Meta TRIBE v2 : un cerveau artificiel prédit comment les gens réagiront à votre publicité avant sa diffusion

Meta a appris à l’IA à prédire l’activité du cerveau. Celui de la moyenne, pour l’instant

TRIBE (TRImodal Brain Encoder) vient de l’équipe Brain & AI de Meta FAIR. La première version a remporté en 2025 le concours Algonauts, où 263 équipes se sont affrontées pour prédire comment le cerveau réagit aux films. La version 2 est sortie le 26 mars 2026, suivie en mai de l’article A foundation model of vision, audition, and language for in-silico neuroscience (d’Ascoli, Rapin, King et al., arXiv 2605.04326).

Le principe est étonnamment modeste. TRIBE v2 ne voit ni n’entend rien par lui-même. Il emprunte trois modèles existants qui comprennent déjà le monde : V-JEPA 2 pour la vidéo, Wav2Vec-BERT 2.0 pour l’audio et Llama 3.2, à 3 milliards de paramètres, pour le texte. Ceux-ci restent figés, et au-dessus d’eux un transformer apprend à traduire leurs représentations internes en activité cérébrale. Pensez à un interprète simultané qui écoute trois collègues à la fois et restitue tout dans une seule langue : celle du flux sanguin dans le cortex. La sortie est un signal prédit en 20 484 points du cortex, plus 8 802 voxels sous-corticaux, deux fois par seconde.

Pour les marketeurs, la question clé est de savoir quel cerveau il prédit. La version publique modélise une personne moyenne. Elle ne peut modéliser ni une audience précise, ni un segment, ni le parent de 35 ans de banlieue autour duquel votre plan média est construit. Le modèle sait où le cerveau s’active. Ce que cette personne achète ensuite échappe à sa portée.

Des données issues de 720 cerveaux. La plupart des heures viennent de quatre personnes qui regardaient Friends

Meta n’a collecté aucune nouvelle donnée pour TRIBE v2. Le modèle repose entièrement sur des jeux de données publics de laboratoires universitaires, et le plus volumineux est Courtois NeuroMod, de Montréal : quatre volontaires ont passé 268,7 heures dans le scanner, à regarder surtout la sitcom Friends et des longs métrages. Ajoutez des podcasts (LeBel 2023), des vidéos courtes (BOLD Moments) et des clips vidéo (Wen 2017), et le modèle a été entraîné sur 451,6 heures d’enregistrements de 25 personnes.

Il a ensuite été testé sur des personnes qu’il n’avait jamais vues : 695 participants et 666,1 heures issus de quatre autres jeux de données, dont les données de films du Human Connectome Project et les histoires parlées de Narratives. Cela fait 720 personnes et 1 117,7 heures au total. Les publications de Meta sur les réseaux sociaux évoquent « 500+ heures de 700+ personnes » et la page de démo parle de 70 000 voxels. Je m’en tiens à l’article, parce que ses chiffres figurent au moins dans un tableau.

Pour la neuroscience, les résultats sont solides. Sur de nouvelles personnes, sans aucun réglage fin, la prédiction du modèle corrèle à environ 0,4 avec la réponse moyenne du groupe. C’est deux fois plus près que ne l’est le véritable scan d’un participant typique par rapport à cette même moyenne. Avec une heure de données d’une nouvelle personne, le modèle est deux à quatre fois plus précis qu’un modèle linéaire entraîné de zéro. La précision continue de progresser avec davantage de données et n’a pas encore atteint de plafond. J’avoue que ce qui m’a le plus impressionné était autre chose : lors d’expériences virtuelles, le modèle a reproduit des résultats vieux de plusieurs décennies, comme les aires cérébrales des visages, des lieux et des mots écrits, sans que personne soit allongé dans un scanner.

Vous pouvez le télécharger en un après-midi. Vous ne pouvez pas gagner d’argent avec

Essayer TRIBE v2 est facile. Le code se trouve sur GitHub dans le dépôt facebookresearch/tribev2, les poids sont sur Hugging Face sous le nom facebook/tribev2, et Meta propose aussi une démo web et un notebook Google Colab.

Comment utiliser TRIBE v2 : GitHub, Hugging Face et la démo

Installez-le avec pip install -e . sous Python 3.11 ou plus récent. Chargez le modèle avec TribeModel.from_pretrained("facebook/tribev2"). Construisez ensuite un tableau d’événements à partir d’une vidéo, d’une piste audio ou d’un texte, et la fonction predict renvoie l’activité prédite pour environ 20 000 points du cortex au fil du temps. Pour lire le résultat, il vaut mieux avoir quelqu’un qui sait ce qu’est l’aire fusiforme des visages.

Le hic, c’est la licence. TRIBE v2 est publié sous Creative Commons BY-NC 4.0, et NC signifie non commercial. Une agence ou un fournisseur d’études ne peut pas bâtir un service payant dessus sans l’autorisation de Meta. Meta cite d’ailleurs la neuroscience, la recherche en IA et la santé comme usages prévus. La publicité est absente de ses documents, et rien n’a été dit sur un rapprochement du modèle avec les produits publicitaires de Meta.

Les auteurs énoncent eux-mêmes les limites. L’IRMf mesure le flux sanguin avec un décalage de plusieurs secondes, de sorte que les réactions rapides entre deux plans passent à travers. Le modèle ne couvre que la vue, l’ouïe et le langage. Et selon les termes mêmes des auteurs, il traite le cerveau comme un observateur passif : il modélise la perception et s’arrête avant les décisions. Une carte du cerveau ne sait toujours rien du panier d’achat.

Puis sont venus les premiers tests indépendants. En juillet 2026, Sahu et Pandey ont vérifié si l’activité cérébrale prédite par TRIBE pouvait indiquer quels passages de 48 vidéos YouTube les gens rejouent. La corrélation s’est établie à 0,058, statistiquement non significative, et de simples mesures de volume sonore et de mouvement ont fait aussi bien. Rodrigues a étudié la mémorabilité des vidéos : la projection cérébrale a aidé sur un jeu de données et a perdu face au simple modèle vidéo sur un autre. Les deux sont des preprints sans relecture par les pairs, mais ils vont dans le même sens. Entre-temps, des « ad scorers » amateurs fondés sur TRIBE ont fait leur apparition sur Hugging Face. Aucun n’est validé.

Le neuromarketing en pratique : quand le cerveau en sait plus que l’enquête

L’idée que le cerveau en dit plus qu’un questionnaire a un nom : le neuroforecasting. Elle a aussi quelques résultats célèbres. En 2012, Emily Falk et ses collègues (Psychological Science) ont montré trente fumeurs trois campagnes antitabac. L’activité du cortex préfrontal médian a classé les campagnes dans le bon ordre selon la hausse réelle des appels à la ligne d’aide à l’arrêt du tabac. Les notes des fumeurs eux-mêmes et le panel d’experts se sont trompés d’ordre. La même année, Gregory Berns et Sara Moore ont constaté que la réaction du centre de la récompense de 27 adolescents face à des chansons inconnues corrélait avec les ventes des trois années suivantes (r = 0,32), alors que leur appréciation déclarée n’y corrélait presque pas (r = 0,11).

En 2017, Alexander Genevsky, Carolyn Yoon et Brian Knutson ont prévu quels projets Kickstarter seraient financés. Le cerveau avait raison dans 59,1 % des cas, les choix des participants eux-mêmes dans 52,9 %, soit à peine mieux qu’un tirage à pile ou face. En 2014, Jacek Dmochowski et ses collègues (Nature Communications) ont enregistré l’EEG de douze spectateurs de publicités du Super Bowl : la similarité des réponses de leurs cerveaux expliquait 66 % de la variance des notes de plus de sept mille personnes. Leurs propres notes en expliquaient 59 %. Il y a donc un avantage, plus mince que ne le laissent croire les gros titres.

Le test le plus rigoureux est venu de l’Advertising Research Foundation américaine. Venkatraman et al. (Journal of Marketing Research, 2015) ont comparé six méthodes sur 37 publicités TV, dont 26 avec de vraies données de ventes. Le meilleur prédicteur isolé était la simple enquête. Seule l’IRMf apportait quelque chose en plus (l’activité du striatum ventral augmentait le R² ajusté de 59 %). L’EEG, l’eye tracking, la biométrie et les tests implicites n’ont rien apporté de significatif.

En 2016, Nielsen a rapporté l’inverse : sur une soixantaine de publicités, l’EEG expliquait 62 % des ventes en magasin et le codage facial 9 %. Cela figurait toutefois dans un communiqué de presse, sans relecture par les pairs.

Tout ce champ repose sur une base étroite. Dans leur revue de 2018, Knutson et Genevsky n’ont recensé que sept études d’IRMf prévoyant un comportement de marché, chacune avec 18 à 41 participants. La puissance statistique médiane en neurosciences se situe autour de 21 % (Button et al., 2013). Et en 2019, Lisa Feldman Barrett et ses collègues ont montré que les expressions faciales sont liées à des émotions précises bien plus lâchement que ne le suppose n’importe quel logiciel de codage facial. Le neuroforecasting est aujourd’hui un jeune joueur prometteur : il marque des buts, surtout en matchs amicaux pour l’instant.

Dmochowski a laissé une remarque intéressante. Si l’on pouvait déterminer quelles caractéristiques du contenu déclenchent la réponse cérébrale partagée, disait-il, on pourrait prévoir directement à partir du contenu, sans mesurer un seul cerveau. C’est exactement ce que fait TRIBE v2. Pour l’instant, il ne prédit que le cerveau. Personne ne l’a encore confronté au marché.

Qui teste les publicités aujourd’hui, et comment : outils de test créatif et sociétés de test publicitaire

Le pré-test créatif consiste à essayer une publicité sur un échantillon de personnes, ou sur un modèle, avant d’y mettre du budget média. Il mesure si les gens la comprennent, la remarquent, ce qu’ils ressentent et s’ils retiennent la marque. De plus en plus avec l’IA.

Le pré-test créatif est en 2026 un marché encombré. J’ai compté une quarantaine d’entreprises, réparties en sept groupes selon ce qu’elles mesurent. L’enquête est la méthode la plus ancienne ; les modèles sans répondants sont ceux qui progressent le plus vite. L’argent afflue vers le test publicitaire par IA : Dragonfly AI a levé 5 M£ en janvier 2026, Alison.ai 5,1 M$ en février, Electric Twin 14 M$, et la spin-off de Stanford Simile pas moins de 100 M$ pour simuler la décision humaine.

Méfiez-vous des chiffres de précision. Neurons revendique plus de 95 %, Dragonfly AI 89 %, Attention Insight jusqu’à 96 %. Tous trois mesurent à quel point une heatmap prédite, une carte des endroits où les gens vont regarder, correspond à un vrai suivi oculaire. Ce type de précision ressemble à une prévision météo qui devine parfaitement la couverture nuageuse sans jamais se demander si les gens iront à la plage.

Neurons dit ouvertement ne pas avoir publié de lien entre son Impact Score et les résultats sur le marché. Seule une poignée d’acteurs travaillent avec des résultats business : System1 renvoie à la base de données de l’IPA, Kantar et WARC ont montré que la meilleure création rapporte plus de quatre fois plus de profit, et Adverteyes cite une étude de cas Mars avec une hausse des ventes allant jusqu’à 19 %.

Le codage facial, lui, est en recul. Affectiva a été intégrée à iMotions en janvier 2025, Realeyes a filialisé son activité publicitaire sous le nom d’Adverteyes en novembre 2025, Zappi mesure l’émotion avec des emojis et System1 se contente de demander. La réglementation arrive elle aussi. Depuis le 2 février 2025, l’AI Act européen interdit d’inférer des émotions à partir de données biométriques au travail et dans l’éducation. Les panels de consommateurs sont considérés comme des systèmes à haut risque, avec des obligations à partir du 2 décembre 2027, et les personnes doivent être informées qu’elles sont analysées à partir du 2 août 2026.

L’Europe centrale a ses propres acteurs. Behavio, basée à Prague, propose une plateforme de test publicitaire en libre-service avec un panel de plus de 500 répondants, des tests implicites et des heatmaps d’attention par IA, avec des résultats en trois à sept jours. Ipsos, STEM/MARK, MEDIAN et NMS proposent des pré-tests classiques par enquête, et MEDIAN, avec le groupe Knowlimits, a lancé l’an dernier l’étude KNOW.attention avec des lunettes de suivi oculaire et des bandeaux EEG. En toute transparence : nous travaillons avec Behavio comme avec Knowlimits en tant que partenaires.

Le pré-test peut sauver une campagne. Il peut aussi la tuer

La création est le plus gros levier du marketing. En 2023, NCSolutions a analysé environ 450 campagnes de biens de grande consommation et attribué 49 % de l’effet sur les ventes à la création. Dans une enquête de Westwood One, les marketeurs estimaient sa part à 19 %. Je présente les anciens chiffres de Nielsen dans l’article sur la raison pour laquelle la créativité fait l’essentiel du résultat, et d’autres grandes études dans notre tour d’horizon de la recherche sur l’efficacité marketing. Tester ce qui décide de la moitié du résultat en vaut la peine.

Mais le pré-test peut aussi faire des dégâts. Dans The Long and the Short of It (IPA, 2013), Les Binet et Peter Field ont passé en revue 996 campagnes et trouvé un schéma gênant. Les campagnes passées par un pré-test classique déclaraient des effets très importants sur les ventes dans les six mois 10 points de pourcentage plus souvent que les campagnes non testées. Après deux ans ou plus, 10 points moins souvent. Les campagnes qui suivaient la marque en continu au lieu de la pré-tester avaient 31 points d’avance après deux ans.

L’explication n’est pas difficile à deviner, même si les données sont corrélationnelles et si les pré-tests des années 1980 à 2000 étaient surtout rationnels. Un pré-test classique demande si la publicité est claire, crédible et si le répondant la reverrait volontiers. La réponse est oui, dès lors qu’on l’a poncée jusqu’à en faire quelque chose qu’il a déjà vu cent fois. L’équipe créative passe alors trois semaines à limer les aspérités, jusqu’à ce que « celle avec le gorille » devienne une gentille famille au petit-déjeuner. Un pré-test fait un bon serviteur et un très mauvais gardien.

Quoi faire lundi matin

TRIBE v2 ne remplacera pas le pré-test pour l’instant, et sa licence l’exclut de toute façon du travail publicitaire commercial. Il laisse toutefois entrevoir la direction du secteur : des laboratoires coûteux vers des modèles qui estiment en quelques secondes la réaction du public à partir du contenu. Une approche raisonnable pour 2026 ressemble à ceci :

1. Des heatmaps IA pour trier les variantes. Neurons, Dragonfly AI ou Attention Insight montrent en quelques minutes si la marque, le produit et le message principal sont visibles. Considérez-le comme un contrôle de lisibilité. Il ne prévoira pas les ventes. D’autres outils figurent dans notre guide des outils de marketing IA.
2. Un panel humain pour les finalistes. Émotion et mémorisation de la marque sur les deux ou trois variantes les plus fortes. Behavio, System1 ou Kantar peuvent le faire en quelques jours.
3. Un test en conditions réelles sur la plateforme. Un test A/B dans Meta Ads Manager compare les variantes sur de vraies personnes et avec de l’argent réel. Meta recommande de le laisser tourner de deux semaines à un mois.
4. Un suivi de marque sur le long terme. Suivre la notoriété et la mental availability permet de savoir si la campagne a construit la marque. Que le pré-test conseille, que les résultats décident. Nous traitons la mesure avec moins de cookies dans un article à part.
5. TRIBE v2 comme laboratoire d’idées. Pour la recherche et la curiosité personnelle, en dehors des missions clients payantes. À la question « cette scène allume-t-elle la zone des visages ? », il répond à merveille. « Est-ce que ça va se vendre ? » le dépasse pour l’instant.

Un cerveau dans une boîte ressemble à de la science-fiction et, pour l’instant, il fonctionne comme un miroir très intelligent du spectateur moyen. Un miroir ne vaut la peine d’être regardé que si l’on sait ce que l’on y cherche.

Sources : d’Ascoli, Rapin, King et al., A foundation model of vision, audition, and language for in-silico neuroscience, arXiv 2605.04326 (2026) · Meta AI, blog et démo TRIBE v2 (2026) · d’Ascoli et al., TRIBE: TRImodal Brain Encoder, arXiv 2507.22229 (2025) · Sahu & Pandey, arXiv 2607.01400 (2026) · Rodrigues, arXiv 2607.16292 (2026) · Falk, Berkman & Lieberman, Psychological Science (2012) · Berns & Moore, Journal of Consumer Psychology (2012) · Genevsky, Yoon & Knutson, Journal of Neuroscience (2017) · Dmochowski et al., Nature Communications (2014) · Venkatraman et al., Journal of Marketing Research (2015) · Knutson & Genevsky, Current Directions in Psychological Science (2018) · Button et al., Nature Reviews Neuroscience (2013) · Barrett et al., Psychological Science in the Public Interest (2019) · Nielsen Consumer Neuroscience (2016) · NCSolutions, Five Keys to Advertising Effectiveness (2023) · Kantar & WARC, The Art of Proof (2023) · Binet & Field, The Long and the Short of It (IPA, 2013) · Règlement (UE) 2024/1689 sur l’intelligence artificielle · sites web et communiqués de presse des entreprises citées (état en octobre 2026)

Cela rejoint ce que nous faisons : création & idéation, growth & marketing de performance et stratégie marketing. Nous creusons la psychologie de la décision dans notre article sur les sciences comportementales en marketing et les effets publicitaires à long terme dans celui sur la règle des 60/40.