AI Showreel l'analyse niveau grand cabinet, pour tout le monde
← La base
Preuve B Signaux mitigés

Lidl

campagne genAI participative : generateur d'images UGC dans la palette de marque

IndustrieRetail & e-commerceLevierAcquisitionFamilleGénérationImplémentationIA customÉtapedecouverte
Pattern prouvé dans 8 industries encore vierge en Média & entertainment, Voyage & hospitality, Food & beverage +4 Voir la carte du pattern
1,7 million
Visuels uniques generes en 3 semaines
"users created over 1.7 million unique visuals" S1

En 2025, Lidl France et l'agence Marcel (Publicis) ont lance Lidlize, une app genAI (modele Bria fine-tune plus OpenAI et spaCy) qui a genere plus d'1,7 million de visuels de marque en trois semaines, avec plus d'un million de participants et des pics au-dela de 1000 requetes d'images par minute.

L'essentiel

  • App genAI Lidlize laissant le public creer des objets dans la palette de marque Lidl.
  • Modele Bria fine-tune, LLM OpenAI pour l'intention, spaCy pour la moderation, sur AWS.
  • 1,7 million de visuels et plus d'1 million de participants en 3 semaines.
  • Preuve B, statut signaux mitiges : campagne ponctuelle primee au D&AD 2025.

Objectif

Faire vivre la marque Lidl aupres du grand public en le laissant creer lui-meme des objets a l'identite visuelle de l'enseigne, avec une mecanique virale : la creation la plus aimee est fabriquee et vendue pour de vrai.

Le déploiement

Lidl France, avec l'agence Marcel (Publicis), a lance une app appelee Lidlize qui laisse n'importe qui generer un visuel dans la palette rouge, bleu et jaune de la marque. L'utilisateur tape le nom d'un objet, une voiture, des baskets, une statuette pour animal, sans aucune competence en prompt engineering. Derriere, un LLM d'OpenAI interprete l'intention et compose un prompt structure, spaCy applique les regles de contenu autorise, et un modele de Bria entraine sur le langage visuel de Lidl produit l'image pour qu'elle reste reconnaissable comme du Lidl quel que soit l'objet demande. Les creations etaient exposees dans une galerie publique ou la communaute votait : la plus aimee devait etre reellement fabriquee et vendue par l'enseigne, ce qui donnait la mecanique d'incitation. Le systeme tourne sur AWS, avec une entree multilingue (saisie francaise traduite) et un temps de generation ramene de 8 a 2 secondes pour tenir la charge.

Le cas en action

Couverture presse

Lidl - Lidlize (case study) · voir sur YouTube

Résultats Preuve B

1,7 million
Visuels uniques generes en 3 semaines
"users created over 1.7 million unique visuals" S1
1000+ req/min
Pic de charge en requetes d'images par minute
"image requests peaked at over 1,000 per minute" S1
8 s ramene a 2 s
Temps de generation
"reduced from 8 seconds to 2 seconds" S1
plus d'1 million
Participants
"Over one million people participated, generating more than 2 million products" S2

Etude de cas du vendor Bria chiffree, plus presse etablie (PYMNTS) citant nommement Lidl et Marcel, plus fiche d'archive officielle D&AD confirmant l'echelle de participation. Sources concordantes sur les memes ordres de grandeur. Pas de niveau A : aucun resultat financier ni chiffre d'affaires attribue.

Comment ça fonctionne

Architecture documentée
boucle virale : le plus aime devient produit Saisie libre del'utilisateur (nomd'objet) Interpretationd'intention et promptstructure OpenAI Regles de contenuautorise spaCy Generation image dans lestyle Lidl Bria (fine-tune) App Lidlize et galerie devotes AWS Vote communautaire ;gagnant fabrique en vrai

La stack en détail

  • llm Bria Modele de generation d'images fine-tune sur le langage visuel de Lidl
  • llm OpenAI Interpretation de l'intention utilisateur et generation du prompt structure
  • outil spaCy NLP open source pour l'application des regles de contenu autorise
  • infra AWS Hebergement et auto-scaling pour tenir les pics de charge

Comment ça tourne, concrètement

Pour les équipes ops
CadenceTemps reel pendant la fenetre de campagne (environ 3 semaines), generation a la demande de chaque utilisateur
Opéré parAgence creative (Marcel) plus l'equipe marque Lidl France, sur une infra cloud auto-scalee
  1. 1
    Saisie libre de l'utilisateur client / grand public

    L'utilisateur tape le nom d'un objet dans l'app, sans prompt engineering, en francais.

  2. 2
    Interpretation et structuration du prompt IA

    Un LLM d'OpenAI comprend l'intention et compose un prompt structure standardise ; spaCy filtre le contenu autorise.

  3. 3
    Generation dans le langage visuel Lidl IA

    Le modele Bria fine-tune produit l'image dans la palette et le style de la marque, en environ 2 secondes.

  4. 4
    Exposition et vote communautaire client / equipe marque

    La creation entre dans une galerie publique ou la communaute vote ; le visuel le plus aime est destine a etre fabrique et vendu.

Le signal qui pilote

L'intention de l'utilisateur (le mot ou l'objet saisi) : c'est ce que le LLM transforme en prompt structure. Si l'interpretation d'intention ou la moderation lachent, on genere du hors-charte ou du contenu interdit, et l'image ne ressemble plus a du Lidl.

Comment vos clients perçoivent ce type d'usage

Études sourcées

Un ecart net separe les annonceurs des consommateurs : 77% des annonceurs voient l'IA positivement contre 38% des consommateurs (Yahoo/Publicis, 2024). Les mesures implicites confirment le rejet declare : en EEG, les pubs generees par IA produisent une activation memorielle plus faible que les pubs traditionnelles et sont decrites comme agacantes, ennuyeuses et confuses (NIQ, 2024). La disclosure a un effet ambivalent : elle augmente fortement la confiance quand elle est remarquee (Yahoo/Publicis), mais 27% des jeunes consommateurs disent faire moins confiance a une entreprise dont la pub est creee par IA (IAB, 2024).

77% vs 38%
Annonceurs qui percoivent l'IA positivement, contre 38% des consommateurs (2024)
72%
Consommateurs qui estiment que l'IA rend difficile de savoir quel contenu est authentique (2024)
+96%
Lift de confiance globale envers l'entreprise quand la mention IA d'une pub est remarquee (avec +47% d'attrait de la pub et +73% de credibilite de la pub) (2024)

Conditions d'acceptation

  • Une disclosure visible : quand la mention IA est remarquee, la confiance globale envers l'entreprise augmente de 96% (Yahoo/Publicis 2024)
  • Une qualite visuelle suffisante : les visuels IA de basse qualite augmentent l'effort cognitif et distraient du message (NIQ 2024)

Lignes rouges

  • Le contenu IA non declare puis identifie : 72% des consommateurs disent que l'IA rend l'authenticite difficile a etablir (Yahoo/Publicis 2024) et les marques utilisant des pubs IA sont plus souvent jugees inauthentiques ou non ethiques par les consommateurs que par les dirigeants (IAB 2024)
  • Les mannequins et personnes generes par IA : 46% des consommateurs n'en veulent pas dans la publicite, l'inquietude premiere etant les standards de beaute irrealistes (Attest 2025)

Sources : Yahoo / Publicis Media (terrain Ebco) 2024 · IAB (avec Attest) 2024 · NIQ (NielsenIQ) 2024 · Attest 2025

Voir l'acceptation complète : par pays, par usage, par génération

Comment répliquer

Inférence - non sourcé

Prérequis data

  • Un langage visuel de marque suffisamment codifie (palette, formes, style) pour fine-tuner un modele de generation
  • Des jeux de donnees d'entrainement licencies, pour eviter le risque de contenu non source
  • Des regles explicites de contenu autorise a traduire en filtres de moderation

Prérequis orga

  • Une agence creative ou une equipe capable d'orchestrer LLM d'intention, moderation et modele image
  • Une mecanique d'incitation reelle cote enseigne (ici, fabriquer le produit gagnant) pour declencher la viralite
  • Une infra capable d'absorber des pics de trafic soudains (auto-scaling)
  • Une revue juridique sur les images soumises et generees (RGPD, droit a l'image, AI Act)

Stack possible

  • Modele de generation d'images fine-tunable sur une charte (type Bria)
  • LLM pour transformer une saisie libre en prompt structure
  • Bibliotheque NLP pour la moderation (type spaCy)
  • Cloud avec auto-scaling
  • Galerie web avec systeme de votes
Équipe pour opérerUn directeur de creation cote agence, un profil technique pour brancher LLM d'intention, moderation et modele image, un data/MLOps pour le fine-tune et la charge, un juridique pour le contenu.

Première étape : Verifier qu'on peut fine-tuner un modele de generation sur la charte de marque avec des donnees licenciees : c'est ce qui rend chaque image reconnaissable et defendable juridiquement.

Sources

  1. S1 How Lidl Used GenAI to Fuel a Viral Grocery Marketing Campaign Presse établie pymnts.com · 2025-06-03 · consulté le 2026-07-12 archive à générer
  2. S2 Lidlize - D&AD Awards archive (Wood Pencil, Creator Content, 2025) Primaire dandad.org · 2025 · consulté le 2026-07-12 archive à générer
  3. S3 Case Study: Personalized AI Marketing Campaign - Lidl (Bria) Officiel intéressé pages.bria.ai · consulté le 2026-07-12 archive à générer
  4. S4 How Lidl Went Viral with 1.7 Million AI-Generated Products Secondaire influencermarketinghub.com · 2025-06-16 · consulté le 2026-07-12 archive à générer