PUMA AI Creator : Révolutionner l'engagement des fans et l'art numérique avec Google Cloud

Lisa Ernst · 25.01.2026 · Artificial Intelligence · 9 min

Un maillot de football marque habituellement la fin d'une histoire de design : un club et une marque décident, les fans réagissent, et la discussion a lieu après la révélation. Avec le PUMA AI Creator, , PUMA a inversé cet ordre. Au lieu de dire « voici le kit », la marque a demandé : Montrez-nous ce que vous feriez. Le résultat n'était pas un simple coup marketing. Il s'agissait d'un test mesurable et à grande échelle de ce à quoi ressemble la création dirigée par les fans lorsque l'IA générative, l'infrastructure cloud et les mécanismes de jeu sont intégrés dans une seule expérience.

Source: Illustration personnelle

PUMA (l'une des plus grandes marques de sport mondiales pour les chaussures, les vêtements et les accessoires) partnered with Google Cloud d'intégrer directement dans son écosystème numérique. Ce qui a distingué cette initiative, ce n'est pas le fait qu'elle ait utilisé l'IA, mais qu'elle ait utilisé l'IA à l'échelle du commerce de détail : générer des images assez rapidement, de manière suffisamment fiable et assez sûre pour servir un public mondial massif sans transformer l'expérience en une salle d'attente lente et buggée.

En termes pratiques, cela signifiait passer d'une narration statique « la marque dit / le client écoute » à une boucle interactive où les clients créent, réagissent et votent, et la marque recueille de véritables signaux d'engagement en cours de route.

Résumé rapide : points saillants du PUMA AI Creator

• Portée mondiale : 54 000 utilisateurs de 206 pays ont participé.
• Création à haut volume : 180 000 designs de maillots ont été générés.
• Boucle de rétroaction communautaire : 1,7 million de notes de fans ont été enregistrées via des balayages/votes.
• Fondation Cloud : Google Cloud Platform avec Google Kubernetes Engine et GPU Nvidia H100.
• Gains de vitesse : Temps de génération réduit de ~60 secondes à ~17 secondes pour quatre images HD.
• Contrôle des coûts : 306 GPU Nvidia utilisés pendant la phase en direct au lieu d'une projection initiale de 600.
• Moteur de personnalisation : Imagen 2 sur Vertex AI permet des images de produits sensibles à la région et au contexte.
• Augmentation commerciale : Contenu personnalisé + segmentation ont amélioré le CTR et l'AOV ; les résultats ultérieurs incluent des améliorations mesurables (détails ci-dessous).

PUMA AI Creator : une révolution du design menée par les fans

Le cœur de l'histoire est le PUMA AI Creator , un projet de co-création de fans axé sur Manchester City. PUMA, en tant que fabricant officiel du kit du club, n'a pas seulement présenté une nouvelle direction de design ; il a invité les fans à générer cette direction. L'objectif était ambitieux : créer une voie vers un concept de maillot assisté par l'IA et conçu par les fans pour la third kit (2026/27 season).

La phase en direct s'est déroulée du December 9 to December 20, 2024. Pendant cette période, les utilisateurs pouvaient s'inscrire et commencer à produire des concepts via un outil basé sur un navigateur qui combinait un aperçu de maillot 3D avec la génération de texte en image. La contrainte était simple mais importante : une invite de texte de up to 300 characters. Cette limite force la clarté : moins d'« invites originales », plus d'intention de design.

Comment l'expérience a fonctionné (étape par étape)

1. S'inscrire sur la plateforme et recevoir 10 crédits de design.
2. Écrire une invite (max 300 caractères) et générer des concepts de maillot dans une application de navigateur 3D.
3. Enregistrer les designs dans une galerie et présélectionner les favoris.
4. Soumettre jusqu'à deux designs comme participation au concours (deux opportunités de soumission par utilisateur).
5. Voter et gagner : noter les autres designs par balayage ; every 10 votes débloquer 2 crédits supplémentaires, maintenant la participation après l'épuisement des crédits initiaux.
6. Récompenser les communautés : Les fans de Manchester City (« Cityzens »), les membres de la communauté DEEPOBJECTS.ai et les détenteurs de NFT PUMA ont reçu double credits, faisant des groupes les plus investis les créateurs les plus actifs.

Cette boucle (créer → partager → voter → gagner des crédits → créer à nouveau) n'est pas accidentelle. C'est un moteur d'engagement classique, mais ici il est lié à un backend d'IA de qualité production. Le volume de sortie montre que cela a fonctionné : 180,000 designs et 1.7 million ratings de 54,000 users en 206 countries , le tout au cours d'une phase 10-day en direct.

Ivan Dashkov (responsable des technologies marketing émergentes chez PUMA) a présenté l'initiative comme la preuve que PUMA veut être un leader technologique même lorsqu'il n'y a pas de stratégie établie. Et c'est là le point essentiel : il ne s'agissait pas seulement de maillots, mais d'un test de résistance pour « IA + commerce + communauté » dans le monde réel.

Source: sgieurope.com

Portrait d'Ivan Dashkov PUMA. Cette image montre un homme portant une veste PUMA, souriant, sur un fond de couloir moderne. Il s'agit d'un portrait net et naturel, correspondant à la phrase de recherche « Portrait d'Ivan Dashkov PUMA ». L'image est bien éclairée et exempte de superpositions ou de texte distrayants, ce qui la rend appropriée pour un emplacement d'image de blog en ligne.

Sous le capot : Google Cloud et l'IA générative

Les campagnes cool meurent sur des problèmes ennuyeux : latence, mise à l'échelle, concurrence et coûts. Si des milliers d'utilisateurs cliquent sur « Générer » et que le système s'étouffe, la magie disparaît. Pour que le PUMA AI Creator semble instantané (ou du moins assez rapide), PUMA avait besoin d'une infrastructure capable de gérer des pics mondiaux sans s'effondrer en délais d'attente.

PUMA partnered with FTR en tant qu'agence principale, Modern English pour le développement du frontend/backend de l'application, et Slalom pour le backend de l'IA et l'infrastructure cloud scalable. Slalom a migré une version locale de l'application — utilisant à l'origine ComfyUI + a Stable Diffusion image generation model — vers un déploiement conteneurisé sur Google Kubernetes Engine (GKE).

Une pièce architecturale clé était un système de file d'attente personnalisé pour trier, mettre en mémoire tampon et séquencer les demandes des utilisateurs, conçu pour tolérer jusqu'à 50,000 incoming prompts. Ce type de mise en mémoire tampon est ce qui maintient l'expérience utilisateur stable lorsque la demande est chaotique.

Le deuxième facteur de succès était le matériel : Nvidia H100 GPUs. Au cours des 15 days before launch, , Slalom et une équipe d'experts Google se sont concentrés sur les goulots d'étranglement de performance et l'optimisation GPU, et le gain a été spectaculaire. Le temps de génération est passé d'environ 60 seconds à environ 17 seconds pour four high-definition images.

La vitesse n'a pas été le seul gain. L'efficacité s'est également améliorée : pendant la phase en direct, le système a fonctionné sur 306 Nvidia GPUs, au lieu d'une projection initiale de 600. Cette différence compte, car les charges de travail d'IA gourmandes en GPU sont celles où les coûts peuvent monter en flèche rapidement.

Source: indiamart.com

Carte GPU Nvidia H100. Cette image montre une vue latérale d'une carte NVIDIA H100 PCIe sur un fond blanc uni. Elle affiche clairement le support, les ports et le profil général de la carte, ce qui en fait une excellente représentation du matériel physique. La présentation nette et l'absence de superpositions la rendent idéale pour un emplacement d'image de blog en ligne.

Pourquoi les détails de l'infrastructure sont importants

• La créativité perçue dépend de la réactivité : si « Générer » prend trop de temps, les utilisateurs abandonnent.
• Les files d'attente protègent l'expérience : la mise en mémoire tampon empêche les pics de trafic de casser le système.
• Efficacité GPU = contrôle des coûts : réduire de moitié les besoins projetés en GPU modifie l'économie de campagnes similaires.
• L'orchestration de conteneurs permet l'échelle : GKE aide à gérer un système distribué sous une demande imprévisible.

Imagen 2 sur Vertex AI : une personnalisation qui semble locale

L'AI Creator a fait les gros titres, mais l'histoire plus large de l'IA de PUMA concerne Imagen 2 on Vertex AI pour générer des images de produits dynamiques et sensibles au contexte — pas seulement des « images d'IA cool », mais des images qui correspondent à ce qu'un utilisateur spécifique dans un endroit spécifique pourrait apprécier. commerce personnalisé

Le concept est simple : le même produit peut être encadré dans différents environnements pour correspondre à la culture et aux préférences locales. Un client au Japon pourrait voir une chaussure de style de vie photographiée dans les rues de Ginza, , tandis qu'une chaussure de trail apparaît près des contreforts des Mount Fuji. Ce type de localisation est difficile à produire manuellement à grande échelle, mais il devient faisable lorsque le pipeline est automatisé.

Imagen a également soutenu les équipes de contenu de PUMA avec des tâches d'édition d'images répétitives : ombrage, composition, précision des couleurs, résolution et positionnement du produit. L'impact opérationnel est simple : moins de temps de production manuelle, un déploiement plus rapide des campagnes et un délai de commercialisation plus court dans toutes les régions.

Adoption plus large de l'IA et plans futurs

PUMA avait déjà migré des parties clés de son écosystème e-commerce (y compris puma.com) vers Google Cloud plus tôt dans l'année. Selon les résultats rapportés de l'initiative, ce changement a soutenu une meilleure personnalisation et a aidé à augmenter average order value (AOV), , tout en réduisant le temps nécessaire au lancement des produits.

Les prochaines étapes se concentrent sur la mise à l'échelle de l'approche : PUMA prévoit d'explorer Imagen 3 (le nouveau modèle de texte en image de Google) pour étendre la création de campagnes, et il a l'intention d'étendre l'utilisation de Vertex AI Search for Retail à d'autres filiales pour renforcer la découverte, la pertinence et les performances de conversion.

Source: geekwire.com

Portrait de Thomas Kurian, PDG de Google Cloud. Cette image représente un homme souriant dans une chemise bleue à boutons, regardant directement l'appareil photo sur un fond blanc uni. C'est un portrait net et naturel, exempt de tout élément distrayant ou superposition de texte. Cela en fait un excellent choix pour un emplacement d'image de blog en ligne nécessitant une représentation professionnelle et claire de Thomas Kurian.

Du côté de l'analyse, PUMA utilise les capacités d'apprentissage automatique de Google Cloud via BigQuery pour approfondir l'engagement client via une segmentation avancée de l'audience. L'approche utilise des données de première partie pour créer des modèles ML personnalisés, générer des informations prédictives et attribuer les conversions plus précisément sur tous les points de contact.

Les gains de performance signalés grâce à ce travail de segmentation comprennent une 4.6% increase in conversion rates, 6% increase in AOV, et une 149.8% increase in click-through rates pour les trois segments d'audience supérieurs par rapport aux autres cibles publicitaires.

Technologies clés et partenaires pour le PUMA AI Creator

Ce que les autres marques peuvent apprendre (sans copier le maillot)

L'histoire du maillot est spécifique, mais les mécanismes se généralisent. Si vous enlevez le contexte du football, il reste un modèle reproductible : creation + feedback + personalization + infrastructure. Voici les leçons importantes si vous envisagez l'IA dans le commerce.

• Commencez par un cas d'utilisation qui intéresse les gens : les fans ne génèrent pas de designs parce que l'IA existe ; ils le font parce que l'identité et la communauté existent.
• Les contraintes de design améliorent les résultats : une limite d'invite de 300 caractères réduit le bruit et rend l'intention plus claire.
• Rendre la participation durable : les crédits + les récompenses de vote maintiennent l'engagement des utilisateurs après le premier « moment wow ».
• L'ingénierie est le produit : les files d'attente, la mise à l'échelle et l'efficacité GPU décident si l'expérience est perçue comme haut de gamme ou défectueuse.
• Planifier la gouvernance tôt : les systèmes génératifs nécessitent une modération, un filtrage des invites et des limites de sécurité de la marque (en particulier à l'échelle mondiale).

Conclusion

Le PUMA AI Creator est un exemple clair de ce qui se passe lorsque l'IA générative est traitée comme plus qu'une nouveauté. PUMA a utilisé l'IA pour impliquer les fans dans le processus créatif, mais la véritable réalisation a été opérationnelle : la livraison d'une expérience mondiale, à haut volume, basée sur l'IA, qui est restée réactive, mesurable et soucieuse des coûts. PUMA a utilisé l'IA pour impliquer les fans dans le processus créatif, mais la véritable réalisation a été opérationnelle : la livraison d'une expérience mondiale, à haut volume, basée sur l'IA, qui est restée réactive, mesurable et soucieuse des coûts.

En dix jours, la campagne a produit un niveau de participation (designs + notes) dont la plupart des marques ne font que rêver, et elle l'a fait tout en présentant une pile d'IA moderne : génération conteneurisée sur GKE, performances optimisées sur les GPU Nvidia H100 et personnalisation via Vertex AI. Si c'est la direction que prend le commerce de détail, la leçon est simple : l'avenir de l'e-commerce n'est pas seulement des « recommandations ». C'est de la interaction — et de plus en plus, co-creation.