L'IA de la mode est-elle biaisée ? Tailles, carnations et équité expliquées

L'IA de la mode peut être biaisée, et le risque est le plus élevé là où personne ne le teste. Lorsque les données d'entraînement et les choix de conception se concentrent sur des morphologies étroites, des carnations claires ou certaines tranches d'âge, les images générées par l'IA, l'essayage virtuel, les recommandations de taille et la recherche peuvent moins bien fonctionner pour tous les autres. Les biais ne sont pas une fatalité, mais les réduire exige une collecte de données, des tests et un contrôle humain délibérés.

D'où viennent les biais de l'IA de la mode ?

• Données d'entraînement : l'imagerie de mode a longtemps montré un éventail restreint de corps et de carnations, et les modèles apprennent ces schémas.
• Données produit : si les grandes tailles sont moins souvent photographiées ou moins complètement décrites, l'IA a moins de matière pour apprendre.
• Données clients : les modèles de recommandation et de bien-aller apprennent des achats et des retours passés, qui reflètent ce qui a été proposé et à qui.
• Choix de conception : l'éventail de morphologies proposé dans un outil de mannequins virtuels ou un créateur d'avatars fixe des limites dès le départ.
• Évaluation : si un système est surtout testé sur des cas moyens, ses défaillances pour d'autres groupes passent inaperçues.

Que montre la recherche sur les biais de l'IA appliquée à l'image ?

Les données les plus connues portent sur l'analyse faciale. L'étude Gender Shades de Joy Buolamwini et Timnit Gebru, publiée en 2018, a évalué les systèmes de classification du genre d'IBM, de Microsoft et de Face++ sur 1 270 images. Les trois systèmes obtenaient de meilleurs résultats sur les personnes à la peau claire que sur celles à la peau foncée, et les pires sur les femmes à la peau foncée. Dans le système d'IBM, la précision atteignait 99,7 % pour les hommes à la peau claire et 65,3 % pour les femmes à la peau foncée. La conclusion des autrices était que l'inclusion exige une intention.

L'IA générative soulève des questions similaires pour la morphologie. Un article de 2025 présenté dans les Findings of NAACL, Decoding Fatphobia, a examiné les biais anti-gros et pro-minceur dans des images générées par DALL-E 3, à partir de 4 000 images créées avec des prompts contrastés et codées manuellement selon la corpulence. Les auteurs notent que les images générées par l'IA tendent à renforcer les biais sociaux. Pour la mode, où les mannequins générés et les visuels de campagne se multiplient, ces schémas comptent sur le plan commercial autant qu'éthique.

Lire aussi

AI Act européen : ce que les entreprises de mode doivent savoir en 2026

Quelles applications de l'IA dans la mode sont les plus exposées aux biais ?

Pourquoi les biais de taille comptent-ils sur le plan commercial ?

Les biais ne sont pas qu'une question éthique. Lorsqu'une recommandation de taille est moins précise pour certains clients, ceux-ci reçoivent plus souvent des articles qui ne leur vont pas, ce qui entraîne des retours et des ventes perdues. Lorsque les visuels produit générés par l'IA ne montrent les vêtements que sur une seule morphologie, les clients d'autres tailles disposent de moins d'informations pour juger du bien-aller et du tombé. Lorsque les systèmes de recherche ou de recommandation apprennent des ventes passées, les gammes qui étaient sous-stockées ou mal présentées peuvent être encore moins montrées, ce qui renforce le problème.

Ces effets sont mesurables. Comparer les taux de retour, la conversion et les réclamations clients selon les groupes de tailles et les régions peut révéler où les outils d'IA fonctionnent de manière inégale. Ce type d'analyse doit faire partie de chaque évaluation, aux côtés des taux de précision globaux fournis par les éditeurs.

L'IA peut-elle rendre la mode plus inclusive ?

L'IA peut aussi servir à montrer davantage de diversité. En avril 2023, Levi's a annoncé qu'elle testerait des mannequins générés par l'IA de morphologies, d'âges et de carnations différents avec l'entreprise néerlandaise de mode numérique Lalaland.ai. Après des critiques selon lesquelles le projet revenait à une diversité artificielle, Levi's a précisé que le pilote était une expérimentation et que l'IA ne remplacerait probablement jamais complètement les mannequins humains dans l'entreprise. L'épisode montre que l'inclusion par l'IA peut être perçue comme un raccourci si elle remplace une représentation réelle au lieu de la soutenir.

Les outils de mesure aident. En mai 2022, Google a publié la Monk Skin Tone Scale, une échelle de 10 nuances développée avec le sociologue de Harvard Ellis Monk, et l'a mise librement à disposition pour la recherche et le développement de produits. Google l'utilise pour évaluer l'équité des modèles de vision par ordinateur selon les carnations. Les équipes de la mode peuvent utiliser des échelles similaires pour structurer leurs jeux de test pour l'imagerie, l'essayage et la recherche visuelle.

Que dit la réglementation européenne sur les biais de l'IA ?

L'AI Act européen traite les biais le plus directement pour les systèmes à haut risque, comme ceux utilisés dans le recrutement, et au travers d'exigences de gouvernance des données. Le Digital Omnibus sur l'IA, règlement (UE) 2026/1744, a ajouté un article 4 bis qui autorise les fournisseurs et les déployeurs à traiter des catégories particulières de données personnelles lorsque c'est strictement nécessaire pour assurer la détection et la correction des biais, sous réserve de garanties comme la pseudonymisation, la limitation de la réutilisation et des contrôles d'accès stricts. C'est important, car tester les biais selon la carnation ou d'autres caractéristiques sensibles peut impliquer précisément ce type de données.

La plupart des applications de l'IA dans la mode, comme l'imagerie et les recommandations, ne sont pas à haut risque au sens de l'AI Act. Mais le droit de la non-discrimination, de la consommation et de la protection des données continue de s'appliquer, et des résultats biaisés peuvent rapidement nuire à la réputation.

Lire aussi

À qui appartient un design de mode généré par l'IA ? Droit d'auteur et propriété intellectuelle expliqués

Comment les marques de mode peuvent-elles réduire les biais de l'IA ?

1. Définir quels groupes comptent pour chaque application, comme les gammes de tailles, les carnations, les âges et les genres.
2. Constituer des jeux de test représentatifs et mesurer les performances pour chaque groupe, pas seulement en moyenne.
3. Demander aux éditeurs comment leurs modèles ont été entraînés et testés en matière de biais, et en exiger les résultats.
4. Associer des évaluateurs divers et, si possible, des clients à l'évaluation des résultats.
5. Surveiller les résultats après le lancement, par exemple les retours par groupe de tailles, et refaire les tests après chaque mise à jour.
6. Utiliser les visuels générés par l'IA en complément, et non en remplacement, d'une représentation réelle dans les campagnes.