IA dans le marketing : trouver le bon premier pas

Qu’est-ce qui relève de l’IA en marketing ?

Une classification utile ne s’appuie pas sur les noms de produits, mais sur le rôle du système dans le déroulement du travail :

Assister : un système crée une première ébauche, résume des documents, organise les retours ou propose des variantes. Une personne reste l’auteur, le réviseur et l’instance de validation. Exemples typiques : ébauches de briefing, variantes linguistiques ou structuration d’une recherche.

Détecter : un système repère des tendances, des groupes ou des écarts dans les données existantes. En marketing, il peut s’agir d’une anomalie dans les chiffres de campagne ou de thèmes récurrents dans les retours clients. Une corrélation ne démontre toutefois pas une relation de cause à effet. L’équipe doit vérifier si les données sont complètes, comparables et adaptées à la question.

Prévoir et recommander : un système estime une valeur future ou priorise une prochaine action. Cela inclut des prévisions, des scores et des recommandations. Ils peuvent préparer une décision, mais ne remplacent ni la définition de l’objectif commercial ni l’examen des effets secondaires.

Agir : un système modifie un processus en cours dans des limites définies. Plus l’action est proche du budget, du prix, de l’accès client ou de la communication publique, plus les validations, les journaux, les seuils et une possibilité d’arrêt ou de réinitialisation deviennent importants.

Ces rôles peuvent être combinés dans un déroulement. Un assistant de rédaction peut simplement produire une ébauche. Un système intégré pourrait en outre enrichir l’ébauche avec des données clients, diffuser des variantes et utiliser les résultats pour la sélection suivante. La seconde variante n’est pas simplement « plus d’IA ». Elle a d’autres flux de données, dépendances et risques. Le guide pour les PME suisses cite aussi des exemples variés comme la génération de textes, les prévisions et l’aide à la décision. Ce n’est pas une taxonomie marketing formelle, mais cela montre l’étendue des capacités possibles.

Ces niveaux ont des données, des risques et des degrés de maturité différents. Un assistant de rédaction n’est pas un agent disposant d’un accès aux systèmes. Une prévision de campagne n’est pas une décision d’entreprise. Un transfert automatisé n’est prêt à être utilisé au quotidien que si la gestion des erreurs, des doublons et du retour en arrière est prévue.

En quoi l’automatisation marketing diffère-t-elle ?

L’automatisation marketing décrit un déroulement répétable : déclencheur, condition, action, exception, personne responsable et preuve. L’IA peut soutenir une étape, mais elle n’est pas nécessaire pour chaque automatisation. Une règle fixe est souvent plus facile à tester et à expliquer. L’IA peut aider pour des tâches qui impliquent le langage, la reconnaissance de formes ou des données incertaines, lorsque sa contribution améliore le résultat et que la marge de manœuvre reste bien délimitée.

Commencez par le processus sur papier. Marquez les entrées, les systèmes, les données personnelles, les décisions, les temps d’attente et les transmissions manuelles. N’automatisez pas un processus non clarifié ; vous ne feriez que multiplier ses erreurs.

Où l’IA peut-elle apporter une contribution utile ?

Un domaine d’application est intéressant lorsque la tâche se répète, que les informations disponibles sont suffisantes et qu’un meilleur résultat serait perceptible. En marketing, six champs de travail se distinguent :

1. Recherche et planification : organiser les informations disponibles, rassembler des questions ou préparer un briefing. La vérification des sources reste au sein de l’équipe.
2. Contenus et création : produire des ébauches, des variantes ou des propositions de retouche. L’adéquation à la marque, les faits, les droits et la validation restent des tâches humaines.
3. Média et campagnes : regrouper les signaux des campagnes, signaler les anomalies ou faire des propositions limitées. L’automatisation de la plateforme doit être distinguée d’une mesure d’impact indépendante.
4. Interaction client et personnalisation : adapter les contenus ou les prochaines étapes à des règles et à des signaux. Ici, les exigences de finalité, de qualité des données, de consentement, d’équité et de voies de repli augmentent.
5. Analyse et mesure : structurer de grands volumes d’observations ou préparer des prévisions. Un commentaire plausible ne prouve ni la causalité ni un chiffre d’affaires supplémentaire.
6. Opérations marketing : soutenir les transmissions récurrentes, les classifications et les contrôles qualité. Le système a besoin d’une personne responsable, d’un traitement des erreurs et d’une alternative manuelle documentée.

Cette liste est une carte, non une recommandation de tout mettre en œuvre. Le guide SATW pour les PME suisses recommande une analyse des besoins, de petits projets pilotes ainsi que des règles et des responsabilités claires. L’adéquation ne peut être jugée que pour le cas concret.

Quels cas d’usage examiner en premier ?

Un bon premier cas d’usage est suffisamment fréquent, clairement délimité et réversible. Il a une personne responsable, des cas de test disponibles et une valeur mesurable. Des exemples : structurer un briefing, classer des demandes internes, résumer un constat de reporting ou préparer une proposition.

Les mauvais premiers cas d’usage accèdent directement à des données sensibles, publient sans contrôle, pilotent de gros budgets ou promettent un effet non mesurable sans groupe de contrôle. Classez chaque candidat selon la valeur, le risque lié aux données, le dommage en cas d’erreur, l’explicabilité, l’effort d’intégration et la réversibilité.

La décision la plus importante précède l’IA

Un cas d’usage solide commence par une phrase sans terme technologique : « Nous avons besoin de résultats meilleurs, plus rapides ou plus fiables pour … ». Vient ensuite seulement la question de savoir si des règles, une automatisation classique, de meilleures données, des changements de processus ou l’IA peuvent aider. Une aide à la rédaction dans l’outil existant est organisationnellement différente d’un système qui relie plusieurs sources de données et déclenche des actions clients.

Sept questions suffisent pour un premier examen :

• Quelle tâche ou décision concrète doit s’améliorer ?
• Qui est responsable du résultat et des dommages ?
• Quelle est la performance de départ actuelle, y compris le temps, la qualité et les erreurs ?
• Quelles données sont utilisées, et peuvent-elles l’être pour cette finalité ?
• Quelles erreurs sont tolérables, lesquelles ne le sont pas ?
• Que vérifie une personne avant une publication ou une action ?
• À quelle condition l’usage est-il arrêté ?

Si une équipe ne peut pas répondre à ces questions, il est trop tôt pour une action automatique. Une assistance manuelle peut toutefois convenir comme étape d’apprentissage, pour autant qu’aucune donnée inadmissible ne soit saisie et que les sorties soient contrôlées.

Quelles limites de données et de décision faut-il ?

Consignez la source des données, la finalité, la base légale, la conservation, les destinataires, le fournisseur du modèle et la voie de suppression. Vérifiez si des informations personnelles ou confidentielles sont réellement nécessaires. La pseudonymisation et le hachage ne suppriment pas toutes les obligations. Le PFPDT rappelle que le droit suisse de la protection des données s’applique aussi au traitement assisté par IA ; une évaluation concrète reste à faire au cas par cas.

Définissez ensuite la marge d’action. Le système peut-il uniquement créer des ébauches, proposer des priorités, écrire des données ou envoyer des messages externes ? Quelles étapes exigent une validation humaine ? Quelles entrées sont interdites ? Quand le flux s’arrête-t-il automatiquement ?

Ce que les humains doivent continuer à décider

L’IA peut produire des options, mais elle ne détient pas de mandat propre pour la stratégie d’entreprise. Les personnes doivent conserver au moins cinq types de décisions.

Objectif et priorité : un modèle ne sait pas quel arbitrage est acceptable pour l’entreprise. Plus de leads peut signifier de moins bons leads ; une production plus rapide peut affaiblir la qualité de la marque.

Preuves : un texte fluide peut être faux. Une corrélation peut ressembler à une explication. Les spécialistes doivent vérifier les sources, la méthode de mesure et l’incertitude.

Droits et relations : les données clients, les documents internes, les images, les voix et les textes tiers ne doivent pas entrer sans contrôle dans un système ou une campagne. Les contrats et les conditions d’utilisation font partie de l’examen.

Validation et responsabilité : qui peut voir une ébauche, modifier un budget ou contacter un client ? Ces droits doivent être plus étroits que la possibilité technique de l’outil.

Exception et arrêt : une équipe a besoin d’un moyen d’arrêter une action, de corriger des résultats erronés et de revenir à un déroulement manuel.

Le human-in-the-loop ne signifie donc pas cliquer brièvement sur « OK » à la fin. Il signifie qu’une personne qualifiée dispose à temps des informations nécessaires, d’un réel pouvoir de décision et de suffisamment de temps pour l’examen.

Comment comparer les outils ?

Comparez les outils au cas d’usage, non à une liste de fonctions. Vérifiez :

1. accès aux données et isolation des données de chaque client ;
2. fournisseur du modèle et sous-traitants de données ;
3. journalisation et export ;
4. rôles, validations et limites techniques ;
5. intégrations et comportement en cas d’erreur ;
6. testabilité, versionnage et retour en arrière ;
7. prix à un volume réaliste ;
8. sortie et portabilité.

Un outil peut convaincre en démonstration et se révéler inadapté en exploitation. Testez donc avec des cas synthétiques et des cas volontairement problématiques avant de passer à de vraies données ou à des actions automatiques.

Quand faut-il un partenaire d’implémentation ?

Un partenaire se justifie lorsque le savoir-faire marketing, la mise en place technique et l’adoption par l’équipe doivent se rejoindre. Convenez, pour chaque projet, des systèmes, des livrables, des critères d’acceptation et de l’accompagnement prévu. Ainsi, dès le départ, il est clair ce que votre équipe saura réellement mieux faire après l’introduction.

De l’idée à un test contrôlé

Un démarrage à faible risque peut se faire en quatre étapes. D’abord, l’équipe décrit la tâche, les utilisateurs, les données et la situation de départ. Ensuite, elle limite le pilote : un canal, un segment, un type de contenu ou un processus interne. Dans un troisième temps, la qualité, le temps nécessaire, les erreurs et le retraitement nécessaire sont mesurés. Enfin, une décision explicite est prise : arrêter, modifier, retester ou passer à une utilisation courante.

Un projet pilote doit éclairer une décision, pas seulement vérifier si un outil fonctionne. Fixez les valeurs de départ, les cas de test, les critères de qualité, le budget de temps, l’examen de protection des données, l’ampleur du contrôle humain, les classes d’erreurs et les critères d’arrêt. Démarrez en parallèle : le système produit un résultat, mais le processus existant reste déterminant et n’est pas modifié automatiquement.

Chaque pilote devrait faire l’objet d’un bref protocole : version de l’outil, données autorisées, cas de test, critères d’évaluation, limites connues, personnes responsables, validations et incidents. Ainsi, ce qui a réellement été vérifié reste traçable. Cette documentation n’est pas de la bureaucratie pour elle-même. Elle rend l’apprentissage et une décision ultérieure possibles.

Comparez la qualité, le temps de traitement, l’effort de correction et l’indicateur métier pertinent. Un gain de temps ne prouve pas à lui seul le bénéfice ; il faut aussi évaluer la qualité des résultats et la charge de travail totale. Un seul résultat positif ne suffit pas pour généraliser le dispositif. Documentez les cas qui restent volontairement hors du pilote.

Ce déroulement évite deux confusions fréquentes. Un démonstrateur impressionnant n’est pas encore une exploitation fiable. Et un temps de rédaction économisé n’est pas une valeur commerciale si le contrôle dure plus longtemps, si les risques augmentent ou si l’objectif marketing reste inchangé.

Ce que l’IA en marketing ne prouve pas

L’utilisation d’un modèle connu ne prouve pas une maturité stratégique. Un grand nombre de variantes générées ne prouve pas un effet supplémentaire. Un score n’est pas une vente réalisée. Une recommandation de la plateforme publicitaire n’est pas une évaluation indépendante. Et un fournisseur qui présente une démonstration de génération de textes n’a pas pour autant montré de compétence en intégration de données, mesure, sécurité ou changement organisationnel.

C’est pourquoi une entreprise devrait tenir trois niveaux distincts : la qualité des résultats décrit si le résultat immédiat est utilisable. La performance du processus décrit si le travail devient globalement plus rapide, plus fiable ou moins cher. L’impact commercial décrit si un objectif pertinent est mieux atteint. Chaque niveau exige sa propre comparaison et peut donner un résultat différent.