Décomposition de prompts dans Gemini et Kling : recréer une image Pinterest au style de votre marque

Quand le résultat d'une génération semble « presque bon, mais pas tout à fait », le problème vient le plus souvent non de l'outil, mais de la façon dont la requête est formulée. Une autrice de la communauté russophone de l'IA a partagé une méthode concrète qui fonctionne : décomposer le prompt en couches sémantiques distinctes permet de viser juste dès le premier ou le deuxième essai, au lieu de multiplier les dizaines d'itérations à l'aveugle.

Les outils de l'exemple sont Gemini pour la génération d'images et Kling pour l'animation. Le point de départ était une image Pinterest. La tâche n'avait rien de trivial : il ne s'agissait pas de la copier, mais de l'adapter au style de marque de l'entreprise, en conservant l'ambiance et la composition générale tout en remplaçant entièrement les couleurs, les détails et l'esthétique selon la charte graphique.

C'est là que commence la décomposition. Au lieu d'un seul long prompt, l'autrice a découpé l'image source en composants : la scène générale et l'atmosphère, la palette de couleurs, l'éclairage, les textures, le style de rendu, ainsi que les détails du premier plan et de l'arrière-plan. Chaque élément a été décrit séparément, couche après couche, en affinant progressivement les détails.

Gemini s'est chargé de la génération. Le principe clé n'est pas « tout mettre dans un seul prompt et espérer », mais un dialogue structuré qui affine chaque élément à tour de rôle. On définit d'abord la scène générale. On précise ensuite le style. Puis on ajoute les spécificités de la marque : les couleurs de la charte, les éléments caractéristiques de l'identité, les choix visuels autorisés et interdits.

Cette approche réduit fortement le nombre d'itérations : le modèle reçoit des instructions claires au lieu d'essayer de deviner l'intention à partir d'une description floue.

Les modèles multimodaux réagissent mieux à des descripteurs concrets qu'à des définitions abstraites. « Coucher de soleil chaleureux » donne un résultat imprévisible. « Éclairage orange doré à 45 degrés, ombres longues et douces » fonctionne de façon prévisible. « Bleu corporate dans l'esprit de la marque » est une consigne floue. « RVB 0, 82, 204, surface brillante, sans dégradés » est déjà précis. La décomposition de prompt traduit une image visuelle dans un langage que le modèle comprend sans ambiguïté.

Une fois l'image assemblée selon l'identité de la marque, Kling est entré en jeu : un outil qui anime des images fixes à partir de modèles génératifs vidéo. Ici aussi, la décomposition fonctionne : le prompt indique séparément ce qui doit bouger, à quelle vitesse, dans quelle direction et avec quelle intensité.

Un prompt d'animation n'est pas la description d'une vidéo, mais un ensemble d'instructions pour la physique de la scène. Quels éléments restent statiques, lesquels bougent, avec quelle visibilité, et faut-il un effet subtil de « respiration » ou une cinématique complète avec une caméra dynamique.

Le résultat final est une image de marque animée, réalisée sans graphiste ni vidéaste en quelques heures de travail avec deux outils.

L'approche passe à l'échelle : les mêmes principes valent pour les contenus de réseaux sociaux, les bannières publicitaires, les supports de présentation et tout visuel qui doit respecter la charte graphique. La méthode de décomposition de prompts est reproductible pour n'importe quel projet, n'importe quelle identité et n'importe quel outil génératif. Le principe ne change pas ; seuls les détails varient.

Pour appliquer cette méthode : commencez par la description la plus détaillée possible de la référence d'origine. Découpez-la en 5–7 caractéristiques distinctes. Rédigez le prompt non comme une longue phrase, mais comme une liste structurée de paramètres. Vérifiez chaque couche séparément avant d'assembler la requête finale.

C'est cette séquence, et non la magie d'un outil particulier, qui donne des résultats prévisibles avec n'importe quelle IA générative.