Prenons deux PME concurrentes. Elles utilisent le même modèle d’intelligence artificielle, avec un abonnement au même prix et des fonctionnalités identiques.
La première gagne du temps. Elle produit des contenus qui lui ressemblent, améliore ses campagnes et capitalise sur ce qu’elle apprend.
La seconde produit beaucoup plus qu’avant… et c’est tout. Ses contenus ressemblent à ceux de ses concurrents. Les collaborateurs valident rapidement ce que la machine leur propose. Au bout de quelques mois, l’entreprise a produit une masse de documents, de visuels et de données dont elle ne sait plus quoi faire.
Les deux entreprises utilisaient pourtant le même outil. Ce n’est pas l’outil le problème. La différence provient du jugement humain.
Quand l’intelligence artificielle rend l’exécution plus rapide et plus abondante, la valeur se déplace. Elle va vers ceux qui savent quoi demander, quoi croire, quoi conserver et quelles conséquences ils sont prêts à assumer.
L’exécution ne disparaît pas, elle perd de sa rareté
Une partie du travail marketing peut déjà être accélérée : préparer un premier brouillon, décliner un message, résumer un document, classer des données, extraire des tendances ou générer plusieurs variantes d’une publicité.
Ce travail reste nécessaire. Il devient simplement moins rare.
Une entreprise qui sait produire cinquante publications par mois ne possède plus, à elle seule, un avantage particulier. Ses concurrents peuvent utiliser les mêmes outils et atteindre le même volume. La production de masse, longtemps coûteuse, devient accessible à presque tout le monde.
Cela ne signifie pas que tous les métiers intermédiaires vont disparaître ni que l’IA est performante sur toutes les tâches. Les travaux de Fabrizio Dell’Acqua et de ses coauteurs décrivent au contraire une « frontière technologique irrégulière » : l’IA améliore les résultats sur certaines tâches de travail intellectuel, mais peut les dégrader sur d’autres, pourtant apparemment proches [1].
La frontière bouge et reste difficile à voir. Savoir où elle se trouve ne vous sera pas révélé par une IA.
Une tâche automatisée avec succès aujourd’hui peut encore exiger une expertise humaine demain, dans un contexte légèrement différent. L’entreprise ne peut donc pas se contenter de remplacer une méthode de travail par un bouton magique. Elle doit comprendre où l’outil aide, où il fragilise le résultat et où il ne faut pas lui faire confiance.
Plus de production, davantage de brouillard
Les contenus générés par IA ont souvent une apparence propre. Les phrases sont bien construites, les listes sont ordonnées et le ton paraît professionnel. Cette qualité de surface peut masquer un contenu banal, imprécis ou simplement inutile.
BetterUp Labs et le Stanford Social Media Lab utilisent le terme workslop pour désigner un travail généré par IA qui paraît correct, mais ne fait pas réellement avancer la tâche. Leur étude porte sur une enquête menée auprès de 1000 salariés américains travaillant dans des fonctions de bureau [2].
J’utilise ici ce terme dans un sens un peu plus large. En marketing, le workslop est un contenu propre en surface, mais sans expérience, sans preuve et sans différenciation réelle.
Le pire, c’est que ce workslop n’est pas nécessairement faux : la plupart du temps, il est plausible, générique et difficile à contester sans faire d’effort.
Pour une entreprise, ce brouillard prend principalement trois formes que je détaille juste ci-dessous. Pour mes confrères consultants SEO et consultants Ads, travailler dans des situations de brouillard n’est pas nouveau, mais pour beaucoup de clients, cette incertitude pèse et nuit à la prise de bonnes décisions.
Brouillage de provenance
Un texte peut mélanger les connaissances générales du modèle IA, les documents fournis par l’entreprise, une recherche sur le web et plusieurs transformations réalisées par différents agents. Sans journal des sources et des étapes, la provenance devient difficile à reconstituer.
On peut mettre en place cette traçabilité. Encore faut-il le prévoir. Sinon, l’utilisateur finit par valider une réponse sans savoir sur quoi elle repose.
Brouillard de fiabilité
Une IA peut présenter avec la même assurance une information solide, une approximation et une erreur. La fluidité du texte ne mesure pas sa fiabilité.
Une étude publiée en 2025 par une équipe de chercheurs liée à Microsoft Research a interrogé 320 professionnels sur leur usage de l’IA générative. Elle montre notamment que la confiance placée dans l’outil influence l’effort de réflexion critique déclaré par les utilisateurs [3]. Ce résultat ne prouve pas que l’IA rend mécaniquement moins intelligent. Il montre que notre niveau de vigilance change lorsque la machine nous paraît fiable.
Brouillard de responsabilité
Un agent peut proposer un budget publicitaire, modifier une campagne, répondre à un client ou sélectionner une information. Mais lorsqu’une mauvaise décision coûte de l’argent ou détériore une relation commerciale, il est impossible de s’excuser en invoquant la faute de l’IA. Il faut assumer.
L’IA peut participer au jugement. Par contre, elle n’assume ni le risque économique, ni la responsabilité vis-à-vis du client. Pas encore, car l’Estonie veut mettre en place des « cartes d’identité » pour les agents. Un premier pas pour responsabiliser les utilisateurs d’IA (et fiscaliser cette nouvelle force de travail).
Sans expertise, le jugement devient une illusion
Il est tentant d’en conclure que les compétences techniques ne servent plus à rien. L’IA exécute, l’humain supervise. Chacun à sa place.
Ce n’est pas si évident.
C’est vrai que les rôles historiques ont tendance à s’inverser. L’exécution technique (le code, l’analyse dure) est banalisée et gérée par l’IA. Les soft skills en ressortent valorisées. Mais attention !
Comment vérifier une campagne Google Ads sans comprendre son fonctionnement ? Comment contrôler un développement sans savoir ce qu’est un test unitaire, une dépendance fonctionnelle ou une faille de sécurité ? Comment différencier une recommandation SEO générique d’une vraie préconisation basée sur l’expertise métier du consultant aguerri ? Comment savoir si le ROAS proposé comme objectif d’une campagne Ads est pertinent ?
On ne vérifie correctement que ce que l’on comprend suffisamment.
L’expertise technique change donc de rôle. Elle sert moins à tout produire manuellement et davantage à cadrer, tester, échantillonner, détecter les anomalies et reprendre la main. Le professionnel expérimenté peut laisser l’IA exécuter une partie du travail parce qu’il sait reconnaître le moment où elle sort de la route. La compétence rare, c’est le jugement.
Le débutant, lui, risque de valider le résultat parce qu’il est incapable de voir le problème. Placer une IA sur un manque de compétence ne comble pas automatiquement ce manque. Au contraire, ce type d’outils accélère la production de mauvais résultats.
L’IA est un amplificateur. Elle décuple la production de l’expert éclairé et a un effet boule de neige négatif dans les mains d’un junior ou lorsqu’on l’utilise hors de son cercle de compétences.
Les compétences du marketing augmenté
Pour travailler correctement avec l’IA, une PME doit renforcer trois capacités.
1 – Cadrer
Le cadrage consiste à définir le problème avant de demander une solution.
Quel résultat cherchons-nous ? Pour quel client ? Avec quelles contraintes ? Qu’est-ce qui compte vraiment ? Quel niveau d’erreur pouvons-nous accepter ? Quelles décisions doivent rester sous contrôle humain ?
Un agent optimise la consigne ou l’indicateur qu’on lui donne. Si cet indicateur représente mal l’objectif de l’entreprise, il peut réussir sa tâche tout en produisant un mauvais résultat business.
Demander « davantage de prospects » ne suffit pas. Des demandes peu qualifiées, non rentables ou impossibles à traiter augmenteront bien le nombre de prospects. Elles n’amélioreront pas l’entreprise.
2 – Alimenter
Les modèles d’IA disposent d’une immense quantité d’informations générales. Ils ne connaissent pas spontanément les détails qui font la réalité d’une PME : les objections entendues au téléphone, les limites de production, les motifs de retour, les clients à éviter, les expressions réellement utilisées sur le terrain ou les raisons pour lesquelles une vente a été perdue.
Ces informations forment le contexte métier. Elles doivent être collectées, nettoyées, organisées et rendues accessibles aux outils. Les retours du terrain et la proximité avec les clients sont la richesse des PME. C’est cette donnée qu’il faut structurer pour la valoriser.
Cette structuration produit un actif durable. Les outils changeront. Une base de connaissances propre, documentée et nourrie par l’expérience restera utile.
3 – Vérifier et assumer
Vérifier ne consiste pas à parcourir rapidement un texte bien présenté avant de cliquer sur « Valider ».
Il faut définir des contrôles adaptés au risque : vérifier les sources, comparer avec un résultat attendu, tester sur un petit périmètre, examiner les cas inhabituels et conserver un humain clairement responsable.
Le cadre de gestion des risques liés à l’IA du NIST insiste lui aussi sur la nécessité d’adapter la gouvernance, les évaluations et les contrôles au contexte, aux objectifs et à la tolérance au risque de l’organisation [4]. La phrase précédente fait peur à n’importe quel collaborateur en PME, non ? Dit autrement, une publication LinkedIn, une modification en masse sur les prix et une recommandation juridique n’exigent pas le même niveau de contrôle.
Il faut aussi savoir ne pas utiliser l’IA. Une décision inédite, difficilement réversible ou fondée sur des informations très sensibles mérite parfois une réflexion lente (je dis de temps à temps à mes clients que j’ai besoin « d’infuser » avant de revenir vers eux !), un échange humain ou une feuille de papier.
La PME possède une donnée que les grands modèles n’ont pas
Les PME partent avec un handicap. Leurs données sont souvent dispersées : CRM (très) incomplet, fichiers Excel éparpillés, échanges emails non exploitables, documents commerciaux et connaissances stockées dans la tête du dirigeant.
Mais elles disposent aussi d’un avantage que je trouve sous-estimé : la proximité avec le terrain (je l’ai évoqué un peu plus haut).
Dans une petite structure, la même personne peut entendre une objection le matin, modifier une offre l’après-midi et constater la réaction du client dans la semaine. Cette boucle de retour est beaucoup plus courte que dans une organisation où l’information traverse plusieurs services, tableaux de bord et réunions avant d’atteindre la personne capable de décider.
L’IA peut exploiter cette proximité, mais elle ne la crée pas.
Une PME qui injecte dans ses outils le langage réel de ses clients, des situations précises, des données vérifiées et les contraintes de son métier produira des résultats plus spécifiques. Une autre PME, équipée du même modèle mais alimentée par trois phrases génériques copiées depuis sa plaquette, obtiendra un marketing interchangeable.
Le véritable avantage ne réside donc pas dans l’accès à l’outil. Il vient de la qualité de la matière qu’on lui confie et de la vitesse avec laquelle l’entreprise confronte le résultat au terrain.
Être petit n’est pas une excuse. Pour mon activité, j’ai formalisé une base de connaissances de plus de 600 notes et fichiers clés et mon entreprise augmentée à l’IA cumule déjà 91 skills différentes !
Produire moins de bruit, davantage de signal
Lorsque le coût de création baisse, publier davantage devient facile. Être mémorable ne le devient pas pour autant.
Les études de cas réelles, les données de première main, les objections entendues, les décisions expliquées et les prises de position argumentées prennent davantage de valeur. Elles apportent ce qu’un modèle généraliste ne peut pas inventer proprement sans tomber dans le contenu générique ou la fabrication.
L’objectif d’une PME ne devrait donc pas être de remplir tous les canaux parce que l’IA le permet. Il devrait être d’utiliser l’IA pour mieux exploiter une matière qu’elle seule possède.
L’IA peut rédiger, analyser, proposer et parfois agir. L’entreprise doit encore décider ce qui mérite d’être fait, ce qu’elle accepte de croire et les conséquences qu’elle est prête à assumer.
Pour une PME, le véritable enjeu n’est pas d’avoir davantage d’IA. C’est de développer suffisamment de jugement pour ne pas lui abandonner le pilotage.
Références
- Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. et Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013. Présentation officielle du Digital Data Design Institute de Harvard.
- BetterUp Labs et Stanford Social Media Lab (2025). Workslop: The Hidden Cost of AI-Generated Busywork. Étude et présentation du concept.
- Lee, H.-P. H., Sarkar, A., Tankelevitch, L., Drosos, I., Rintel, S., Banks, R. et Wilson, N. (2025). The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Proceedings of CHI 2025. Publication Microsoft Research ; DOI ACM.
- National Institute of Standards and Technology (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). Publication officielle ; PDF.