IA pour le marketing : comment créer des workflows fiables et évolutifs

Au cours des dernières années, les équipes marketing ont traversé plusieurs phases d’adoption de l’IA : elles se sont d’abord demandé s’il fallait l’utiliser, puis dans quels domaines elle pouvait être utile, et enfin comment l’opérationnaliser. Désormais, le niveau d'exigence est plus élevé. Les dirigeants se demandent ce qui est fiable, ce qui est évolutif et comment obtenir le ROI attendu des investissements dans l’IA.

L’IA marketing est également plus performante. Les systèmes sont désormais capables de sélectionner des outils, de déclencher des workflows, d’orienter les décisions et de passer à l’action avec une intervention humaine limitée. Le marketing passe d’outils d’assistance à des agents qui prennent des initiatives. Si cette évolution permet d’accomplir plus de travail que jamais, elle accroît également les enjeux liés aux données, aux définitions et aux contrôles sous-jacents au workflow. Lorsque les données d’entrée sont incomplètes, incohérentes ou utilisées en dehors de leur finalité prévue, les systèmes d’IA peuvent propager des erreurs et des risques de confidentialité en aval avant que quiconque n’ait l’occasion de s’en apercevoir.

Le défi ne consiste donc pas simplement à intégrer l’IA à un plus grand nombre d’outils marketing. Les entreprises doivent connecter les systèmes d’IA à des données gouvernées, à un contexte métier partagé et à des limites opérationnelles claires, tout en préservant le jugement humain sur les objectifs, la qualité créative et les décisions importantes.

Comme l’écrit Denise Persson, CMO de Snowflake : « Les leaders du marketing qui prospéreront à l’ère agentique sont ceux qui comprennent que gouvernance et innovation ne sont pas incompatibles. »

Dans le marketing, l’IA désigne l’utilisation de l’IA prédictive, de l’IA générative et de systèmes agentiques pour interpréter les données marketing, faciliter la prise de décision et exécuter les tâches via des workflows marketing.

• L’IA prédictive estime ce qui est susceptible de se produire : Elle aide les spécialistes du marketing à identifier des modèles dans les données des clients et des campagnes, de la propension à la conversion et du risque d’attrition à la demande et à la valeur vie client.
• L’IA générative transforme le contexte en nouveau contenu : Elle produit ou adapte du texte, des images et des analyses à l’aide des instructions, des informations sources et du contexte d’audience qui lui sont fournis.
• L’IA agentique coordonne les tâches à plusieurs étapes : Elle récupère des informations, fait son choix parmi les outils approuvés et poursuit une tâche dans les limites fixées par l’application.

Ces capacités sont souvent connectées au sein d’un workflow. Par exemple, un modèle prédictif peut identifier les clients présentant une forte probabilité d’attrition, tandis qu’un système génératif prépare des messages pour les segments correspondants. Un agent peut ensuite vérifier l’éligibilité, transmettre la campagne pour approbation et coordonner l’activation.

L’IA générative aide les équipes marketing à produire et à adapter plus rapidement les ressources de campagne, en particulier lorsqu’une campagne doit prendre en charge plusieurs audiences, formats et canaux.

Les applications courantes incluent :

• Développement de campagnes : transformer un brief approuvé en texte initial, en concepts visuels et en variantes de messages.
• Adaptation aux canaux : remanier le contenu source pour les e-mails, les médias payants, les réseaux sociaux, les pages de destination et d’autres formats.
• Analyse de contenu : classer les ressources, extraire les thèmes des retours clients et comparer les brouillons avec les affirmations ou la terminologie approuvées.
• Gestion des contenus : étiqueter, résumer et organiser des bibliothèques de contenus en expansion, afin que les équipes puissent retrouver et réutiliser les ressources pertinentes.

Le modèle ne peut produire une ressource utile que s’il dispose de suffisamment de contexte pour comprendre à la fois le message et ses limites. Les informations produit approuvées déterminent les affirmations qu’il peut étayer, tandis que le contexte de l’audience et de la campagne clarifie ce que la ressource doit accomplir. Les normes de la marque, les exigences légales et les règles du canal définissent ensuite la manière dont ce message peut être exprimé dans le format final.

Le fait de séparer ces éléments des instructions créatives améliore également le processus de révision. Les équipes peuvent valider les affirmations, la terminologie et les mentions légales par rapport aux sources approuvées, puis faire appel au jugement humain pour évaluer l’adéquation à l’audience, l’originalité et la force de persuasion.

Découvrez comment obtenir une qualité de données fiable dans Snowflake, directement sur la plateforme, sans outils ni infrastructure supplémentaires :

La personnalisation repose depuis longtemps sur des modèles de segmentation, de notation et de recommandation. L’IA améliore ces processus en interprétant un ensemble plus large de signaux comportementaux, transactionnels et non structurés, puis en ajustant le résultat à mesure que le contexte client évolue.

Le système doit identifier le client, interpréter les signaux disponibles et déterminer quelles actions sont pertinentes et autorisées. L’IA peut alors prendre en charge plusieurs étapes de ce processus :

• Segmentation : identifier des groupes de clients ou de comptes à partir de modèles qui peuvent être difficiles à repérer via des règles définies manuellement.
• Modélisation de la propension et de l’attrition : estimer la probabilité qu’un client convertisse, se désengage ou réponde à une action spécifique à mesure que de nouveaux signaux arrivent.
• Valeur vie client : estimer la valeur future d'une relation client en exploitant un plus large éventail de données comportementales et transactionnelles.
• Recommandations : classer les produits, les offres, le contenu ou les prochaines actions en fonction du contexte actuel du client et des options disponibles.
• Adaptation des messages : ajuster le langage, le format ou la création pour une audience, un canal ou une étape du parcours client.

Ces applications dépendent de trois exigences liées : suffisamment de contexte pour comprendre la situation actuelle du client, des règles qui déterminent quelles réponses sont autorisées et un moyen fiable d’associer l’activité au bon client, compte ou groupe d’acheteurs.

La prévision, le lead scoring et les règles d'optimisation jouent déjà un rôle bien établi dans la planification des campagnes. L’IA modifie la façon dont ces méthodes peuvent fonctionner ensemble en analysant un ensemble plus large de signaux liés à l’audience, à la création, aux canaux et aux résultats, puis en révisant les recommandations à mesure que la performance évolue.

Les applications courantes incluent :

• Planification de l’audience : combiner les estimations de propension, d’attrition et de valeur client pour prioriser les clients ou les comptes en fonction d’un objectif de campagne spécifique.
• Prévisions : estimer la demande, la conversion, le pipeline ou les revenus à l’aide des signaux actuels de la campagne, des clients et du marché.
• Lead scoring : mettre à jour le score des leads ou des comptes à mesure que de nouveaux comportements, des informations firmographiques et des résultats en aval deviennent disponibles.
• Allocation budgétaire : comparer la performance sur l’ensemble des campagnes et des canaux, puis recommander les domaines où des dépenses supplémentaires sont les plus susceptibles d’améliorer le résultat sélectionné.
• Publicité programmatique : ajuster les enchères, les placements et la diffusion auprès de l’audience à mesure que la performance et les conditions d’inventaire évoluent.
• Optimisation des campagnes : Identifier si des modifications apportées à l’audience, aux créations, aux offres, aux canaux ou aux dépenses sont les plus susceptibles d’améliorer les résultats.
• Transfert du marketing aux ventes : Transmettre le score, les signaux explicatifs et le résultat prédit à l'équipe commerciale, afin que le classement oriente l'action suivante.

L'IA peut analyser une plus grande partie de la campagne et recommander des modifications plus fréquemment, mais l'organisation doit néanmoins définir l'objectif, harmoniser les métriques sous-jacentes et utiliser des expérimentations ou des méthodes d'attribution appropriées pour déterminer si la campagne est à l'origine du résultat observé.

L’automatisation traditionnelle du marketing fonctionne bien lorsque les équipes peuvent définir le déclencheur et la réponse à l’avance. Les agents d’IA prennent en charge les workflows qui nécessitent une investigation avant que la prochaine action ne soit claire. Lorsque les performances d'une campagne se dégradent, par exemple, la réponse appropriée dépend de la cause : une faible diffusion, la lassitude de l'audience, une création peu percutante et des données de conversion incomplètes nécessitent des actions différentes.

Les agents marketing peuvent prendre en charge des tâches telles que :

• Supervision des campagnes : Comparer la performance actuelle avec le budget, le rythme et les objectifs de résultats.
• Investigation de la performance : Examiner la fréquence de l’audience, la diffusion sur les canaux, la réponse aux créations et la fraîcheur des mesures.
• Coordination des workflows : Acheminer les recommandations, les validations et les actions effectuées entre les systèmes marketing.
• Opérations sur les leads et les audiences : Qualifier, enrichir ou acheminer les enregistrements à l’aide des données internes actuelles et des règles métier définies.
• Workflows de la meilleure action suivante : Recommander ou exécuter une réponse approuvée en fonction du contexte client.

Ces workflows varient en fonction du niveau de responsabilité assumé par le système. Un copilote prend en charge les tâches interactives : le marketeur peut demander une analyse, examiner le résultat fourni par le copilote et décider de la suite des événements. Un agent peut poursuivre plus loin dans le workflow, en utilisant des outils approuvés pour investiguer un problème, préparer une recommandation, acheminer le travail ou prendre une action autorisée.

À mesure que le système assume davantage de travail intermédiaire, ses limites de fonctionnement deviennent plus importantes. Les identités de service, les autorisations des outils, les seuils d'approbation, les limites de budget et les conditions d'arrêt définissent ces garde-fous pour empêcher les agents d'agir en dehors de leurs attributions.

La fiabilité dépend du maintien du bon contexte et des bons contrôles à chaque étape du workflow. Cela inclut la mise en relation des données clients et de campagne, l'harmonisation des définitions métier, l'application des exigences de confidentialité et d'accès, la limitation de l'autorité des agents et l'évaluation de la pertinence des résultats au regard de l'objectif commercial visé.

Des modèles plus performants ne résolvent pas les définitions peu fiables, le contexte client fragmenté ou les accès inappropriés. Comme l’écrit Patrick Crosby de Snowflake : « Cela ne se résout pas avec de meilleurs modèles. Cela se traite avec une fondation de données et d’IA flexible. ».

Connecter les données clients et des campagnes

Les décisions marketing s’appuient sur les enregistrements de gestion de la relation client, les transactions, l’activité sur les produits, le comportement web, l’exposition aux campagnes, le statut de consentement et les résultats en aval. Chaque système ne capture qu’une partie de la relation client. Lorsque ces enregistrements restent séparés, la segmentation peut utiliser une identité client, l’activation une autre et la mesure une troisième.

Une vue client à 360 degrés connectée donne aux modèles et aux applications accès à une identité et à un historique d’interaction homogènes. La résolution d'identité relie les enregistrements entre les systèmes, tandis que la fraîcheur des données devrait correspondre au workflow. Par exemple, un modèle de planification trimestrielle peut tolérer un cycle d'actualisation plus lent, mais un workflow next-best-action nécessite les données d'achats actuels, d'activité produit, d'exposition aux campagnes et de consentement avant de sélectionner une réponse.

Les équipes doivent également surveiller les données alimentant le workflow. Les champs manquants, les mises à jour retardées et les modifications de la couverture des sources peuvent créer des résultats d’apparence plausible mais inexacts.

Standardiser les métriques et les définitions métier

Le nom d’une colonne n’indique pas à un modèle comment l’organisation la définit. Par exemple, une conversion peut représenter la soumission d’un formulaire sur une plateforme, un achat finalisé sur une autre et une opportunité acceptée par les ventes sur une troisième. Le chiffre d’affaires peut faire référence aux réservations, aux revenus comptabilisés ou à la valeur client projetée. Chaque définition peut être valide, mais soutenir des décisions marketing différentes.

Le contexte sémantique rend les distinctions explicites grâce à des métriques gouvernées, des vues, des métadonnées et des relations entre les entités métier. Il peut également préserver les fenêtres d’attribution, les exclusions d’audience, l’éligibilité aux offres et les critères de transfert du marketing aux ventes.

Les définitions importantes devraient être confiées à un responsable ou steward désigné, chargé de valider les modifications et d'arbitrer les divergences entre le marketing, les ventes, la finance et l'analytique. En l'absence d'un tel référent, les modèles et les rapports peuvent continuer à utiliser des versions différentes de la même métrique, bien après que l'organisation croit la question réglée.

Faire respecter les contrôles de confidentialité, de consentement et d’accès

Les workflows marketing utilisent souvent des données personnelles, comportementales et des données sensibles sur le plan commercial. Ces enregistrements restent soumis aux exigences d’accès, de consentement et d’utilisation autorisée lorsqu’un modèle les récupère ou qu’un agent agit sur eux.

Le contrôle d’accès basé sur les rôles (RBAC) limite les utilisateurs et les identités de service pouvant consulter les données au niveau du client. La classification et le masquage protègent les champs sensibles, tandis que les enregistrements de consentement et de préférences déterminent les audiences, les offres et les canaux disponibles pour le workflow.

En France et dans l'Union européenne, les workflows marketing utilisant des données personnelles pour le ciblage et la personnalisation sont soumis au Réglement Général sur la Protection des Données (RGPD). La Commission Nationale de l'Informatique et des Libertés (CNIL) a publié des recommandations spécifiques sur les cookies, les traceurs et le démarchage commercial que les outils de marketing basés sur l'IA doivent respecter. De plus, les clients disposent d'un droit d'opposition au profilage (article 21 du RGPD), que les workflows de personnalisation basés sur l'IA doivent être en mesure d'honorer.

La raison pour laquelle les données ont été collectées est également un facteur. Les informations recueillies pour fournir un service peuvent ne pas être autorisées à des fins de ciblage ou de modélisation. Les exigences régionales en matière de confidentialité, les contrats et les politiques de conservation peuvent restreindre davantage l’utilisation possible.

Pour la collaboration avec un partenaire, les data clean rooms prennent en charge l’analyse approuvée des audiences et des mesures sans exposer les enregistrements bruts des clients à un autre participant. Elles aident à contrôler la façon dont les données sont jointes et analysées, mais elles ne remplacent pas le consentement, l’examen contractuel ou les exigences légales applicables.

Les enregistrements d’audit doivent indiquer les données auxquelles l’application a accédé, les politiques appliquées et la façon dont le résultat a été utilisé.

Limiter les autorisations et les actions des agents

Le risque opérationnel augmente avec l’autorité accordée au système, car la même erreur peut produire des conséquences très différentes selon que le système se contente de recommander une action ou qu’il l’exécute. Pour cette raison, les workflows basés sur des agents nécessitent des autorisations au niveau des actions en plus des contrôles d’accès aux données.

Un agent peut être autorisé à :

• Consulter les performances de la campagne, mais ne pas modifier les dépenses, ou les ajuster uniquement dans une certaine limite
• Préparer une audience, mais ne pas l’activer
• Mettre en pause une campagne dans des conditions définies, mais exiger une approbation avant de la redémarrer
• Générer et acheminer du contenu, mais ne pas avoir l’autorisation de le publier

Les identités de service, les autorisations des outils, les seuils d’approbation, les plafonds budgétaires et les conditions d’arrêt définissent le périmètre d’intervention de l’agent. L’application ne doit accorder que les outils et l’autorité nécessaires à la tâche assignée.

Les équipes ont également besoin de traces indiquant les données utilisées par l’agent, les outils qu’il a appelés et la façon dont il a atteint le résultat final. Ces enregistrements facilitent les processus d’audit et d’examen lorsque le workflow produit un résultat inattendu ou franchit un seuil d’approbation.

Évaluer les résultats par rapport aux objectifs commerciaux

L’évaluation doit répondre à deux questions distinctes : Le système d’IA a-t-il correctement exécuté la tâche qui lui a été assignée, et cette tâche a-t-elle contribué au résultat marketing que l’organisation souhaitait améliorer ?

Au niveau de la tâche, les critères dépendent du type d’IA impliqué. Un modèle prédictif doit produire des estimations qui correspondent aux résultats observés et améliorer la décision qu’il appuie. Un système génératif doit utiliser des faits exacts, une terminologie approuvée et les mentions obligatoires. Un agent doit sélectionner les outils appropriés, rester dans les limites de son autorité et faire remonter le problème ou y remédier lorsqu'une source de données ou un service en aval tombe en panne.

Pour évaluer si le système a optimisé le bon résultat, les équipes doivent définir l’objectif, la fenêtre de mesure et la méthode de comparaison avant que le système ne commence à optimiser en fonction d’un indicateur. Sinon, un workflow pourrait améliorer le taux de clics au détriment du pipeline qualifié, par exemple, ou augmenter les conversions attribuées sans produire de revenus supplémentaires.

La conception des mesures détermine les conclusions que l’organisation peut étayer. Les clients sélectionnés pour une campagne peuvent déjà avoir une intention d'achat plus élevée que ceux qui en ont été exclus, de sorte que les expérimentations, les groupes de contrôle et les méthodes d'attribution appropriées restent nécessaires pour distinguer l'impact de la campagne des résultats qui se seraient probablement produits de toute façon.

Surveiller la qualité du contenu et les biais

Les systèmes d’IA reflètent la qualité et la distribution des informations qu’ils utilisent. Des erreurs peuvent se glisser lorsque les données source sont obsolètes, incomplètes ou incohérentes, et des biais peuvent s'introduire lorsque certains clients, comportements ou résultats sont surreprésentés par rapport à d'autres. Par exemple, les données marketing historiques portent les effets des décisions antérieures de ciblage, d'éligibilité et de mesure ; les régularités qu'elles contiennent peuvent donc refléter le mode de fonctionnement de l'organisation plutôt que les réponses qu'auraient produites les clients à conditions égales.

Remédier aux problèmes de qualité des contenus et aux biais commence par des données source gouvernées et à jour ainsi que par des définitions documentées, mais exige également une démarche active de tests. Des critères d'examen, des données d'évaluation représentatives, une analyse des performances par groupe et une supervision humaine permettent d'identifier les cas où le système produit des contenus non étayés, des taux d'erreur inégaux ou des résultats systématiquement différents selon les publics. Lorsque ces modèles apparaissent, les équipes doivent corriger les données, les étiquettes, les instructions ou les règles de décision qui les ont produits plutôt que de s’appuyer uniquement sur un examen en aval.

L’AI Data Cloud pour Marketing de Snowflake offre aux équipes marketing un environnement partagé pour travailler avec les données des clients, des produits et des campagnes, puis appliquer l’IA à ces informations sans nécessiter une architecture distincte pour chaque cas d’usage.

Snowflake CoWork offre aux spécialistes du marketing et aux autres utilisateurs professionnels une interface conversationnelle pour examiner les données d’entreprise gouvernées et faire avancer les travaux approuvés. Un spécialiste du marketing peut utiliser CoWork pour examiner un changement dans les performances de la campagne, comparer les résultats des médias avec les données du pipeline ou des transactions, et préparer une recommandation fondée sur les données actuelles et le contexte sémantique de l’organisation.

Snowflake AI Functions prennent en charge le traitement d’IA reproductible au sein des workflows de données qui sous-tendent ces expériences. Les équipes marketing, analytiques et de données peuvent les utiliser pour classer du contenu, extraire des informations, résumer les résultats de campagnes, analyser les retours clients et générer des supports à partir d’un contexte de produit ou de campagne approuvé, sans avoir à déplacer au préalable les données sous-jacentes vers un environnement de traitement d’IA distinct.

Pour les workflows qui doivent se poursuivre à travers plusieurs étapes ou outils, Cortex Agents fournit l’orchestration sous-jacente. Un agent peut utiliser Cortex Analyst pour interroger des données structurées, Cortex Search pour récupérer des informations à partir de sources non structurées et des outils personnalisés pour relier l’information exploitable obtenue à un processus métier approuvé. Les outils et les autorisations attribués à l’agent déterminent si le workflow s’arrête à l’analyse, prépare une recommandation, achemine le travail pour approbation ou se poursuit dans un autre système.

Snowflake Horizon Catalog étend la gouvernance à l'ensemble de ces charges de travail de données et d'IA. La classification, le masquage, l’accès basé sur les rôles et la traçabilité des données restent connectés aux données sous-jacentes, aidant les équipes à contrôler quels utilisateurs et identités de service peuvent accéder aux informations clients et comment ces informations sont utilisées. Cortex AI Guardrails ajoute une protection à l’exécution contre les injections de prompt et les tentatives de jailbreak pour les expériences agentiques prises en charge.

Snowflake Data Clean Rooms étend cette même approche gouvernée à la collaboration entre les annonceurs, les éditeurs et d’autres partenaires. Les Data Clean Rooms sont conçues pour permettre aux participants d’effectuer des analyses d’audience et de mesure approuvées sans exposer les dossiers clients bruts, tout en conservant des contrôles définis sur la façon dont les données sont jointes, interrogées et utilisées.

Ensemble, ces capacités permettent aux équipes marketing d’utiliser différents modèles, applications et plateformes d’activation tout en maintenant la cohérence des données, du contexte sémantique et des politiques qui sous-tendent ces workflows.

À mesure que les capacités d’IA se démocratisent, l’accès aux modèles d’IA deviendra une commodité. Le véritable avantage résidera dans l’efficacité avec laquelle une organisation connecte les capacités des modèles à sa propre connaissance client, à ses règles métier et à ses processus décisionnels.

Les entreprises qui tireront le plus grand parti de l’IA en marketing seront celles qui la traiteront comme un modèle opérationnel plutôt que comme un ensemble de fonctionnalités. Elles intégreront la responsabilité dès la conception, étendront l’autonomie de manière stratégique et utiliseront l’IA pour renforcer, et non remplacer, le jugement humain qui sous-tend le travail.