Du prompt au 3D : comment on intègre l'IA dans notre workflow motion design.

La direction artistique, chez nous, ne s'arrête jamais à une palette de couleurs ou une typographie. C'est ce qui tient un projet cohérent du premier wireframe au dernier pixel livré. Depuis quelques semaines, on teste jusqu'où l'IA générative peut prolonger ce travail, sans en perdre le contrôle : demander à Claude de piloter Blender, en français, sans toucher à un seul bouton du logiciel. Pas une démo, un vrai test de production avec mouvements de caméra, cadrages, scène complète. Le résultat nous a suffisamment bluffés pour qu'on ait envie d'en parler ici, avec ce qu'on a appris en route, y compris ce qui coince encore.

On parle à Claude, Claude parle à Blender

Le principe : un agent IA connecté à Blender via MCP (le protocole qui commence à devenir un standard pour brancher des outils sur des IA génératives) traduit une consigne écrite en instructions exécutées dans le logiciel. Pour ce faire, on lui dit ce qu'on veut voir (un travelling qui suit un véhicule, une entrée de champ en plongée, un plan qui tourne autour d'un objet), et il construit la scène et anime la caméra, de façon incroyablement précise.

Ce qui nous a surpris, ce n'est pas que ça marche. C'est la qualité des mouvements de caméra obtenus. On s'attendait à quelque chose de mécanique, on a eu des angles de vue et des rythmes qui tiennent la comparaison avec un travail fait par quelqu'un qui maîtrise vraiment le logiciel. Sans avoir jamais suivi une formation Blender. On compte avec l'IA, un peu comme on écrit du code sans connaître le langage machine en dessous.

Le vrai sujet, c'est la référence, pas la génération

Là où ça devient intéressant pour un usage client, c'est dans ce qu'on fait de cette scène une fois construite : elle sert de référence à un modèle de génération vidéo (Kling, Dreamina Seedance 2.5, Minimax, il y en a une dizaine qui se valent à peu près). Sans cette étape, générer une vidéo à partir d'un simple texte donne des résultats sympas mais imprévisibles. Deux lancements avec le même prompt peuvent sortir deux ambiances complètement différentes. Pour un client, c'est le pire scénario : impossible de garantir un résultat.

Avec une scène 3D en référence, le modèle vidéo n'a plus à inventer le mouvement de caméra ni le découpage, il n'a plus qu'à habiller ce qui existe déjà (lumière, matière, mouvement des éléments). On a testé ça sur une voiture : une référence de base assez simple, quatre roues et un châssis retravaillé à partir d'un dall existant, animée avec un mouvement de caméra fait dans Blender. Le rendu vidéo final gardait fidèlement le déroulé qu'on avait défini au départ, avec même du son ajouté automatiquement qui suivait les mouvements de caméra. Il y a un an, ce genre de génération produisait encore des glitchs visibles à chaque changement de plan. Sur les modèles actuels, on ne les voit quasiment plus.

Deuxième niveau qu'on a testé : au lieu de partir d'une scène 3D, on part de trois secondes d'une vidéo existante (un plan de voiture tuning, dans notre cas) et on en extrait uniquement le mouvement de caméra pour le reconstruire dans Blender, sans reprendre le sujet filmé. Ça permet d'aller chercher des mouvements plus cinématographiques, plus proches de ce que ferait un motion designer, sur des sites comme les banques de plans qui référencent des mouvements de caméra issus de vrais films et pubs. On applique ensuite ce mouvement à un tout autre objet. C'est cette étape-là qui rapproche vraiment le résultat d'un travail de motion designer plutôt que d'un rendu 3D générique.

Construire le contexte en nodes plutôt qu'en prompts isolés

Le vrai levier derrière tout ça, ce n'est pas un prompt bien écrit, c'est la façon dont on relie les étapes entre elles. On travaille sur une interface en nodes : un graphe où chaque étape de génération est un bloc connecté aux autres, et où le contexte circule d'un node à l'autre au lieu d'être retapé à chaque fois.

Concrètement, on part d'une image de direction artistique unique, posée comme node de référence. On donne à cette étape un rôle explicite (on lui dit par exemple qu'elle doit se comporter comme un motion designer 3D, avec des specs précises sur le rendu attendu), et ce rôle nourrit tous les nodes qui en découlent. De ce node de référence partent plusieurs branches : une pour générer les différentes vues d'un même objet (face avant, profil, trois-quarts), chacune optimisée pour le modèle utilisé à cette étape, une autre pour générer des variantes de colorimétrie ou d'angle de la même image, histoire de donner plus de matière au modèle pour qu'il se représente la scène sous tous les angles.

Ces branches se rejoignent ensuite dans un node d'assemblage, qui prend en entrée l'objet généré, la référence d'environnement, et, quand on part d'une vidéo existante, la toute première frame de cette vidéo, pour ancrer l'objet dans la scène de façon cohérente avec ce qui va suivre à l'animation. C'est cette structure en graphe, plutôt qu'une suite de prompts déconnectés, qui permet de garder le contexte intact sur des chaînes de génération à cinq ou six étapes.

On retrouve la même logique, en plus simple, sur certains templates orientés vidéo produit : on suit une courbe nodale déjà prête, on branche sa propre image en entrée, et le template gère l'enchaînement des étapes jusqu'au rendu final. C'est moins flexible qu'un graphe construit à la main, mais ça marche bien pour des formats répétitifs comme un packshot ou une vidéo produit.

Le piège de la référence trop détaillée

💡 Une leçon qu'on n'avait pas anticipée : plus le modèle 3D de départ est détaillé, plus la génération vidéo s'y accroche, et moins on arrive à s'en détacher.

On a testé avec une deuxième voiture, cette fois avec une vidéo de référence beaucoup plus poussée en amont, et le résultat s'est révélé moins bon que prévu, justement parce que le modèle avait trop d'informations à respecter et perdait en liberté créative sur le rendu final.

C'est pour ça qu'on préfère maintenant partir de blocs très simples (littéralement des cubes) pour construire le déroulé d'une scène ou d'un storyboard. On garde le détail pour plus tard, une fois que le mouvement de caméra et le rythme sont validés. Retravailler un cube en objet fini est rapide ; refaire un mouvement de caméra sur un modèle déjà détaillé, beaucoup moins.

Garder une cohérence de style d'une image à l'autre

Sur des projets où l'objectif est une série d'images plutôt qu'une vidéo (une mascotte de marque, un produit décliné sous plusieurs angles), le problème change de nature. Il ne s'agit plus de contrôler un mouvement mais d'éviter que le style dérive d'une frame à l'autre : un visage qui change, une texture qui n'est plus la même, une dissonance de colorimétrie entre deux plans d'une même séquence.

Ce qui fonctionne le mieux, dans notre expérience : traiter chaque élément séparément avant de l'assembler. On détoure un personnage, un objet, un décor, chacun avec sa propre passe de retouche, puis on les recompose ensemble dans la scène finale. On a testé ça sur une mascotte, avec un rendu volontairement à mi-chemin entre peinture texturée et 3D, précisément pour éviter la patine lisse qu'on reconnaît maintenant à des kilomètres sur les sites qui font de la génération IA sans y mettre de direction. Ce style-là, une fois qu'on est allé le chercher, se reproduit bien plan après plan.

Une astuce qui aide beaucoup sur ce point : donner à l'agent un rôle explicite avant de lui demander quoi que ce soit. On peut lui dire, par exemple, qu'il agit comme motion designer 3D, avec des specs précises sur le rendu attendu. Ce contexte, une fois posé, améliore nettement la cohérence des générations suivantes, y compris quand on lui demande ensuite plusieurs variantes d'un même visuel (colorimétrie, angle) pour qu'il ait plus de matière pour se représenter la scène.

Ce que ça donne sur des usages plus simples

Tout n'a pas besoin d'être aussi élaboré pour être utile. On a des flows beaucoup plus directs qui tournent bien : générer une série de goodies avec le logo d'une marque (casquettes, mugs, et le reste), décliner une bannière YouTube en plusieurs variantes, ou tourner autour d'un produit client photographié une seule fois pour en sortir plusieurs angles exploitables. Ce sont des cas où l'IA remplace clairement des heures de retouche manuelle, avec un contrôle correct sur le résultat, et où elle s'intègre naturellement dans un travail de design produit plus large.

Ce que ça coûte, concrètement

Un chiffre pour situer les choses : générer une vidéo courte via un modèle comme Dreamina Seedance 2.5 tourne rapidement autour de 7 dollars la génération. C'est cher pour un usage exploratoire, et ça reste un frein réel pour l'intégrer systématiquement à un projet. Des modèles comme Minimax arrivent déjà à un niveau de qualité proche pour environ deux fois moins cher, et la trajectoire des prix va clairement dans le même sens que celle de la qualité : à la baisse pour le coût, à la hausse pour le rendu.

On a un flow complet, testé bout en bout jusqu'à l'étape juste avant la génération finale, qu'on n'a pas encore pu lancer en vrai pour cette raison. Le principe est validé, le coût nous a arrêtés sur ce test précis. C'est le genre de calcul qu'on refait projet par projet.

Ce qu'on en retient pour un site web

L'application la plus concrète qu'on voit à court terme : des séquences vidéo courtes qui se déclenchent au scroll, pensées comme de vrais plans plutôt que comme une animation CSS un peu forcée. Pas du scrollytelling poussé à l'extrême (ce n'est pas toujours la meilleure option), mais des respirations vidéo qui habillent une page produit ou une home, avec un vrai travail de mise en scène derrière.

Ce qui rend ça possible aujourd'hui, ce n'est pas un seul outil miracle mais l'empilement de plusieurs : un process de génération documenté et reproductible d'un projet à l'autre, un outil qui permet d'enchaîner visuellement les étapes sans coder l'intégration entre les modèles, une librairie comme Lenis pour que le scroll et le déclenchement des séquences restent fluides une fois intégrés au site, et une base de recherche comme FilmVibes (plusieurs millions de plans indexés par mouvement de caméra, cadrage, lumière) pour aller chercher une intention de mise en scène avant même d'ouvrir Blender.

Ce qui ne change pas

Malgré tout ce qui devient accessible, le point qui ressort le plus clairement de ces tests : la partie qui fait vraiment la différence reste le choix de la référence et le style qu'on va chercher à obtenir. Un même outil, utilisé sans direction, produit ce rendu IA qu'on reconnaît maintenant au premier coup d'œil, et qui commence à jouer contre les marques qui l'utilisent trop tel quel. Utilisé avec une vraie intention artistique en amont, il produit des choses qu'on n'aurait tout simplement pas eu le temps ni le budget de faire il y a un an.

C'est exactement pour ça qu'on continue d'explorer ces outils : ils étendent ce qu'on sait déjà faire en direction artistique et identité de marque, ils ne le remplacent pas.

Un mouvement de caméra généré par IA a besoin d'autant de parti pris qu'une palette de couleurs ou un système typographique pour ne pas sombrer dans le générique. Si ce sujet résonne avec un projet de marque ou de refonte que vous avez en tête, on en discute volontiers.