Quelles sont les bonnes pratiques pour analyser des données avec l'IA en marketing et prendre des décisions fondées ? La règle d'or tient en une ligne : traitez chaque conclusion d'IA comme une hypothèse tant que vous ne pouvez pas montrer les données qui la sous-tendent. Tout le reste (bien poser la question, rassembler les sources, relire en équipe) existe pour que cette règle soit respectée sans transformer chaque analyse en audit.
Le sujet est déjà arrivé dans les contrats. Selon Digiday, les agences intègrent l'IA à leurs contrats-cadres clause par clause plutôt que de les réécrire. Trois choses déclenchent les modifications : un client qui demande un accès à l'outil d'IA propriétaire de l'agence, un client qui demande l'ajout de clauses spécifiques sur l'IA, ou un nouvel outil reposant sur l'IA utilisé sur un projet client. Keri Bruce, associée du cabinet d'avocats Reed Smith, le dit simplement : « Au fond, les gens veulent de la transparence. Ils veulent savoir quels outils sont utilisés. »
Savoir quel outil a été utilisé n'est que la première étape. La suivante, que tout directeur de clientèle a entendue en réunion, est plus inconfortable : « Et comment le sait-on ? » Si la réponse est « c'est l'IA qui le dit », l'insight ne vaut pas grand-chose, aussi bon soit-il.
Pourquoi les analyses réalisées par IA suscitent-elles la méfiance ?
Parce qu'elles arrivent souvent sans piste d'audit. Une synthèse bien ficelée, trois conclusions assurées et aucun chemin de retour vers les données d'origine. Le client ne peut pas savoir s'il a sous les yeux une lecture solide ou une synthèse plausible que personne n'a vérifiée.
Ajoutez les silos. Le social listening vit chez une équipe, les données de campagne chez une autre, le CRM chez le client et les publicités des concurrents sous forme de captures d'écran dans une présentation. L'IA n'analyse que ce qu'on lui fournit : des sources partielles produisent donc des conclusions partielles, et chaque équipe arrive en réunion avec sa propre version de la réalité.
Le résultat est trop familier : des heures passées à réconcilier des chiffres, des réunions pour décider quel chiffre l'emporte, et un client qui, par prudence, ne se fie à aucun.
L'asymétrie d'information : le problème sous-jacent
La théorie de l'asymétrie d'information, que l'économiste George Akerlof a popularisée avec son célèbre « marché des lemons », explique ce qui se passe quand une partie en sait bien plus que l'autre. L'acheteur, incapable de distinguer le bon du mauvais, se méfie de tout et paie tout moins cher.
L'IA fonctionne de la même façon. Si le client ne voit pas comment une conclusion a été obtenue, il dévalue toutes les conclusions, y compris les bonnes. Et le moment tombe plutôt mal : selon Digiday, l'IA réduit les heures que le travail exige et bouleverse le modèle des heures facturables des agences. Si le travail prend moins d'heures et inspire moins confiance, la marge est comprimée des deux côtés.
L'asymétrie existe aussi à l'intérieur de l'agence. L'analyste sait comment l'analyse a été faite ; le directeur de clientèle, non ; l'équipe créative, encore moins. La sortie est la même dans les deux cas : partager les preuves. La collaboration vient à bout de l'inefficacité quand tout le monde regarde les mêmes données et peut vérifier les mêmes choses.
Qu'est-ce qui rend une conclusion d'IA vérifiable ?
Utilisez ce tableau comme checklist avant qu'une analyse parte chez un client.
| Critère | Conclusion « boîte noire » | Conclusion vérifiable |
|---|---|---|
| Origine | « C'est l'IA qui le dit » | Liens vers des publications, des publicités ou des enregistrements précis |
| Périmètre | Ni sources, ni volume, ni période | Indique les sources, le volume analysé et les dates |
| Raisonnement | Mélange observation et interprétation | Sépare ce qui a été vu de ce qui est déduit |
| Mise à l'épreuve | Uniquement des éléments qui la confirment | Inclut ce qui la contredit ou la nuance |
| Revue | Une seule personne, aucune trace | Revue par la stratégie, le média et la clientèle |
| Reproductibilité | Impossible à refaire | Un autre membre de l'équipe obtient le même résultat |
| En réunion | Défendue par l'autorité | Défendue par des exemples |
Les bonnes pratiques d'analyse de données par IA, étape par étape
- Partez de la décision, pas des données. Écrivez la question et ce que vous feriez différemment selon la réponse. Si aucune réponse ne changerait quoi que ce soit, vous n'avez pas besoin de l'analyse.
- Rassemblez les sources au même endroit. Social listening, publicités des concurrents, données de campagne et, si possible, données du client. Moins la base est fragmentée, moins la conclusion est biaisée.
- Séparez observation et interprétation. « Beaucoup de commentaires mentionnent le prix » est une observation. « Le prix freine l'achat » est une interprétation. Demandez à l'outil de les présenter séparément.
- Exigez la traçabilité jusqu'aux données d'origine. Chaque conclusion doit pouvoir être reliée aux publications, aux publicités ou aux enregistrements qui l'étayent. Dans Defy Monitor, par exemple, chaque conclusion de l'IA renvoie aux vraies publications qui la sous-tendent, car la stratégie est déduite par rétro-ingénierie de ce que les audiences et les concurrents publient réellement, et non d'enquêtes.
- Cherchez les preuves contraires. Demandez ce qui contredit la conclusion. Si rien ne ressort, méfiez-vous : soit l'échantillon est petit, soit la question était biaisée.
- Faites une revue en équipe avant de présenter. Quinze minutes avec la stratégie, le média et la clientèle devant les mêmes exemples évitent des semaines de malentendus.
- Documentez outils, sources et dates. C'est exactement ce que, selon Digiday, les clients commencent à demander : quels outils sont utilisés et comment leurs données sont traitées.
Si vous voulez voir comment ce workflow est organisé, de la collecte des données à leur interrogation en équipe, découvrez la plateforme Defy.
Comment décloisonner les silos de données dans une agence ?
Pas avec une réunion hebdomadaire de plus, mais avec une base de preuves partagée. Quand la stratégie, le média, la création et la clientèle consultent les mêmes sources, les discussions ne portent plus sur le bon chiffre mais sur ce qu'il faut en faire.
Cela aide énormément si l'interrogation de cette base ne dépend pas d'une seule personne. Si seul l'analyste sait piloter le tableau de bord, le silo est toujours là ; il est simplement devenu humain. Les outils qui permettent de poser des questions aux données en langage naturel élargissent l'accès et, avec lui, la responsabilité de vérifier.
Que mettre dans le contrat et dans la présentation ?
Les contrats bougent déjà. Selon Digiday, Mile Marker a ajusté des clauses sur la gestion des métadonnées, la propriété intellectuelle des contenus générés par l'IA et la transparence sur les outils utilisés, tandis que Go Fish a ajouté des clauses de brand safety et de protection des données ces six derniers mois. Les clients, résume le média, veulent savoir comment leurs données sont stockées et utilisées, quelle supervision humaine existe et quels outils sont concernés.
Il est sensé de prendre les devants avec trois engagements qui n'ont pas à attendre le prochain renouvellement :
- Une annexe de preuves avec chaque livrable, montrant les sources et les exemples derrière chaque conclusion.
- Une ligne de supervision indiquant qui a relu l'analyse et quand.
- Un inventaire des outils : quelle IA a été utilisée, pour quoi et avec quelles données.
Brian Yamada, de VML, avertit dans le même article qu'il faut s'accorder sur une structure de coûts standard pour l'IA avant de pouvoir rédiger un langage contractuel standard, et conseille de prévoir de la flexibilité pour réviser les conditions. En attendant ce standard, la transparence est la meilleure clause qu'aucun contrat ne contient encore.
