mediaROI : « L’IA ne remplace pas la rigueur scientifique, elle la démocratise »

Cette interview a été réalisé en collaboration avec mediaROI

Qu’est-ce que l’intelligence artificielle permet d’accomplir aujourd’hui dans la mesure de l’efficacité marketing par rapport à il y a trois ans ?

Antoine Szalewski : L’IA ne remplace en aucun cas la rigueur scientifique, mais elle permet de rendre la mesure beaucoup plus accessible et rapide. Historiquement, la mise en place d’un Marketing Mix Modeling (MMM) souffrait d’une collecte de données extrêmement chronophage qui pouvait s’étaler sur 3 à 6 mois, et le coût de ce type d’études pouvait dépasser 100 000 euros. De plus, le résultat final se limitait souvent à un document statique de 50 slides peu actionnable, livré une seule fois par an. Aujourd’hui, grâce à l’automatisation de la collecte de la donnée et aux nouvelles technologies, les plateformes accélèrent ce processus et permettent des mises à jour annuelles, semestrielles, trimestrielles, voire mensuelles. Le MMM devient ainsi un véritable outil de pilotage en continu.

Comment ce modèle s’intègre-t-il dans le concept d’UMM (Unified Marketing Measurement) ?

L’UMM est un framework apparu vers 2020-2021 à la suite des réglementations RGPD et à l’App Tracking Transparency (ATT) d’Apple, puis avec la limitation des cookies sur Chrome. Plutôt que de travailler en silo, l’UMM propose de combiner trois piliers : le MMM, l’attribution et l’incrémentalité. Dans ce cercle vertueux, le MMM tourné de façon fréquente vient calibrer l’attribution digitale, tandis que les tests d’incrémentalité viennent nourrir et améliorer le paramétrage du MMM. Ce framework tout-en-un permet aux marques d’optimiser leurs choix stratégiques sans avoir à opposer ces différentes méthodologies.

Avec l’intégration de l’IA, ne craignez-vous pas un effet « Black Box » où les annonceurs perdent le contrôle sur la façon dont les résultats sont calculés ?

Non, car la transparence est primordiale pour la mesure. L’IA n’est pas le modèle en soi : le cœur du réacteur reste un modèle statistique robuste de régression linéaire bayésienne (méthode qui permet d’attribuer un effet probable à une campagne ou à un canal en quantifiant aussi la marge d’incertitude, ndlr). L’IA agit comme une couche d’orchestration pour y voir plus clair et aller plus vite. Nous refusons l’approche « Black Box » et partageons tous les résultats, les intervalles de confiance et les indicateurs de robustesse avec nos clients. Un modèle bayésien a besoin de l’expertise métier de la marque pour être bien calibré, c’est donc un travail de collaboration totalement transparent.

Face à cette automatisation, quelle place reste-t-il pour l’expertise humaine ?

L’avenir sera une affaire de complémentarité. L’IA va prendre en charge les 80 % de tâches chronophages, comme la collecte et la saisie de data dans des fichiers Excel. Les 20 % restants seront dédiés à l’intelligence pure et à la recommandation stratégique, portées par l’humain. L’IA ne possède pas de manière innée la connaissance du marché ni la subtilité du média planning. Il y aura toujours besoin de data scientists pour finaliser la modélisation et de stratèges médias pour accompagner les clients dans l’application des recommandations.

Quels sont les signaux faibles ou les prochaines évolutions à anticiper dans l’avenir de la mesure ?

Tout d’abord, l’adoption du framework UMM va continuer de croître, car on sait qu’aujourd’hui, beaucoup de marques n’ont pas encore mis en place des modèles MMM. Ensuite, nous allons enrichir les modèles avec de nouvelles données. Par exemple, l’intégration du GEO pour mesurer l’impact de la présence organique, ainsi que l’intégration des scores créatifs des vidéos, sachant que 50 % de l’efficacité d’une campagne provient de la création publicitaire. Enfin, nous développons des protocoles MCP qui permettront prochainement aux agents IA internes des marques comme ChatGPT ou Claude de se connecter directement à notre plateforme pour extraire des informations et optimiser leurs briefs médias.