Le CMO explique comment utiliser l’IA comme boucle d’apprentissage et d’expérimentation

Lomit Patel est un dirigeant spécialisé en croissance et marketing, actuellement CMO chez TYB (Try Your Best). Il est aussi l'auteur de Lean AI.

Nous avons rencontré Lomit pour découvrir 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 plus de 20 ans à aider des entreprises telles que Roku, IMVU, TrustedID et Texture à se développer. Actuellement, je suis CMO chez TYB (Try Your Best), où je dirige une organisation marketing agile mais dynamique, fondée sur une conviction centrale : la communauté n'est pas un canal, c'est un système de mise sur le marché.

Dans chacune de ces fonctions, j’ai systématiquement construit des systèmes reliant la compréhension client à des résultats business mesurables. Au début de ma carrière, la croissance était principalement axée sur les canaux. On optimisait les campagnes, testait des créations, puis on passait à l’échelle ce qui fonctionnait. Mais même à cette époque, je m’attachais à un aspect plus fondamental : comment utiliser la donnée et l’expérimentation pour éliminer les incertitudes et accélérer la prise de décision sur l’ensemble du parcours client.

Cette réflexion a évolué vers une perspective plus large que j'ai développée dans mon livre, Lean AI, où je ne me concentrais pas seulement sur l’IA pour gagner en efficacité, mais sur la refonte même du fonctionnement des systèmes de croissance.

Chez IMVU, par exemple, nous sommes passés d’une optimisation manuelle à une orchestration pilotée par l’IA des parcours utilisateurs, des tests créatifs et de l'engagement tout au long du cycle de vie. Mon objectif restait identique : accélérer la vitesse et la qualité de l’apprentissage, tout en améliorant la rétention et la valeur à vie des clients (LTV).

Aujourd’hui, en tant que CMO chez TYB, cette transition s’est totalement accélérée. L’IA n’est plus simplement un outil de la pile technologique ; elle est en train de devenir la couche opérationnelle du marketing moderne. Nous passons d’une logique de campagnes à une logique de systèmes, dans laquelle signaux, automatisation et intelligence créative interagissent en continu et en temps réel.

Ce qui m’enthousiasme le plus, c’est que le marketing est profondément redéfini. Nous ne sommes plus simplement des opérateurs de canaux et conteurs d’histoires, mais devenons les architectes de systèmes de croissance intelligents capables d'apprendre, de s’adapter et de multiplier leur impact de l’acquisition à l’engagement, jusqu’à 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 suppositions dans le marketing :

1. Dans un environnement doté d’IA, l'efficacité des canaux devient plus un prérequis qu’un facteur bloquant. Ce qui différencie la performance, c’est le système autour : avec quelle rapidité peut-on détecter l’intention, interpréter le comportement, générer des hypothèses et adapter le message ou l’expérience produit en conséquence.
2. L’IA nous a montré que les segments ne sont pas suffisamment stables pour être la pierre angulaire des stratégies marketing. Les modèles de segmentation classiques supposent l’existence de groupes d’utilisateurs fixes pour uniformiser le message. Or, l’IA met en lumière le caractère bien plus fluctuant des comportements : les intentions évoluent vite et les segments statiques sont souvent en décalage avec la réalité. Cela nous amène à des segmentations dynamiques, sans cesse réactualisées, fondées sur le comportement.
3. Les campagnes ne constituent plus l'unité de base de l'exécution marketing. Elles supposent un début, une fin et un cycle d'évaluation. L’IA nous a poussés vers des systèmes « always-on » où les tests sont perpétuels, l’apprentissage incrémental et l’optimisation continue plutôt qu’épisodique.

En d’autres termes, le marketing devient un système d’apprentissage en temps réel où la rapidité d’interprétation et d’adaptation prime sur une planification figée ou un ciblage parfait.

Comment l’IA transforme les processus marketing

Ainsi, nous sommes passés d’une planification statique des campagnes à une expérimentation permanente, orientée par les signaux à tous les niveaux du système marketing.

Historiquement, nous planifiions les campagnes par cycles. Nous définissions les messages, élaborions des créations, lancions puis analysions les résultats après un délai significatif. Ce modèle est désormais trop lent à l’ère de l’IA, car les comportements et signaux d’intention des utilisateurs changent très rapidement.

Nous avons mis en place un workflow de croissance assisté par l’IA qui transforme en continu les signaux comportementaux en temps réel en expériences déclenchées et en messages adaptatifs sur l’ensemble des canaux de cycle de vie, de contenu et de performance. Plutôt que d’attendre la fin d’une campagne, nous considérons désormais chaque signal utilisateur significatif, chaque comportement d’intégration, chaque participation communautaire et activité de créateur comme des données permettant d’informer immédiatement la prochaine meilleure action à entreprendre.

Concrètement, cela a transformé le mode de fonctionnement des équipes. L’itération créative est plus rapide, car l’IA aide à générer et à tester des variations en continu. Le marketing de cycle de vie devient plus dynamique puisqu’il n’est plus rattaché à des segments fixes, mais à des groupes comportementaux en évolution. Et les signaux d’intention détectés dans le produit orientent de plus en plus le marketing de performance, et pas uniquement le ciblage au niveau des plateformes.

Mais le changement le plus important est d’ordre culturel. Le marketing n’est plus organisé autour de campagnes ; il s’organise autour d’une boucle d’apprentissage continue où l’IA nous aide à détecter les signaux, générer des hypothèses, et à déployer à grande échelle ce qui fonctionne quasiment en temps réel.

Un workflow de croissance assisté par l’IA

Lomit Shares

Au lieu de se reposer sur des personas figés ou des étapes de cycle de vie prédéfinies, nous utilisons l’IA pour identifier des schémas tels que : “faible activation malgré une forte intention”, “participants actifs à faible risque de rétention” ou “nouveaux utilisateurs manifestant très tôt un comportement d’ambassadeur”.

Voici le workflow :

1. Tout commence avec les signaux comportementaux en temps réel à l’intérieur du produit et dans la communauté. Nous suivons des actions telles que la progression d’intégration, la profondeur de participation, l’activité des créateurs et les schémas d’engagement. Le changement clé est que ces signaux ne se limitent plus à des tableaux de bord analytiques : ils servent d’entrées structurées à notre système marketing. Outils : Segment pour la collecte et l’acheminement des événements, Amplitude pour l’analyse comportementale, et Snowflake comme colonne vertébrale de l’entreposage de données.
2. Ensuite, l’IA nous aide à regrouper et interpréter ces signaux en segments d’intention dynamiques. Plutôt que de s’appuyer sur des personas statiques ou des phases prédéfinies, nous utilisons l’IA pour détecter des profils tels que “forte intention mais faible activation”, “participants actifs à faible risque de rétention” ou “nouveaux utilisateurs montrant un comportement d’ambassadeur précoce”. Ces segments évoluent en permanence en fonction des comportements observés en direct. Outils : BigQuery et modèles Python/ML pour construire des attributs comportementaux, avec OpenAI (GPT) pour l’étiquetage et l’interprétation des nouveaux schémas d’intention.
3. Après avoir formé ces groupes, l’IA nous accompagne dans la génération d’hypothèses et l’orientation 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. Ce n’est pas entièrement automatisé, mais cela accélère considérablement l’exploration des pistes de messages. Outils : ChatGPT et Claude pour générer les axes de communication, les accroches et les variations de positionnement, et Notion AI pour organiser et tenir à jour une bibliothèque créative vivante.
4. Nous injectons ensuite ces résultats dans une expérimentation continue tout au long du cycle de vie, sur les canaux payants et la communauté. Au lieu de campagnes isolées, nous lançons en permanence de petits tests itératifs, en adaptant les messages, la création et le timing en fonction des retours en temps réel. Outils : Braze pour les tests de cycle de vie, Optimizely pour l’A/B testing produit et web, et LaunchDarkly pour le feature flagging et les déploiements contrôlés.
5. Enfin, et c’est le plus important, le système se boucle avec une synthèse continue de l’apprentissage assistée par l’IA. Nous ne faisons pas qu’analyser ce qui a le mieux fonctionné : nous utilisons l’IA pour comprendre pourquoi certains messages ou parcours ont été efficaces auprès de certains segments. Ces informations alimentent directement la mise à jour des logiques de segmentation, des cadres de messages et des décisions marketing intégrant la dimension produit. Outils : Amplitude pour l’analyse comportementale, Looker pour le reporting structuré, et Claude pour synthétiser les apprentissages dans des cadres narratifs et décisionnels.

Comment la refonte par l’IA profite aux marketeurs

Le principal avantage de l’IA, c’est l’accélération et l’augmentation du nombre d’expérimentations possibles. Nous avons significativement augmenté le nombre d’expériences créatives et de tests de cycle de vie que nous pouvons mener sur une période donnée, car l’IA réduit les frictions pour générer des variantes, tester des messages et itérer en fonction des premiers signaux de performance. Cela a permis de raccourcir considérablement les cycles d’apprentissage tant sur l’acquisition que la rétention.

Nous avons également constaté une amélioration de l'efficacité de conversion grâce à une meilleure utilisation des signaux. En reliant les comportements dans le produit et au sein de la communauté à l’activation marketing, nous répondons bien plus tôt à l’intention dans le parcours utilisateur. Cela a amélioré la qualité du flux trafic-vers-activation et renforcé la rétention en aval, car les utilisateurs reçoivent des points de contact davantage pertinents sur le plan contextuel.

Un autre avantage évident est la réduction de la dépendance à des segmentations rigides et à l'analyse manuelle. Le regroupement et la génération d’insights pilotés par l’IA nous permettent d’évoluer vers des définitions d’audiences dynamiques, qui reflètent mieux la façon dont les utilisateurs se comportent plutôt que la façon dont nous les avons historiquement catégorisés.

Le risque d’agir trop vite sur les insights IA

Dans un registre plus nuancé, nous avons également dû ajuster nos attentes concernant le bruit des signaux et la sur-automatisation.

Au départ, nous avions tendance à réagir trop rapidement à trop d’insights générés par l’IA, ce qui a créé une fragmentation du message et une surcharge d’expérimentations. Nous avons dû prendre du recul et introduire des filtres humains plus stricts pour hiérarchiser et garantir la cohérence du discours.

Nous avons aussi sous-estimé le besoin de discipline dans la définition préalable des indicateurs de succès. L’IA facilite énormément les itérations rapides, mais si les expérimentations ne sont pas ancrées dans des résultats comportementaux ou financiers clairs, on risque d’optimiser l’engagement sur une portion restreinte du système au lieu de générer un véritable impact business.

Si j'avais compris cela plus tôt, j'aurais passé moins de temps à augmenter le volume d’expérimentations et plus de temps à concevoir le modèle opératoire autour des prises de décision pilotées par l’IA, notamment avec des cadres d’hypothèses plus rigoureux, une répartition plus claire de la responsabilité des décisions, et une meilleure cohérence entre les signaux marketing et les résultats business.

Ce que gère l’IA et où les humains gardent la main

Nous traçons une frontière claire entre ce que l’IA éclaire et ce qui reste sous la responsabilité humaine, cette distinction tenant à une question essentielle : s’agit-il d’optimisation et de reconnaissance de schémas, ou bien de jugement, de contexte et de sensibilité ?

Nous nous appuyons de plus en plus sur l’IA pour alimenter le traitement des signaux, la segmentation et l’expérimentation à grande échelle. Cela inclut l’identification de patrons de comportement au sein de la communauté et du produit, le regroupement dynamique des utilisateurs selon leurs actions en temps réel, puis la génération et l’itération de variations créatives et de message. L’IA analyse aussi en profondeur les données de performance à travers les canaux, faisant ressortir des insights difficiles à trouver par une analyse manuelle.

L’IA est particulièrement puissante pour raccourcir la boucle entre le signal et l’action. Par exemple, elle peut détecter des changements dans les comportements d’engagement sur le produit ou dans la communauté, suggérer des hypothèses, et même générer des variantes testables de créations ou de parcours de vie. Cela nous permet de conduire bien plus d’expérimentations qu’une organisation traditionnelle ne pourrait le faire.

Les humains ont la responsabilité du positionnement, de la narration et de la direction créative. L’IA peut générer des variations, mais elle ne peut pas définir ce que nous représentons, ni la façon dont nous voulons apparaître sur le marché. Cela requiert une connaissance contextuelle de la marque, une compréhension de la psychologie du public et un souci de la différenciation à long terme, qui dépassent la simple reconnaissance de patterns.

Lomit partage

Ce n’est pas parce que l’IA peut faire apparaître des dizaines d’opportunités que nous devons toutes les saisir. Décider ce qu’il ne faut pas faire, et ce qui s’aligne avec la vision de croissance globale, demeure une responsabilité profondément humaine.

Dans les environnements portés par la communauté en particulier, l’IA n’a pas remplacé l’interaction humaine authentique et la création de liens de confiance. Elle peut faciliter la montée en puissance de l’engagement ou l’identification de schémas, mais elle ne peut pas reproduire la crédibilité issue de la participation réelle, de la présence de leaders et du jugement humain lors de moments clés au sein de la communauté.

Les humains sont également responsables de la priorisation et des arbitrages stratégiques. Je l’ai déjà dit : ce n’est pas parce que l’IA fait apparaître des dizaines d’opportunités qu’il faut toutes les saisir. Décider ce qu’il ne faut pas faire, et ce qui est en phase avec la vision stratégique globale de la croissance, demeure une responsabilité profondément humaine.

Enfin, les humains sont responsables de l’interprétation des significations. L’IA peut nous dire ce qui se passe, mais la responsabilité de comprendre pourquoi cela compte et comment cela doit transformer la stratégie incombe à l’humain.

Comment les directeurs marketing doivent aborder la transformation par l’IA

Je vais partager quatre conseils :

1. Ne considérez pas l’IA comme un ensemble d’outils à intégrer à votre machine marketing actuelle. Considérez-la comme une raison de repenser la machine elle-même. Car il ne s’agit pas seulement de productivité : le vrai bouleversement intervient lorsque vous passez de modèles opérationnels basés sur les campagnes à des systèmes de croissance continus, pilotés par des signaux, où l’IA est intégrée à la détection de l’intention, à la prise de décision et à l’apprentissage en temps réel.
2. Redéfinissez la notion d’« échelle ». Dans le passé, l’échelle se mesurait en termes de canaux et d’efficacité budgétaire. Dans un monde piloté par l’IA, l’échelle repose sur la vitesse d’apprentissage. Les équipes qui l’emporteront ne seront pas celles qui lanceront le plus de campagnes, mais celles capables de transformer plus rapidement que les autres les signaux en expérimentations, et les expérimentations en décisions.
3. Soyez très intentionnel concernant la présence humaine dans la boucle. À mesure que l’IA prend en charge l’exécution et l’analyse, l’avantage humain devient plus tranchant, et non l’inverse. Les dirigeants doivent redoubler d’efforts sur la narration, le positionnement et la priorisation. Si tout devient mesurable et optimisable, alors le discernement devient le principal facteur différenciant.
4. Investissez dans la pensée systémique plutôt que dans la pensée par canal. L’IA fait tomber les silos entre performance, cycle de vie, produit et communauté. L’opportunité est de concevoir un système de croissance unifié où les signaux circulent entre tous ces aspects, plutôt que d’optimiser chacun isolément.

Suivez l’actualité

Vous pouvez suivre Lomit Patel sur LinkedIn et sur son blog personnel. N’hésitez pas non plus à découvrir son livre, Lean AI.

D’autres interviews d’experts seront bientôt à découvrir sur The CMO Club !