Un directeur marketing explique comment utiliser l’IA comme boucle d’apprentissage et d’expérimentation

Lomit Patel est un cadre dirigeant spécialisé dans la croissance et le marketing, actuellement directeur marketing chez TYB (Try Your Best). Il est également l’auteur de Lean AI.

Nous avons échangé avec Lomit pour comprendre comment il transforme les opérations marketing en une boucle continue d’apprentissage et d’expérimentation. Voici ce qu’il nous a confié.

Le marketing est en pleine redéfinition

J’ai passé les 20 dernières années et plus à aider des entreprises comme Roku, IMVU, TrustedID et Texture à changer d’échelle. Actuellement, je suis directeur marketing chez TYB (Try Your Best), où je dirige une organisation marketing allégée, mais très performante, fondée sur une conviction centrale : la communauté n’est pas un canal, c’est un système de mise sur le marché.

Dans chacun de ces rôles, j’ai systématiquement créé des systèmes qui relient les enseignements issus des clients à des résultats commerciaux mesurables. Au début de ma carrière, la croissance était largement pilotée par les canaux. On optimisait les campagnes, on testait les créations et on développait ce qui fonctionnait. Mais même à cette époque, je me concentrais sur une question plus profonde : comment utiliser les données et l’expérimentation pour éliminer les approximations et accélérer la prise de décision sur l’ensemble de l’entonnoir.

Cette réflexion a évolué vers une perspective plus large que j’ai explorée dans mon livre, Lean AI, où je me suis intéressé non seulement à l’utilisation de l’IA pour gagner en efficacité, mais aussi à la refonte du fonctionnement des systèmes de croissance.

Chez IMVU, par exemple, nous sommes passés de l’optimisation manuelle à l’orchestration pilotée par l’IA des parcours utilisateurs, des tests de créations et de l’engagement tout au long du cycle de vie. Mon objectif a toujours été le même : accélérer et améliorer la qualité de l’apprentissage, tout en renforçant la rétention et la valeur vie client.

Aujourd’hui, en tant que directeur marketing chez TYB, cette évolution s’est pleinement accélérée. L’IA n’est plus seulement un outil de la pile technologique ; elle devient la couche opérationnelle du marketing moderne. Nous passons d’une logique de campagne à une logique systémique, où les signaux, l’automatisation et l’intelligence créative interagissent en permanence et en temps réel.

Ce qui m’enthousiasme le plus, c’est que le marketing est en train d’être fondamentalement redéfini. Nous passons du rôle de gestionnaires de canaux et de conteurs à celui d’architectes de systèmes de croissance intelligents, capables d’apprendre, de s’adapter et de déployer leur impact à grande échelle dans l’acquisition, l’engagement et la monétisation.

Comment l’IA a transformé le marketing en un système d’apprentissage en temps réel

L’IA a remis en question trois grandes hypothèses du marketing :

1. Dans un environnement optimisé par l’IA, l’efficacité des canaux devient davantage une référence de base qu’un goulot d’étranglement. C’est le système qui l’entoure qui différencie les performances : à quelle vitesse pouvez-vous détecter l’intention, interpréter les comportements, générer des hypothèses et adapter les messages ou les expériences produit en conséquence ?
2. L’IA nous a montré que les segments ne sont pas suffisamment stables pour constituer le fondement des stratégies marketing. Les modèles traditionnels de segmentation supposent l’existence de groupes d’utilisateurs relativement fixes auxquels on peut adresser des messages cohérents. Avec l’IA, nous constatons désormais que les comportements des utilisateurs sont bien plus fluides. Les intentions évoluent rapidement et les segments statiques sont souvent en décalage avec la réalité. Cela nous a conduits à privilégier une classification dynamique, constamment actualisée et fondée sur les comportements.
3. Les campagnes ne sont plus l’unité centrale de l’exécution marketing. Elles supposent un début, une fin et un cycle d’évaluation. L’IA nous a poussés vers des systèmes actifs en permanence, dans lesquels les expérimentations se déroulent en continu, l’apprentissage est progressif et l’optimisation est constante plutôt que ponctuelle.

Autrement dit, le marketing est un système d’apprentissage en temps réel, où la vitesse d’interprétation et d’adaptation compte davantage qu’une planification statique ou un ciblage parfait.

Comment l’IA transforme les processus marketing

Nous sommes donc passés d’une planification statique des campagnes à une expérimentation active en permanence, guidée par les signaux, sur l’ensemble du système marketing.

Historiquement, nous planifiions les campagnes par cycles. Nous définissions les messages, créions les ensembles de contenus, lancions les campagnes, puis analysions les résultats après un délai significatif. Ce modèle est trop lent dans un environnement natif de l’IA, car les comportements des utilisateurs et les signaux d’intention évoluent rapidement.

Nous avons mis en place un flux de croissance assisté par l’IA qui transforme en continu les signaux comportementaux en temps réel en expériences déclenchées et en messages adaptatifs sur les canaux du cycle de vie, du contenu et de la performance. Au lieu d’attendre la fin d’une campagne, nous considérons désormais chaque signal utilisateur significatif, chaque comportement d’intégration, chaque participation à la communauté et chaque activité des créateurs comme des données d’entrée permettant d’informer immédiatement la meilleure action suivante.

Concrètement, cela a transformé le fonctionnement des équipes. L’itération créative est plus rapide, car l’IA aide à générer et à tester des variantes en continu. Le marketing du cycle de vie est plus dynamique, car les messages ne sont plus liés à des segments fixes, mais à des groupes comportementaux en évolution. Et les signaux d’intention au sein du produit influencent de plus en plus le marketing à la performance, et pas seulement le ciblage au niveau des plateformes.

Le changement le plus important est toutefois culturel. Le marketing n’est plus organisé autour de campagnes. Il est organisé autour d’une boucle d’apprentissage continue dans laquelle l’IA nous aide à détecter les signaux, à formuler des hypothèses et à déployer à grande échelle ce qui fonctionne, presque en temps réel.

Un flux de croissance assisté par l’IA – flux de travail

Lomit partage

Au lieu de nous appuyer sur des personas statiques ou des étapes fixes du cycle de vie, nous utilisons l’IA pour identifier des schémas tels que «à forte intention, mais avec une faible activation, », «participants actifs présentant un faible risque de rétention, » ou «nouveaux utilisateurs manifestant rapidement un comportement de recommandation. »

Voici le fonctionnement du flux :

1. Tout commence par des signaux comportementaux en temps réel au sein du produit et de la communauté. Nous suivons des actions telles que la progression de l’intégration, le niveau de participation, l’activité des créateurs et les schémas d’engagement. Le changement clé est que ces signaux ne sont plus de simples tableaux de bord analytiques ; ils constituent des données d’entrée structurées dans notre système marketing. Outils : Segment pour la collecte et le routage des événements, Amplitude pour l’analyse comportementale et Snowflake comme socle de l’entrepôt de données.
2. Ensuite, l’IA nous aide à regrouper et à interpréter ces signaux pour former des segments d’intention dynamiques. Au lieu de nous appuyer sur des personas statiques ou des étapes fixes du cycle de vie, nous utilisons l’IA pour identifier des schémas tels que « à forte intention, mais avec une faible activation », « participants actifs présentant un faible risque de rétention » ou « nouveaux utilisateurs manifestant rapidement un comportement de recommandation ». Ces segments évoluent constamment en fonction des comportements observés en direct. Outils : BigQuery et les modèles Python/ML pour créer des caractéristiques comportementales, avec OpenAI (GPT) utilisé pour étiqueter et interpréter les schémas d’intention émergents.
3. Après avoir constitué ces groupes, l’IA nous aide à formuler des hypothèses et à définir une direction créative. Pour chaque segment, nous identifions le message le plus susceptible d’influencer le comportement, et l’IA aide à générer des variantes de textes, d’accroches et d’angles de contenu. Il ne s’agit pas d’une production entièrement automatisée, mais cela augmente considérablement la vitesse d’exploration des pistes de communication. Outils : ChatGPT et Claude pour générer des angles de communication, des accroches et des variantes de positionnement, avec Notion AI pour organiser et tenir à jour une bibliothèque créative évolutive.
4. Nous intégrons ensuite ces résultats à une expérimentation continue sur les points de contact du cycle de vie, de la publicité payante et de la communauté. Au lieu de mener des campagnes isolées, nous déployons constamment de petits tests itératifs, en ajustant les messages, les créations et le calendrier en fonction des signaux de performance en temps réel. Outils : Braze pour les expériences du cycle de vie, Optimizely pour les tests A/B des produits et des sites web, et LaunchDarkly pour la gestion des indicateurs de fonctionnalité et les déploiements contrôlés.
5. Enfin, et surtout, le système boucle avec une synthèse des apprentissages assistée par l’IA. Nous ne nous contentons pas d’analyser ce qui a obtenu de meilleurs résultats ; nous utilisons l’IA pour faire ressortir les raisons pour lesquelles certains messages ou parcours ont fonctionné auprès de segments spécifiques. Ces enseignements éclairent ensuite directement l’évolution de la logique de segmentation, des cadres de communication et des décisions marketing fondées sur le produit. Outils : Amplitude pour les informations clés comportementales, Looker pour les rapports structurés et Claude pour synthétiser les apprentissages en récits et en cadres décisionnels.

Comment les transformations apportées par l’IA profitent aux spécialistes du marketing

Du côté positif, le principal impact de l’IA a été l’accélération et l’augmentation du volume d’expérimentations. Nous avons considérablement accru le nombre d’expériences créatives et liées au cycle de vie que nous pouvons mener sur une période donnée, car l’IA réduit les frictions lors de la génération de variantes, du test des messages et de l’itération fondée sur les performances des premiers signaux. Cela s’est traduit par des cycles d’apprentissage plus rapides dans les programmes d’acquisition comme de rétention.

Nous avons également constaté des améliorations de l’efficacité de la conversion grâce à une meilleure utilisation des signaux. En reliant les comportements au sein du produit et de la communauté à l’activation marketing, nous réagissons beaucoup plus tôt aux intentions au cours du parcours utilisateur. Cela a amélioré la qualité du parcours allant du trafic à l’activation et renforcé la rétention en aval, car les utilisateurs reçoivent des points de contact plus pertinents sur le plan contextuel.

Un autre avantage évident est la réduction de la dépendance à l’égard d’une segmentation rigide et d’analyses manuelles. Le regroupement piloté par l’IA et la génération d’informations nous permettent d’évoluer vers des définitions dynamiques des audiences, qui reflètent mieux la manière dont les utilisateurs se comportent plutôt que la façon dont nous les regroupions historiquement.

Le risque d’aller trop vite avec les informations issues de l’IA

Sur un plan plus nuancé, nous avons également dû revoir nos attentes concernant le bruit des signaux et la surautomatisation.

Au début, nous avions tendance à agir trop rapidement sur un trop grand nombre d’informations générées par l’IA, ce qui créait une fragmentation des messages et une surcharge d’expérimentations. Nous avons dû prendre du recul et introduire des filtres humains plus stricts afin de garantir la priorisation et la cohérence narrative.

Nous avons également sous-estimé la nécessité de faire preuve de rigueur dans la définition préalable des indicateurs de réussite. L’IA permet d’itérer très facilement et très rapidement, mais si vous n’ancrez pas vos expérimentations dans des résultats comportementaux ou commerciaux clairs, vous risquez d’optimiser l’engagement au sein d’une partie limitée du système plutôt que l’impact réel sur l’entreprise.

Si je l’avais compris plus tôt, j’aurais consacré moins de temps à augmenter le volume d’expérimentations et davantage à concevoir le modèle opérationnel autour des décisions pilotées par l’IA, notamment en établissant des cadres d’hypothèses plus rigoureux, une responsabilité décisionnelle plus clairement définie et un meilleur alignement entre les signaux marketing et les résultats de l’entreprise.

Ce que l’IA prend en charge et là où les humains conservent la supervision

Nous établissons une distinction claire entre ce que l’IA éclaire et ce dont les humains sont responsables, et cette distinction repose sur une question : s’agit-il d’optimisation et de reconnaissance des schémas, ou de jugement, de contexte et de sensibilité créative ?

Nous nous appuyons de plus en plus sur l’IA pour traiter les signaux, segmenter les audiences et mener des expérimentations à grande échelle. Cela comprend l’identification des schémas comportementaux à travers l’activité de la communauté et du produit, le regroupement des utilisateurs en segments dynamiques selon leurs actions en temps réel, ainsi que la génération et l’itération de variantes créatives et de messages. L’IA analyse également en profondeur les données de performance sur l’ensemble des canaux et fait émerger des informations qui ne sont pas évidentes, plus rapidement qu’une analyse manuelle ne pourrait jamais le faire.

L’IA est particulièrement efficace pour raccourcir le délai entre le signal et l’action. Par exemple, elle peut détecter des évolutions dans les comportements d’engagement au sein du produit ou de la communauté, suggérer des hypothèses et même générer des variantes créatives ou liées au cycle de vie qui peuvent être testées. Cela nous permet de mener bien plus d’expérimentations que ne le permettrait une structure d’équipe traditionnelle.

Les humains sont responsables du positionnement, de la narration et de la direction créative. L’IA peut générer des variantes, mais elle ne peut pas définir ce que nous défendons ni la manière dont nous voulons nous présenter sur le marché. Cela nécessite une compréhension de la marque, de la psychologie de l’audience et de la différenciation à long terme qui va au-delà de la reconnaissance des schémas.

Lomit partage

\u003cstrong\u003eCe n’est pas parce que l’IA peut faire émerger des dizaines d’opportunités que nous devons agir sur chacune d’elles. Décider de ce qu’il ne faut pas faire et de ce qui est en accord avec la thèse de croissance globale reste une responsabilité profondément humaine.\u003c/strong\u003e

Dans les environnements axés sur la communauté, en particulier, l’IA n’a pas remplacé les interactions humaines authentiques ni la construction de la confiance. Elle peut contribuer à intensifier l’engagement et à identifier des schémas, mais elle ne peut pas reproduire la crédibilité qui découle d’une participation réelle, d’une présence active des dirigeants et du jugement humain dans les moments clés de la vie communautaire.

Les humains sont également responsables de la priorisation et des arbitrages stratégiques. Comme je l’ai déjà dit, ce n’est pas parce que l’IA peut faire émerger des dizaines d’opportunités que nous devons agir sur chacune d’elles. Décider de ce qu’il ne faut pas faire et de ce qui est en accord avec la thèse de croissance globale reste une responsabilité profondément humaine.

Enfin, les humains sont responsables de l’interprétation du sens. L’IA peut nous dire ce qui se passe, mais il revient aux humains de comprendre pourquoi cela compte et comment cela doit faire évoluer la stratégie.

Comment les CMO devraient aborder la transformation liée à l’IA

Je vais vous faire part de quatre conseils :

1. Ne considérez pas l’IA comme un ensemble d’outils à intégrer à votre machine marketing existante. Considérez-la comme une raison de repenser la machine elle-même. Car il ne s’agit pas de productivité : le véritable changement intervient lorsque vous passez de modèles opérationnels fondés sur les campagnes à des systèmes de croissance continus, pilotés par les signaux, dans lesquels l’IA est intégrée à la manière dont vous détectez les intentions, prenez des décisions et apprenez en temps réel.
2. Repensez la signification du terme « échelle ». Par le passé, la mise à l’échelle concernait les canaux et l’efficacité budgétaire. Dans un monde piloté par l’IA, elle concerne la vitesse d’apprentissage. Les équipes qui réussiront ne seront pas celles qui lanceront le plus de campagnes, mais celles qui pourront transformer les signaux en expériences, puis les expériences en décisions, plus rapidement que toutes les autres.
3. Soyez très attentif à l’endroit où les humains restent dans la boucle. À mesure que l’IA prend en charge davantage d’exécution et d’analyse, l’avantage humain devient plus marqué, et non plus faible. Les dirigeants doivent redoubler d’efforts en matière de narration, de positionnement et de priorisation. Si tout est mesurable et optimisable, alors le discernement devient le principal facteur de différenciation.
4. Investissez dans la pensée systémique plutôt que dans une réflexion par canal. L’IA élimine les silos entre la performance, le cycle de vie, le produit et la communauté. L’opportunité consiste à concevoir un système de croissance unifié dans lequel les signaux circulent entre tous ces domaines, plutôt que d’optimiser chacun d’eux isolément.

Suivez son actualité

Vous pouvez suivre Lomit Patel sur LinkedIn ainsi que sur son blog personnel. Découvrez également son livre, Lean AI.

D’autres entretiens avec des experts sont à venir sur The CMO Club !