Numériser l'archive d'une marque pour l'IA : scan, indexation et droits
Comment transformer vêtements, textiles et documents en une archive consultable et exploitable, et quelles questions de droits régler avant d'entraîner un modèle ou de le solliciter à partir d'elle.
L'ESSENTIEL Résumé de la rédaction
- Une revue de 2025 menée par des chercheuses du Politecnico di Milano range les éléments d'archive en cinq catégories : vêtements et accessoires, textiles et échantillons, documents techniques et de production, supports visuels et promotionnels, archives historiques et d'entreprise.
- L'IA peut aider pour les métadonnées, la restauration et la reconstruction 3D, mais la revue note que de nombreuses archives ne sont que partiellement numérisées et que leurs métadonnées sont souvent incomplètes ou incohérentes.
- L'exemple de Virginia Tech cité dans la revue a utilisé des plongements de mots (word embeddings) pour générer des métadonnées descriptives supplémentaires pour une collection de costumes et de textiles, avec un humain dans la boucle.
- La revue signale le droit d'auteur, la propriété des données et la propriété intellectuelle comme des sujets de préoccupation lorsque le contenu d'archive sert à entraîner des modèles génératifs sur mesure.
- Selon les lignes directrices de l'Office américain du droit d'auteur, la production d'un modèle entraîné sur une archive n'est protégeable que pour sa part d'apport humain : une archive ne rend donc pas, à elle seule, les créations générées appropriables.
Numériser l'archive d'une marque pour l'IA, c'est capturer chaque pièce avec une qualité homogène, la décrire à l'aide d'un vocabulaire contrôlé, consigner qui détient les droits sur chacune, et seulement ensuite décider comment l'IA peut l'utiliser. Le scan est la partie facile. L'essentiel de la valeur durable, comme du risque, se joue dans les métadonnées et dans le registre des droits.
Que contient une archive de mode ?
Une revue intégrative de 2025 de Greta Rizzi et Daria Casciani, du Politecnico di Milano, publiée dans l'European Journal of Cultural Management and Policy, recense cinq catégories d'éléments d'archive : vêtements et accessoires, textiles et échantillons de tissus, documents techniques et de production, supports visuels et promotionnels, archives historiques et d'entreprise. Chacune appelle une méthode de capture différente et porte des droits différents. Un dessin technique réalisé par un salarié, une photographie d'un photographe indépendant et un imprimé sous licence correspondent à trois situations de propriété distinctes.
La revue avertit aussi que de nombreuses archives ne sont que partiellement numérisées et que les métadonnées sont souvent incomplètes ou incohérentes. Cela compte pour l'IA, car un modèle ou un système de recherche ne vaut que par les descriptions et les liens qu'il peut lire.
Comment scanner et capturer les pièces d'archive ?
Les choix de capture dépendent de l'objet. Les pièces à plat, comme les croquis, les échantillons et les imprimés, se prêtent à un scan à plat en haute résolution avec mires de référence de couleur. Les vêtements demandent une photographie standardisée et parfois une capture 3D. La revue du Politecnico di Milano note que le scan 3D des textiles a ses limites, notamment pour saisir les détails fins de surface et gérer les variations de réflectivité, et suggère que l'IA peut aider à combler les lacunes et à corriger les erreurs de scan. Il faut traiter toute image réparée par IA comme une œuvre dérivée et conserver l'original intact.
- Utiliser une résolution, un profil colorimétrique et un format de fichier homogènes pour chaque type de pièce.
- Inclure une référence de couleur et d'échelle dans chaque capture.
- Stocker les masters originaux séparément des copies de travail et des versions restaurées par IA.
- Attribuer à chaque pièce un identifiant persistant qui relie images, fiches et données de droits.
Comment l'IA peut-elle aider à indexer et à cataloguer une archive ?
La revue décrit plusieurs exemples. Le département Fashion Merchandising and Design de Virginia Tech a utilisé des plongements de mots pour générer des métadonnées descriptives supplémentaires pour l'Oris Glisson Historic Costume and Textile Collection, selon une approche avec humain dans la boucle. Le projet SILKNOW a combiné réseaux de neurones, graphes de connaissances et traitement automatique du langage naturel pour améliorer la recherche et uniformiser les données multilingues sur le patrimoine de la soie. Un projet appelé FabricNet applique des réseaux de neurones convolutifs à la reconnaissance de types de fibres textiles à partir d'images de surface.
Le schéma commun est que le modèle propose et qu'un spécialiste confirme. Un modèle peut suggérer qu'une photographie montre un manteau croisé en laine, mais c'est le ou la conservateur qui connaît la saison, l'atelier et sait si la pièce est une réplique. Intégrez la relecture au processus et indiquez si chaque tag a été saisi par une personne, proposé par un modèle ou confirmé par une personne.
Quelles questions de droits faut-il régler en premier ?
La revue identifie le droit d'auteur, la propriété des données et la propriété intellectuelle comme des sujets de préoccupation, en particulier lorsque le contenu d'archive sert à entraîner des modèles génératifs sur mesure. Elle soulève aussi des questions de paternité et d'agentivité créative. Avant qu'une archive n'alimente un outil génératif, constituez un registre des droits qui répond aux questions suivantes pour chaque pièce ou groupe de pièces.
| Champ | Question à se poser | Pourquoi c'est important |
|---|---|---|
| Créateur | Salarié, indépendant, agence ou inconnu ? | Détermine qui détient le droit d'auteur et si la cession est documentée |
| Contenu de tiers | La pièce comprend-elle des imprimés, photographies ou logos sous licence ? | Les licences peuvent ne pas autoriser l'entraînement d'une IA ou un usage dérivé |
| Durée et territoire | La licence est-elle toujours valable, et où ? | La réutilisation d'archives dépasse souvent la durée des licences d'origine |
| Données personnelles | Les images montrent-elles des personnes identifiables ? | Les exigences de protection de la vie privée et de consentement s'appliquent |
| Usage d'IA autorisé | Recherche seule, affinage interne ou outils externes ? | Limite ce qui peut sortir de l'entreprise |
| Provenance des tags | Humain, proposé par un modèle ou confirmé ? | Soutient le contrôle qualité et l'audit |
Peut-on entraîner un modèle sur sa propre archive ?
Des entreprises l'ont tenté. La revue du Politecnico di Milano cite notamment l'AI ARCHIVE d'Adidas, un modèle de diffusion entraîné sur des images de sneakers, et un système génératif entraîné par Norma Kamali avec Maison Meta sur 57 ans d'imagerie de la marque, ainsi que Burberry et Lanvin, qui ont animé par IA des images d'archives. La revue s'appuie sur des rapports d'entreprises et de la littérature grise, et reconnaît que cela peut introduire un biais optimiste à l'égard des résultats technologiques : il ne faut donc pas y voir une preuve de résultats commerciaux.
Entraîner ou affiner un modèle sur une archive dont on est propriétaire ne fait pas disparaître les autres questions. Des productions qui ressemblent à des pièces d'archive peuvent être proches des originaux, et le rapport de janvier 2025 de l'Office américain du droit d'auteur indique que la production d'une IA n'est protégeable que pour la contribution d'origine humaine. Un modèle entraîné sur une archive peut inspirer de nouvelles créations, mais il ne rend pas la production automatiquement appropriable ni exempte de risque de similarité.
À quoi ressemble un déploiement raisonnable ?
- Inventorier l'archive selon les cinq catégories et estimer la part déjà numérisée.
- Mener un pilote sur une collection bien connue, par exemple une saison ou une ligne de produits.
- Définir un vocabulaire contrôlé et un modèle d'indexation avant de lancer le moindre tagging par IA.
- Constituer le registre des droits de la collection pilote et marquer les pièces autorisées pour chaque niveau d'usage de l'IA.
- Lancer l'indexation par IA avec confirmation humaine et mesurer la fréquence des corrections apportées par les conservateurs.
- Décider si un usage génératif se justifie, et garder les productions étiquetées et tracées.
Le budget et les compétences constituent une autre contrainte. La revue range parmi les préoccupations économiques les budgets et compétences limités de nombreuses institutions, à côté d'une possible concentration du marché et de la marginalisation des plus petites organisations. Une marque disposant d'une archive modeste peut tout de même avancer en commençant par les pièces les plus précieuses et les mieux documentées, plutôt que de viser une couverture complète avant que le moindre bénéfice ne soit visible.
Questions fréquentes
Comment numériser une archive de mode ?
Capturez les pièces à plat par scan haute résolution avec une référence de couleur, photographiez les vêtements de manière homogène et envisagez une capture 3D lorsque c'est utile. Attribuez à chaque pièce un identifiant persistant, conservez les masters intacts et reliez chaque fiche à un registre des droits.
L'IA peut-elle indexer automatiquement les images d'une archive de mode ?
Oui, en première passe. Parmi les exemples d'une revue du Politecnico di Milano de 2025 figurent des métadonnées par plongements de mots pour une collection de costumes historiques et des réseaux de neurones pour des données sur le patrimoine de la soie, dans les deux cas avec relecture humaine. La confirmation par un spécialiste reste nécessaire pour les dates, les créateurs et le contexte.
Puis-je entraîner un modèle d'IA sur l'archive de ma marque ?
Techniquement oui, et certaines marques l'ont fait. Il faut d'abord confirmer la propriété et les licences de chaque pièce, vérifier les données personnelles et décider qui peut utiliser le modèle. Les productions exigent toujours des contrôles de similarité, et la protection par le droit d'auteur ne s'applique qu'aux contributions d'origine humaine aux États-Unis.
Quels sont les principaux risques de la numérisation d'archives pour l'IA ?
La revue de 2025 cite le droit d'auteur et la propriété des données, les biais et l'homogénéisation esthétique, des métadonnées incomplètes ou incohérentes, ainsi que des budgets et des compétences limités. La mauvaise qualité des métadonnées est l'obstacle pratique le plus fréquent.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
SOURCES
- Rizzi and Casciani: Scouting emerging AI applications in fashion heritage and archival practices (European Journal of Cultural Management and Policy)
- US Copyright Office: Copyright and Artificial Intelligence, Part 2: Copyrightability
- Chauvin et al.: Weaving the Future: Generative AI and the Reimagining of Fashion Design (arXiv)
