Les grands modèles d’IA texte-image tendent à uniformiser les contenus générés, en reconduisant notamment des stéréotypes préjudiciables issus des régularités statistiques apprises lors de leur entraînement, sans que les praticien·ne·s puissent réellement les contourner par le simple usage des prompts.

Face à ce constat, ce projet réunit deux vidéos, Wh!te (2024) et Neural Breakdowns (2025), issues de ma démarche de recherche-création plus largement consacrée au bricolage critique d’un modèle d’IA texte-image en particulier : Stable Diffusion. J’y explore ce que je nomme des pipelines anti-normatifs. C’est-à-dire des chaînes de modules algorithmiques, assemblées dans des interfaces graphiques, qui détournent les usages standard de ce modèle, questionnent ses potentiels inexplorés, et confrontent ses biais encodés.

En concevant ces pipelines, j’automatise largement la génération de prompts et d’images. Cette mise en retrait volontaire de mon influence permet de mieux révéler les tendances stéréotypiques de Stable Diffusion lorsqu’il fonctionne en autonomie. Simultanément, elle me pousse à me placer dans une posture d’utilisateur perturbateur tentant de déjouer cette tendance en opérant, non plus sur ce que je souhaiterais représenté via les prompts, mais en intervenant directement sur l’infrastructure algorithmique : modulation fine du processus de débruitage, pondérations volontairement aberrantes des termes du prompt pour provoquer des altérations locales de l’image, ajout de modules qui intensifient une esthétique du glitch.

L'objectif est alors de déplacer le mode d’usage de ces IA vers un travail à la fois critique et créatif qui rend visible l’infrastructure de l’IA et les possibilités de défigurer les stéréotypes avec elle.