisi cette combinaison ? » La justification de l'IA mettra en lumière ce que vous avez omis de préciser. Si elle répond « Pour respecter une palette automnale », c'est qu'elle a supposé la saison sans que vous l'ayez mentionnée. Vous saurez exactement quoi ajuster au tour suivant.
Et si le look proposé ne vous plaît pas, raisonnez par élimination : « Sans le look porté la semaine dernière », « Pas de haut en maille ». Exclure des options ouvre bien plus de portes créatives que d'en ajouter indéfiniment.
Dans le module IA Style d'Acloset, collez ces templates et ajustez vos pièces clés. Enregistrez les meilleures propositions dans vos Tenues, puis affinez vos prochaines demandes avec vos préférences et exclusions.
L'IA n'était pas à court d'idées : elle attendait simplement le bon brief.
❓ Questions fréquentes
Q : Faut-il écrire un prompt très long pour obtenir un bon résultat ?
A : Le contexte prime sur la longueur. L'occasion, la pièce maîtresse, la couleur et l'ambiance forment le mix idéal : deux phrases bien ciblées suffisent largement.
Q : L'IA me propose toujours les mêmes Tenues.
A : Ajoutez une règle d'exclusion. Des précisions comme « sans les pièces portées récemment » ou « sans cette couleur » forcent l'algorithme à explorer de nouvelles associations.
Q : Comment formuler ma demande dans l'IA Style d'Acloset ?
A : Copiez l'un des templates de cet article et remplacez simplement les pièces par votre sélection d'articles. Sauvegardez le look généré dans vos Tenues et ajoutez vos contraintes au fil des échanges.
Références et sources :
- ACM Computing Surveys, « A Survey on Conversational Recommender Systems »
- ACM Transactions on Intelligent Systems and Technology, « Analysing Utterances in LLM-Based User Simulation for Conversational Search »
- Fashion and Textiles (Springer), « LLM-generated content-based explanations for user experience in fashion recommender systems »
Publié par l'équipe éditoriale d'Acloset Magazine.
Organise Ton Dressing Maintenant
Mieux s'habiller, moins acheter — avec Acloset.
