L'agent publicitaire des chercheurs de JD a appris son montage à partir de vidéos cliquées, et son test en conditions réelles n'a compté que les clics
CutAgent, conçu par des chercheurs de JD.com, planifie les publicités produit selon l'ordre des séquences de publicités qui ont attiré des clics, les monte à partir des anciennes images de chaque produit et a été entraîné contre un prédicteur de clics. Son test d'une semaine en conditions réelles n'a compté que les clics, et aucun de ses six scores de qualité ne pénalise une affirmation que la fiche produit ne soutient pas ; une publicité d'exemple promet une fraîcheur que les retours clients affichés à côté disent « variable ».

Parallax Pincer
La publicité de la patate douce s’ouvre sur une voix off évoquant une patate rôtie brûlante, tout juste fendue, puis promet des tubercules arrachés de saison et expédiés frais, une fraîcheur poussée au maximum (新鲜度拉满). Les retours clients imprimés à côté, dans l’article, indiquent que la fraîcheur, l’homogénéité des tailles et le poids réel « peuvent varier ». L’agent a appris ses séquences à partir de publicités qui avaient déjà attiré des clics, et son test en conditions réelles n’a compté que les clics. Ce que ces clics ont rapporté, l’article ne le dit jamais.
CutAgent, publié le 17 novembre par des chercheurs de JD.com et de trois universités, repose sur deux agents. GeneAgent lit la fiche d’un produit, la synthèse de ses avis et ses photos, puis rédige un « gène créatif » : une suite ordonnée de séquences tirées d’un vocabulaire de 27 termes, assortie de règles de production. D’autres modèles ont extrait à rebours chaque gène d’entraînement à partir des publicités antérieures d’un produit, en lisant chaque plan « avec la voix off comme indice principal et les images comme preuve auxiliaire ». Le réglage fin n’a utilisé que le cinquième supérieur d’environ 70 000 produits de ce type, classés selon leur taux de clic.
L’apprentissage par renforcement (GRPO) a ensuite récompensé les brouillons principalement selon le niveau de clics prédit par un classifieur LightGBM figé, avec la plus forte récompense pour les 10 % supérieurs d’une catégorie. Les quelque 250 variables du classifieur comprennent les séquences, les mots-clés, le texte, la catégorie et le prix ; l’article n’en cite aucune de nature visuelle. Il a obtenu 76,9 % sur des données mises de côté, contre 60 % pour qui devinerait toujours la classe majoritaire. Un terme de diversité dissuade les huit brouillons d’un même produit de se répéter. Le vocabulaire conserve des emplacements de vente agressive : « Price Shock » (« Only $9.9 »), des comptes à rebours, une flèche accompagnée de « Click the link ».
La publicité de la patate douce a devancé en clics le montage d’un concurrent, 2,81 % contre 1,27 %, un écart que les auteurs attribuent « à l’ordre narratif plutôt qu’à l’esthétique des plans ». Pour un monteur, l’ordre fait partie du rendu. VideoAgent transforme le gène en plans, en tenant compte de corrections mémorisées (« éviter les gros plans répétés en ouverture »), et ne génère aucune image. Chaque plan est choisi parmi 90 à 120 clips environ découpés dans les publicités antérieures du produit, et l’article ne dit jamais qui les a filmés.
Des clips filmés épargnent à CutAgent la plupart des erreurs de produit que notre article sur AdSpark et les évaluateurs d’Anoki ont relevées dans la vidéo générée. Une boucle de réflexion remonte ensuite chaque vidéo au regard de six scores, tous jugés par un LLM, Qwen3.5-397B. Les auteurs décrivent l’un d’eux, la cohérence entre image et script, comme « à lire comme un signal relatif entre méthodes plutôt que comme une mesure absolue ».
Ce score demande si l’image « transmet le sens exprimé » par la narration. La qualité du matériau sanctionne le flou, le bruit, une mauvaise exposition et les répétitions, et exige la pertinence par rapport au produit visé. La couverture des arguments de vente compte les arguments de la fiche qu’une vidéo aborde, ce qui vérifie qu’un point est mentionné, non qu’il est vrai. Aucun n’est décrit comme comparant les images aux photos du produit.
Le Trust Building (TB) demande si la vidéo « rend le produit fiable et digne d’être acheté ». La moitié de ses 100 points récompense des scènes d’usage réalistes, l’autre moitié des preuves « telles que certifications, avis, statistiques de ventes ou démonstrations par de vraies personnes ». Dans la publicité de la patate douce, les deux séquences étiquetées Trust Building portent la promesse de fraîcheur et un appel final à cliquer sur le lien pour commander (快点击链接下单). Le tableau 3 liste les deux mêmes codes sous les intitulés Gift or Bundle Value et User Testimonial.
Dans ces tableaux, la confiance est une apparence.
Le test d’une semaine en conditions réelles s’est déroulé sur « une grande plateforme de e-commerce », non nommée, avec un trafic réparti aléatoirement : 43 catégories, dix produits chacune, plus de 10 millions d’impressions. Le modèle de base non réglé, Qwen3-VL-8B, a obtenu 1,12 % ; le réglage fin l’a porté à 1,76 %, soit 0,64 point ou 57 % de plus. La récompense au clic a ajouté 0,29 point (16 %) ; la réflexion et la mémoire l’ont amené à 2,21 %. Cela représente 1,09 point au-dessus du modèle de base, presque le double, et 0,23 point (12 %) au-dessus du meilleur concurrent, sans intervalles de confiance.
Le public a lui aussi apprécié le résultat : 30 participants ont effectué 1 600 choix forcés sur 200 produits et ont retenu la vidéo de CutAgent dans 60,4 % des cas. Pourtant, clics et jugement divergent. AutoCut, un concurrent entraîné sur des vidéos sélectionnées selon les taux de clic et de mentions « j’aime », arrivait en tête des concurrents pour les clics avec 1,98 %, mais s’en sortait le plus mal sur le TB et lors du vote humain.
L’article qualifie sa planification d’« orientée conversion » sans jamais mesurer de conversion. AgenticGen, une boucle comparable testée dans le système publicitaire de TikTok, a rapporté le taux de conversion en plus des clics. CutAgent ne peut pas dire si une meilleure accroche a vendu plus de patates douces ou simplement attiré plus de clics.
L’habillement fait partie des 43 catégories, dix produits chacune, du test en conditions réelles, mais l’article n’en montre aucune publicité. Son étape de nettoyage supprime les clips « contenant des personnes à l’écran », et les auteurs reconnaissent que la recherche de clips « se paie en couverture ». Une robe se vend par son tombé, et l’article ne montre jamais ce qui reste pour la faire tomber.
Le télé-achat règle ses images sur un signal en direct. L’apparition de deux heures de Diane von Furstenberg sur QVC a rapporté 1,2 million de dollars pour ses ensembles en soie, rapportait Adweek en mars 1993. En 2017, Philadelphia Magazine observait un réalisateur de ligne de QVC voir les appels grimper, les téléspectateurs s’intéressant à la taille d’une couverture. Dans le casque est passée une demande : l’enrouler autour de l’animatrice et de l’invitée « pour montrer sa taille ». Un clic ne porte aucune question sur la taille, et le test en conditions réelles de CutAgent n’a compté que des clics.