Vous demandez à un outil d’IA de rédiger un e-mail de lancement ou de créer une landing page. Résultat : la mauvaise police, une nuance de bleu qui ressemble vaguement à celle de votre marque et un texte qui pourrait tout aussi bien provenir de n’importe quelle autre entreprise de votre secteur.
Vous ajoutez donc vos règles de marque au prompt et recommencez. Puis, à la prochaine utilisation, tout est à refaire.
Les Brand Guidelines lisibles par les machines répondent précisément à ce problème. Elles traduisent vos standards de marque dans un format structuré et sans ambiguïté, que l’IA peut directement lire et appliquer, sans qu’une personne ait à réexpliquer les règles à chaque fois.
Le sujet devient rapidement incontournable, car l’IA produit une part croissante des contenus. Or, les Brand Guidelines traditionnelles au format PDF n’ont jamais été conçues pour fournir à l’IA des règles de marque structurées et facilement accessibles. Et la capacité des outils d’IA à interpréter correctement le texte, les éléments visuels et la structure de ces documents varie fortement d’un outil à l’autre.
Mais disposer d’un fichier lisible par l’IA n’est qu’un début. Les couleurs, les polices et les règles d’utilisation du logo ne suffisent pas à créer une marque distinctive. Et cela ne répond pas non plus à une question essentielle : comment transmettre les connaissances de marque aux différents outils d’IA, les maintenir à jour et les gérer de manière fiable à mesure que davantage d’équipes et d’outils y accèdent ?
Que sont les Brand Guidelines lisibles par les machines ?
Les Brand Guidelines lisibles par les machines traduisent vos standards de marque dans un format structuré et sans ambiguïté, que l’IA peut directement lire et appliquer.
Au lieu d’un PDF de 40 pages que les utilisateurs doivent interpréter, l’IA reçoit des règles courtes et précises qu’elle peut appliquer directement : des valeurs HEX exactes, un nombre maximal de caractères pour les titres ou encore une liste de termes à ne jamais utiliser.
Les Brand Guidelines traditionnelles sont conçues pour les humains. Elles expliquent le pourquoi de la marque, racontent son histoire et utilisent des exemples détaillés pour aider à comprendre le contexte.
Les guidelines lisibles par les machines se concentrent davantage sur le quoi : que faut-il faire ? Que faut-il éviter ? Le tout dans un format qui laisse le moins de place possible à l’interprétation.
Cela ne signifie pas qu’elles doivent remplacer vos Brand Guidelines existantes. Il s’agit plutôt de deux formes complémentaires de documentation : l’une aide les humains à comprendre l’idée et la logique qui sous-tendent votre marque ; l’autre indique précisément aux outils comment les appliquer.
Un principe similaire transforme déjà la manière dont l’IA est utilisée dans d’autres domaines. Tout comme AGENTS.md fournit aux agents de développement des instructions concrètes pour travailler sur une base de code, les Brand Guidelines lisibles par les machines donnent aux outils d’IA le contexte dont ils ont besoin pour produire des contenus conformes à la marque, sans devoir répéter les mêmes informations dans chaque prompt.
Pourquoi les Brand Guidelines doivent aujourd’hui être lisibles par les machines
Selon Salesforce, 75 % des marketeurs utilisent déjà l’IA. Et son utilisation ne se limite plus aux équipes marketing. L’IA générative aide des équipes dans toute l’entreprise, des Sales aux RH, à créer des contenus qui peuvent également être diffusés à l’extérieur de l’organisation.
Imaginez dix équipes réparties dans quatre régions, utilisant toutes des outils d’IA différents pour créer du contenu.
Toutes ont accès à vos Brand Guidelines. Mais ces guidelines ne sont pas automatiquement connectées aux outils dans lesquels elles travaillent.
Résultat : le contenu généré n’est pas toujours conforme à votre marque. Et dès que vos guidelines laissent une marge d’interprétation, différents outils d’IA peuvent produire des résultats différents.
Bien sûr, vos collaborateurs pourraient rappeler les couleurs, les polices et la Brand Voice dans chaque nouvelle conversation avec une IA. Mais cette répétition prend du temps, pour chaque personne, chaque outil et chaque nouvelle interaction.
Les guidelines lisibles par les machines permettent au contraire de créer une Source of Truth réutilisable et de réduire considérablement ce travail manuel.
Les différents formats de Brand Guidelines lisibles par les machines
Il existe plusieurs formats de Brand Guidelines lisibles par les machines. Ils ne sont pas nécessairement en concurrence : ils répondent à des besoins différents. Une Brand Infrastructure mature peut donc en combiner plusieurs.
brand.md – un nouveau standard ouvert
brand.md est une Open Specification encore récente, sous licence MIT, créée par Caio Pizzol. Elle permet de représenter une marque dans un format structuré que les outils d’IA peuvent directement utiliser comme contexte.
Pour cela, un fichier Markdown unique est placé à la racine d’un projet d’IA, de la même manière qu’un fichier README.md.
Un fichier brand.md se compose de trois niveaux :
Stratégie
Le positionnement, le public cible et la personnalité de votre marque, ainsi que sa promesse.
Brand Voice
La tagline, les messages clés et les règles précises qui définissent la manière dont votre marque s’exprime.
Identité visuelle
Les couleurs de marque, les polices et le style photographique, décrits avec des mots plutôt qu’uniquement de manière visuelle.
Au début du fichier se trouve ce que l’on appelle le YAML Frontmatter : un court bloc contenant des informations fondamentales telles que le nom de la marque, sa tagline, son numéro de version, son type et son architecture. Le format est immédiatement compréhensible aussi bien par les humains que par les machines.
Pour les entreprises internationales et les marques Enterprise, brand.md prend également en charge les hiérarchies de marques. Il est ainsi possible de représenter une Masterbrand et ses Subbrands, qui peuvent hériter de certains éléments de marque ou les remplacer de manière ciblée. Différentes architectures de marque peuvent également être modélisées.
Comme brand.md repose uniquement sur du texte, aucun logiciel spécifique n’est nécessaire. Le fichier peut être facilement consulté sur GitHub, lu dans n’importe quel éditeur de code et utilisé comme contexte par les outils d’IA configurés à cet effet.
brand.md constitue donc un bon point de départ pour transformer les connaissances liées à votre marque en un format exploitable par l’IA.
Brand Skills (SKILL.md)
Un Skill est un ensemble d’instructions organisé autour d’un fichier SKILL.md, que les agents d’IA compatibles peuvent identifier et charger dès qu’une tâche le nécessite. Le format a initialement été développé par Anthropic et constitue aujourd’hui un standard ouvert.
C’est là que se situe la différence fondamentale avec brand.md : un fichier brand.md est un document statique disponible comme contexte. Un Skill fonctionne davantage comme une capacité à laquelle un agent peut faire appel lorsqu’il en a besoin.
Vous pourriez, par exemple, regrouper votre palette de couleurs, votre typographie, votre Brand Voice et leurs règles d’utilisation dans un Skill appelé « brand-guidelines ».
Lorsque vous demandez ensuite à un agent compatible de créer une présentation, de rédiger un rapport ou de mettre en forme un spreadsheet, celui-ci peut détecter qu’un Skill pertinent est disponible, le charger et appliquer vos règles de marque, sans qu’il soit nécessaire de les recopier dans le prompt.
Il existe toutefois plusieurs différences importantes avec brand.md.
Progressive Disclosure
Un Skill n’est pas chargé intégralement dès le départ.
Dans un premier temps, l’agent ne voit qu’une courte description, suffisante pour comprendre que le Skill existe et à quoi il sert. Ce n’est que lorsqu’une tâche nécessite réellement ce Skill qu’il charge les instructions détaillées et les fichiers de référence dont il a besoin.
Instructions vs. scripts
Un Skill peut contenir à la fois des instructions en langage naturel, interprétées par le modèle, et des scripts qui appliquent des valeurs ou des logiques précises.
Cela permet de conserver de la flexibilité lorsqu’un jugement contextuel est nécessaire, tout en garantissant davantage de rigueur lorsque certaines règles ne doivent laisser aucune place à l’interprétation.
Une valeur HEX exacte, la zone de protection d’un logo ou un terme interdit peuvent, par exemple, être définis dans un script. Les valeurs et logiques concernées sont ainsi appliquées de manière fiable, ce qui réduit les écarts.
À l’inverse, les règles qui dépendent fortement du contexte et de nuances – comme le niveau de formalité adapté à une situation donnée ou le choix parmi trois styles photographiques approuvés selon l’ambiance recherchée – ont davantage leur place dans les instructions.
Le système qui orchestre le tout doit néanmoins s’assurer que le bon script est sélectionné et exécuté pour chaque règle.
Pour les grandes entreprises disposant d’un volume important de connaissances de marque, les Skills peuvent donc aller bien au-delà d’un simple fichier de marque :
- Les Skills peuvent être combinés. Un Skill dédié aux Brand Guidelines peut, par exemple, être utilisé avec un Skill de Product Research ou de Writing Standards. Une seule demande peut ainsi tenir compte simultanément de la mise en forme de la marque, d’informations produit correctes et de votre style rédactionnel.
- Les Skills accompagnent le travail plutôt que le prompt. Une fois installé, un Skill n’a pas besoin d’être ajouté ou joint à chaque demande. Il reste disponible et peut être utilisé dès qu’il devient pertinent.
DESIGN.md – pour les outils de design et de code
brand.md et les Skills sont principalement destinés au contenu, par exemple à la copy, aux présentations ou aux documents.
DESIGN.md, ou design-md, s’adresse quant à lui aux outils qui génèrent des interfaces et du code.
Il s’agit d’une spécification Open Source publiée par Google Labs via son outil de design assisté par IA, Stitch. Comme brand.md, il s’agit d’un fichier texte. Mais plutôt que de décrire le positionnement et les règles de Tone of Voice, DESIGN.md associe des Design Tokens – des valeurs exactes et réutilisables telles que des codes couleur ou des tailles de police définies en YAML – à de courtes explications sur la raison d’être de ces valeurs.
L’outil reçoit ainsi à la fois la valeur concrète et le contexte qui l’accompagne.
Les outils de design et de développement peuvent utiliser un fichier DESIGN.md lorsqu’il est intégré au workflow ou mis à leur disposition comme contexte. Ils peuvent alors générer des interfaces et des composants qui respectent les règles de design définies.
brand.md et DESIGN.md sont tous deux des standards encore récents. DESIGN.md se trouve actuellement en phase alpha : il s’agit donc surtout d’une évolution à suivre, plutôt que d’une base sur laquelle construire aujourd’hui l’intégralité de votre système.
Et où se situe AGENTS.md dans tout cela ?
AGENTS.md repose sur le même principe fondamental que les Brand Guidelines lisibles par les machines : fournir aux outils d’IA des instructions structurées en texte brut qu’ils peuvent directement utiliser. Il n’est ainsi plus nécessaire de réexpliquer le même contexte dans chaque prompt.
La différence réside dans le type de contexte fourni par ces fichiers :
- AGENTS.md se trouve au sein d’une base de code et fournit à des agents de développement comme Claude Code ou Cursor des instructions spécifiques au projet : quels tests exécuter, quelles conventions respecter ou encore quels éléments ne doivent pas être modifiés.
- brand.md, les Brand Skills et DESIGN.md fournissent quant à eux un contexte lié à la marque : son apparence, sa manière de s’exprimer et la façon dont elle doit être appliquée.
Que doivent contenir des Brand Guidelines lisibles par les machines ?
De nombreux fichiers de marque lisibles par les machines se limitent aux couleurs et aux polices.
Le résultat peut alors ressembler visuellement à votre marque, tout en restant générique dans son contenu. Car l’outil d’IA ne sait toujours pas ce que votre marque veut réellement dire.
De bonnes guidelines lisibles par les machines vont donc beaucoup plus loin :
- Les fondamentaux : couleurs exactes avec leurs valeurs HEX, typographie avec les différentes graisses et polices de fallback, ainsi que les règles d’utilisation du logo.
- L’essence et le positionnement de la marque : personnalité de marque, contexte relatif aux audiences et à l’ICP, ainsi que les principaux Message Pillars. Ces éléments permettent au modèle de comprendre qui vous êtes et à qui votre marque s’adresse – et influencent le résultat bien davantage que les seules règles visuelles.
- La Brand Voice : règles de tonalité précises, liste des termes à éviter et exemples de type « Ce que nous disons / Ce que nous ne disons jamais ».
- Les règles d’application et templates : pas seulement « Voici nos règles », mais aussi « Voici comment les appliquer à un post LinkedIn, une campagne ou un one-pager ». Cela améliore considérablement la cohérence des résultats générés par l’IA.
- Les règles relatives aux images : métadonnées structurées et spécifiques à la marque, comme des règles de style précises, un vocabulaire de tags contrôlé et des exemples de Do/Don’t pour les images.
- Les règles non négociables vs. la flexibilité contextuelle : distinguez les exigences qui ne doivent jamais être modifiées – par exemple les mentions légales, les anciens noms de produits qui ne doivent plus être utilisés ou certains Brand Marks précisément définis – des règles qui peuvent volontairement s’adapter au contexte.
D’un fichier unique à un véritable système de marque : choisir la bonne architecture
Il existe différents niveaux de documentation pour les Brand Guidelines lisibles par les machines.
Le niveau dont vous avez besoin dépend de la taille de votre entreprise, du nombre de marques et de marchés que vous gérez, ainsi que du nombre de personnes et d’outils d’IA qui travaillent avec votre marque.
On peut distinguer trois niveaux principaux.
1. Un fichier brand.md unique
Pour une petite équipe travaillant sur une seule marque, avec peu de personnes chargées de créer du contenu, un seul fichier peut parfaitement suffire.
L’effort nécessaire est limité : vous créez le fichier une fois, le placez à la racine du projet, et c’est tout.
Mais à mesure que l’entreprise grandit, trois limites apparaissent clairement :
- Distribution : un fichier stocké dans un projet n’est pas automatiquement accessible à chaque outil, chaque membre de l’équipe et chaque agent d’IA. Les utilisateurs doivent savoir qu’il existe et, dans certains cas, l’ajouter manuellement.
- Décalages entre les versions : dès que vous mettez à jour votre Brand Voice ou ajoutez, par exemple, une nouvelle couleur produit, toutes les copies existantes du fichier deviennent obsolètes.
- Niveau de détail : un fichier unique finit par atteindre ses limites pratiques. Plusieurs gammes de produits, variantes régionales et règles d’application détaillées peuvent rapidement le rendre difficile à gérer.
Cela ne signifie pas que brand.md est un mauvais choix. Simplement, de nombreuses entreprises dépassent assez rapidement les limites d’un fichier unique.
2. Un ensemble structuré
L’étape suivante consiste à créer un ensemble structuré d’informations interconnectées.
brand.md peut, par exemple, servir de fichier de synthèse et renvoyer vers des fichiers plus détaillés consacrés à la Brand Voice, à l’identité visuelle, aux différentes gammes de produits ou aux régions.
Si vous utilisez des Skills plutôt que des fichiers statiques, un principe similaire peut être mis en œuvre grâce à la Progressive Disclosure : une courte description constitue le premier niveau, tandis que les instructions détaillées et les fichiers de référence ne sont chargés que lorsqu’une tâche en a réellement besoin.
Les grandes marques qui opèrent sur plusieurs gammes de produits ou marchés peuvent ainsi gérer leur complexité sans devoir concentrer toutes les informations dans un fichier unique.
Lorsqu’un workflow permet la récupération sélective d’informations ou la Progressive Disclosure, l’IA peut également charger uniquement les informations pertinentes pour la tâche en cours. Le contexte reste ciblé, plutôt que de surcharger chaque prompt d’informations inutiles.
Les problématiques de distribution et de gestion des versions subsistent néanmoins – et peuvent même devenir plus complexes lorsque le nombre de fichiers augmente.
3. Un contexte de marque centralisé et gouverné
À ce niveau, vos Brand Guidelines ne sont plus stockées dans des fichiers qu’il faut trouver, copier et joindre manuellement.
Elles résident dans un système centralisé et peuvent être récupérées par les personnes et les outils qui en ont besoin, dans le bon format et exactement au bon moment.
Techniquement, cela fonctionne généralement via une API ou un serveur MCP. Les outils d’IA se connectent au système central et y récupèrent des informations à jour, plutôt que de dépendre d’une copie statique.
Si vous utilisez un fichier brand.md ou des Skills structurés, ceux-ci doivent malgré tout rester synchronisés avec votre documentation interne et être mis à jour à mesure que votre marque évolue.
Un contexte de marque centralisé et gouverné peut réduire ce travail manuel en fournissant directement les informations issues de votre Source of Truth centrale.
Cette approche permet de résoudre les problématiques liées à la distribution, aux mises à jour, à la maintenance, aux accès basés sur les rôles et à la gouvernance, sans que votre équipe ait à gérer chaque copie individuellement.
Pourquoi les tâches et les rôles déterminent les connaissances de marque nécessaires
Un système de marque doit pouvoir répondre à des besoins très différents :
- « Rédige un post LinkedIn pour ce produit et cette audience. » correspond à une tâche unique et clairement définie.
- « Nous avons un lancement en mars. Aide-moi à planifier la campagne. » implique plusieurs étapes.
- « Automatise l’ensemble de notre production de contenu, y compris les workflows de review. » décrit un système permanent plutôt qu’une demande ponctuelle.
Ces trois tâches s’appuient sur les mêmes Brand Guidelines. Mais elles nécessitent des quantités et des niveaux d’information très différents.
Le rôle de la personne entre également en jeu.
Un Content Marketer qui crée du contenu pour les réseaux sociaux a besoin des règles de Brand Voice et des Message Pillars, mais pas de l’intégralité du système d’identité visuelle.
Les designers ont besoin des Design Tokens et des règles relatives aux images, mais pas d’explications détaillées sur la tonalité.
Un Product Manager qui prépare un brief pour une agence a besoin d’une vue d’ensemble des principales règles de marque.
Et un CMO qui analyse les contenus produits au cours d’un trimestre aura besoin d’informations encore différentes.
Vos Brand Guidelines peuvent donc être complètes et parfaitement correctes, tout en passant à côté de leur objectif si les bonnes informations ne parviennent pas à la bonne personne au bon moment.
La lisibilité par les machines ne suffit pas à résoudre ce problème. L’essentiel réside dans la manière dont le contexte pertinent est mis à disposition.
Un bon système est capable de récupérer les informations de manière fiable. Mais un routage intelligent va plus loin : lorsqu’une personne utilise l’IA pour créer du Brand Content, l’outil doit comprendre à la fois la tâche et le rôle de cette personne, puis déterminer quelles parties des Brand Guidelines sont réellement pertinentes.
Un fichier brand.md unique ne permet pas cette segmentation. Il fournit les mêmes informations à tout le monde, indépendamment de la personne qui l’utilise ou de la tâche à accomplir.
Il faut pour cela un système capable d’identifier la tâche et le rôle de l’utilisateur afin de fournir précisément la partie des connaissances de marque dont il a besoin.
Là où les humains doivent continuer à décider : orchestration, validations et transparence
L’objectif des Brand Guidelines lisibles par les machines n’est pas de remplacer votre Brand Team par l’IA.
Au contraire, plutôt que d’écarter les humains du processus, l’IA doit ap
