DM 112 0127

La révolution dévorera-t-elle ses enfants ?
L’impact de l’IA
générative et interactive sur le marketing opérationnel et
stratégique
Raoul V. Kübler
Dans Décisions Marketing 2023/4 (N° 112), pages 127 à 152
Éditions EMS Editions
ISSN 0779-7389
DOI 10.3917/dm.112.0127
© EMS Editions | Téléchargé le 26/02/2024 sur www.cairn.info via CNRST Rabat (IP: 196.200.131.44)
Article disponible en ligne à l’adresse

https://www.cairn.info/revue-decisions-marketing-2023-4-page-127.htm
Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Flashez ce QR Code pour accéder à la page de ce numéro sur Cairn.info.
Distribution électronique Cairn.info pour EMS Editions.

La reproduction ou représentation de cet article, notamment par photocopie, n'est autorisée que dans les limites des conditions générales d'utilisation du site ou, le
cas échéant, des conditions générales de la licence souscrite par votre établissement. Toute autre reproduction ou représentation, en tout ou partie, sous quelque
forme et de quelque manière que ce soit, est interdite sauf accord préalable et écrit de l'éditeur, en dehors des cas prévus par la législation en vigueur en France. Il est
précisé que son stockage dans une base de données est également interdit.
Décisions Marketing n°112 Octobre-Décembre 2023, 127-152
La révolution dévorera-t-elle ses enfants ?

L’impact de l’IA générative et interactive sur
le marketing opérationnel et stratégique
Raoul V. Kübler
ESSEC Business School, Paris Campus, Cergy, France
Résumé
Au cours de la dernière décennie, nous avons observé un changement significatif dans le domaine du marketing,
alimenté par la capacité à exploiter le volume croissant de données et d’informations sur les clients disponibles
pour les spécialistes du marketing. Cette transformation a atteint une nouvelle phase grâce aux progrès de la
puissance de calcul et des algorithmes d’apprentissage profond. Les modèles d’IA générative ont joué un rôle
central dans la démocratisation de la création d’informations professionnelles sur les clients, offrant aux acteurs du
marché des opportunités sans précédent pour développer rapidement des outils de marketing sophistiqués avec des
ressources minimales. Parallèlement, les modèles d’IA interagissent de plus en plus entre eux, ce qui indique que
ce voyage transformateur est loin d’avoir atteint son apogée. Bien que l’adoption de la centricité client et l’amélio-
ration de l’efficacité opérationnelle offrent des perspectives à long terme, elles présentent également d’importants
défis pour les marques et les responsables marketing. Dans cet article, nous explorons les diverses opportunités et
obstacles découlant de cette transformation et extrayons des enseignements stratégiques pour guider les respon-
sables dans la navigation efficace de cette (r)évolution.
• Mots-clés : IA générative, IA interconnectée, stratégie marketing, contenu généré par les utilisateurs, valeur
des données.
Pour contacter l’auteur : kubler@essec.edu
Klüber R.V. (2023), La révolution dévorera-t-elle ses enfants ? L’impact de l’IA générative et interactive sur le marke-
ting opérationnel et stratégique, Décisions Marketing, 112, 127-152.
128 – Décisions Marketing n°112 Octobre-Décembre 2023
Abstract
Will the Revolution Devour its Children? The Impact of Generative and Interactive AI on Operative and
Strategic Marketing
Over the past decade, we have observed a significant shift in marketing fueled by the ability to harness the growing
volume of data and customer insights available to marketers. This transformation has reached a new phase due to
advancements in computational power and deep-learning algorithms. Generative AI models have played a pivotal
role in democratizing the creation of professional customer insights, offering market participants unparalleled
opportunities to develop sophisticated marketing tools swiftly and with minimal resources. Simultaneously, AI
models are increasingly engaging with each other, indicating that this transformative journey is far from reaching
its peak. While embracing customer-centricity and enhancing operational efficiency hold promise for the long
term, they also present notable challenges for brands and marketing managers. In this paper, we explore the diverse
opportunities and obstacles that arise from this transformation and extract strategic insights to guide managers in
effectively navigating this (r)evolution.
• Keywords: Generative AI, Interconnected AI, Marketing Strategy, User Generated Content, Data Value.
Transformations des métiers du marketing par l’intelligence artificielle – 129
La décennie écoulée a été le témoin d’une non structurées, transformant des données
révolution significative dans les domaines de textuelles, image et vidéo en format numé-
l’analyse de données et du marketing axé sur rique pour une analyse ultérieure à l’aide de
les données. Cette transformation a été prin- méthodes établies. L’IA émotionnelle amé-
cipalement stimulée par la croissance expo- liore davantage la capacité à extraire des
nentielle de la disponibilité des données, les informations précieuses de ces nouvelles
progrès dans l’analyse de celles-ci et les ca- données, telles que des informations émo-
pacités de calcul. Cela a abouti à ce que l’on tionnelles à partir de données non structu-
appelle désormais couramment l’intelligence rées, en mesurant les sentiments ou d’autres
artificielle (IA). La révolution a progressé à réponses émotionnelles à partir de données
travers différentes étapes et types d’IA, cha- textuelles ou d’images.
cune suscitant initialement une attention im-
portante et de l’engouement dans le discours Les avancées continues dans la modélisation
public avant de passer à des applications pra- de l’apprentissage profond ont introduit un
tiques démontrant une valeur tangible. nouveau type d’IA dans l’arsenal des outils
et applications d’IA : l’IA générative. Alors
À chaque étape, différents types d’IA sont que les IA émotionnelles et techniques ont
entrés sous les projecteurs, captivant l’at- connu un certain succès dans des interac-
tention et l’enthousiasme avant de trouver tions limitées avec les utilisateurs humains
leur place dans des applications pratiques. (par exemple, via des chatbots simples), l’IA
Chaque nouvelle phase de développement générative va plus loin en créant activement
de l’IA a donné naissance à de nouveaux des sorties en fonction des commandes d’en-
domaines d’application de l’IA en marketing, trée sollicitées. Les modèles d’IA générative,
permettant aux spécialistes du marketing de exemplifiés par la popularité et l’utilisation de
mieux comprendre les consommateurs, les ChatGPT développé par OpenAI, ont connu
marchés et les concurrents. Par la suite, l’IA a une augmentation remarquable. ChatGPT a
joué un rôle essentiel dans le développement, été un outil pionnier qui a permis aux utili-
le raffinement ou l’adaptation des stratégies sateurs d’interagir avec un modèle d’IA via
marketing et dans l’adaptation des actions un chatbot, lui permettant de comprendre
marketing pour améliorer l’expérience client l’entrée (la commande) et de générer une sor-
et fournir de la valeur aux consommateurs. tie en fonction de la demande de l’utilisateur.
Cette sortie peut être de simples réponses à
Les classifications conventionnelles des des requêtes de recherche ou à des questions
étapes et des types d’IA distinguent généra- de connaissances. Les modèles d’IA généra-
lement trois catégories : l’IA mécanique, l’IA tive comme ChatGPT ont rapidement étendu
pensante et l’IA émotionnelle (Huang et Rust leurs applications au-delà des tâches basiques
2020). Les outils d’IA mécanique sont cou- basées sur du texte, y compris la génération
ramment utilisés pour faciliter la prise de dé- de contenus pertinents pour le marketing,
cision en marketing en simplifiant l’analyse tels que la rédaction de textes publicitaires,
de données traditionnelles, souvent volumi- la suggestion de termes de recherche SEO
neuses et structurées, de nature numérique. et SEA, la création de scripts complets pour
L’objectif est de fournir une compréhension des publicités vidéo, voire la génération de
plus approfondie des situations de marché contenu image ou vidéo pour les marques
complexes. En revanche, l’IA pensante ex- et les produits pouvant être immédiatement
plore des domaines de données jusqu’alors utilisés.
inexplorés. Ces applications d’IA permettent
aux spécialistes du marketing d’exploiter de À mesure que les barrières d’accessibilité
nouveaux types de données principalement aux outils d’IA générative continuent de
diminuer grâce à des interfaces conviviales la valeur en coordonnant tous les points de
de chat, nous assistons à une multiplication contact et outils d’IA impliqués. D’une part,
croissante de cas d’utilisation où l’IA généra- cette évolution permettra aux responsables
tive s’intègre parfaitement à diverses étapes marketing de déplacer leur attention vers les
de la chaîne de création de valeur marketing aspects stratégiques des activités marketing.
aux côtés d’autres types d’IA. Par exemple, D’autre part, l’automatisation potentielle des
les spécialistes du marketing pourraient ini- processus marketing centraux est suscep-
tier ce processus en utilisant des outils d’IA tible d’entraîner des changements et des défis
générative pour créer des outils analytiques importants dans le paysage marketing. Cette
permettant de cibler les utilisateurs au sein transformation commence par un changement
de leur base de clients susceptibles de résilier dans les compétences requises (par exemple,
leur contrat. Dans ce scénario, l’IA générative une moindre emphase sur l’intuition et une
s’appuie sur des outils d’IA mécanique pour plus grande focalisation sur les capacités
répondre à la demande. Ensuite, la même IA analytiques ; une réduction de la dépendance
pourrait utiliser des outils d’IA pensante et aux compétences de base en analyse de don-
émotionnelle pour comprendre pourquoi ces nées et une plus grande importance accordée
clients identifiés pourraient quitter l’entre- aux sollicitations efficaces, etc.). De plus, des
prise, en tirant des enseignements à partir de questions stratégiques émergeront, telles que
sources telles que les conversations sur les la manière de faire en sorte qu’une marque se
médias sociaux ou les avis en ligne grâce à démarque dans un monde inondé de contenu
l’analyse des sentiments ou la modélisation exceptionnellement créé. Enfin, de nouvelles
de topics. Ensuite, une autre IA générative questions stratégiques surgiront concernant
pourrait élaborer des stimuli marketing et l’acquisition et l’évaluation de données spé-
choisir les canaux média appropriés pour cifiques au domaine pour le développement
communiquer avec ces clients identifiés, dans de l’IA.
le but de les empêcher de résilier leur contrat.
Dans ce qui suit, je vais d’abord expliquer les
Cependant, ce processus exige toujours une
concepts des applications d’IA existantes (en
organisation, une gestion et une surveillance
m’appuyant sur la classification développée
substantielles de la part des praticiens hu-
par Huang et Rust en 2020), puis dévelop-
mains, qui doivent fournir les bonnes solli-
per et discuter les concepts de l’IA généra-
citations à chaque point de contact de l’IA,
tive et de l’IA interactive et interconnectée.
contrôler les résultats et faciliter la transmis-
Ensuite, je discuterai de leur impact sur les
sion des résultats d’un modèle à un autre.
pratiques marketing actuelles et des ques-
Reconnaissant le potentiel des modèles tions stratégiques et tactiques auxquelles les
d’IA actuels et les avancées rapides dans les responsables marketing, en collaboration
modèles de langage (LLM) et les modèles avec les chercheurs, doivent répondre pour
d’apprentissage profond basés sur les trans- éviter d’être dépassés par les développements
formateurs qui alimentent le développement rapides et radicaux de la révolution de l’IA
de l’IA générative, j’envisage un avenir où encore en cours.
un nouveau cinquième type d’IA simpli-
fiera et gérera cette tâche organisationnelle. Évolutions des applications de
Cette IA interactive et interconnectée reliera l’IA en marketing
et supervisera efficacement différents pro-
cessus d’IA, permettant aux utilisateurs de Les premières avancées en matière d’IA,
simplement configurer une tâche tandis que souvent similaires aux méthodes statistiques
l’IA gère de manière autonome le processus et économétriques bien établies, sont princi-
d’identification de la valeur et de gestion de palement tombées dans le domaine de l’IA
mécanique. Ces premiers développements en L’IA mécanique opère principalement sur des
IA ont grandement aidé les spécialistes du données structurées et numériques, utilisant
marketing à mieux comprendre les clients l’apprentissage automatique supervisé pour
et leur comportement. En utilisant des algo- classifier les clients en groupes spécifiques.
rithmes d’apprentissage automatique non su- Son objectif est de simplifier la complexité
pervisés tels que l’analyse de cluster k-means et d’aider les spécialistes du marketing à
ou le clustering n-neighbor, les spécialistes comprendre les consommateurs, les marchés
du marketing pouvaient détecter des seg- et les clients en filtrant les informations non
ments de clients similaires, ainsi qu’identi- pertinentes tout en mettant en évidence et en
fier les concurrents proposant des produits interprétant les données pertinentes (numé-
riques).
ou services similaires, ou perçus comme
comparables par les consommateurs. Par La phase suivante des outils d’IA en marke-
exemple, comme le montre la Figure 1 analy- ting, souvent appelée IA pensante, a été mar-
sant les brevets et en utilisant des termes de quée par un changement substantiel vers l’ex-
recherche, Matthé, Ringel et Skiera (2023) et ploitation de données non structurées. Cette
Ringel et Skiera (2016) ont contribué à com- deuxième génération d’applications d’IA se
prendre les dynamiques du marché. concentre sur la conversion de données non
Figure 1 : Application de l’IA mécanique pour repérer les segments de concurrents basés sur des
termes de recherche ou des rapports d’investisseurs
Note : Capture d’écran provenant de https://evomap.io/main/index.html basée sur Matthé, Ringel, et Skiera 2023.
structurées, principalement des contenus de marque sur les médias sociaux ou des
générés par les utilisateurs sur les médias so- interactions avec les consommateurs peut
ciaux et les conversations sur le web, en don- remplacer les indicateurs de performance de
nées accessibles, analysables et interprétables marque classiques tels que la notoriété de la
(voir par exemple Yildirim et Kübler, 2023, marque et la reconnaissance de la marque
p. 135 ou Boegershausen et al., 2022). Les (voir Kübler, Colicev et Pauwels, 2018).
applications courantes comprennent l’explo-
ration de texte, la reconnaissance vocale et la Pendant ce temps, l’utilisation de la modéli-
reconnaissance d’objets basée sur l’image et sation de sujets et de l’analyse des sentiments
la vidéo. L’IA pensante permet aux spécia- avec les avis des clients permet non seulement
listes du marketing d’extraire des informa- aux spécialistes du marketing de mieux com-
tions de sources de données précédemment prendre ce que les clients aiment et n’aiment
inaccessibles, telles que le texte, les vidéos et pas dans leur propre produit ou service, mais
les images. Par exemple, les spécialistes du aussi de voir pour quelles raisons les concur-
marketing peuvent suivre les conversations rents sont perçus comme supérieurs (ou infé-
des consommateurs ou les contenus générés rieurs). La Figure 2 fournit un exemple de
par les utilisateurs pour améliorer la prise ce type d’analyse. Elle visualise une analyse
de décision. La surveillance des mentions de sujets de plus de 130 000 avis négatifs
Figure 2 : Résultats de l’analyse de sujets des avis sur les compagnies aériennes
Note : Le code R complet pour extraire les avis, réaliser des modèles de sujets et afficher le graphique circu-
laire est disponible à l’adresse suivante : https://uk.sagepub.com/en-gb/eur/applied-marketing-analytics-using-r/
book277514
de clients sur les principales compagnies informations précieuses sur la raison pour
aériennes. La modélisation de topics révèle laquelle les consommateurs préfèrent le pro-
que les voyageurs se plaignent couramment duit d’un concurrent au leur. De plus, com-
des huit sujets généraux indiqués en bas (par prendre le contexte dans lequel un produit
exemple, la nourriture, le confort des sièges, est affiché, y compris son environnement et
les services de hotline, etc.). Le diagramme d’autres objets, peut éclairer la satisfaction du
circulaire permet alors de cartographier client (Kübler et al., 2023 ; Karniouchina et
quelle compagnie aérienne est confrontée à al., 2022). L’analyse des sentiments, initiale-
quel sujet et à quelle fréquence. Les respon- ment appliquée principalement aux données
sables marketing peuvent utiliser ces infor- textuelles, s’étend de plus en plus aux don-
mations pour affiner leur offre de produits, nées d’image, avec l’utilisation de l’appren-
mais aussi pour adapter ou réorganiser leur
tissage automatique pour former des modèles
propre positionnement, étant maintenant
inférant la signification et les scores de sen-
conscients de la manière dont leur propre
timent à partir des images (Hartmann et al.,
marque est perçue et de la manière dont leurs
2021). Les applications de base ont com-
concurrents sont perçus par leurs clients.
mencé par interpréter les expressions faciales
Yildirm et Kübler (2023, chapitres 5 et 7)
pour déterminer si une personne représentée
présentent diverses techniques et fournissent
un code R détaillé pour aider les utilisateurs est heureuse ou malheureuse. Bien que les
à collecter des informations générées par les premières applications de reconnaissance des
utilisateurs à partir de ressources web et à émotions faciales aient été critiquées pour
analyser des informations textuelles et image leur fiabilité, les avancées de la technologie
à l’aide de différents modèles d’apprentissage de la réalité augmentée (RA) et de la réalité
virtuelle (RV), permettant de suivre les mou-
automatique.
vements oculaires et les mouvements faciaux
D’autres disciplines, telles que la finance et de base, suggèrent que la détection des émo-
la politique, ont trouvé des corrélations entre tions et des sentiments à partir de données
la fréquence d’apparition sur les médias d’images et de vidéos pourrait s’étendre au
sociaux et des variables telles que la perfor- domaine de la métavers (Hennig-Thurau et
mance des actions ou les résultats des élec-
al., 2023). Cette avancée permettra aux cher-
tions (par exemple, Nofer et Hinz, 2015 ;
cheurs en marketing de recueillir des infor-
Kübler, Pauwels et Manke, 2020).
mations sur la manière dont les consomma-
Alors que les informations sur la fréquence teurs réagissent favorablement aux stimuli
d’apparition approximent les métriques dans numériques dans le métavers.
la partie supérieure de l’entonnoir marke-
Que le sentiment soit dérivé de textes,
ting, la compréhension de constructions plus
basses telles que l’équité de la marque, l’ap- d’images ou de données en direct provenant
préciation de la marque, l’intention d’achat, la d’un casque, les recherches récentes sou-
satisfaction ou la propension à recommander lignent l’importance d’incorporer les infor-
nécessite d’explorer comment les consom- mations sur le sentiment pour prédire les
mateurs perçoivent une marque de manière métriques de l’état d’esprit du consomma-
favorable ou défavorable. L’IA émotionnelle teur, les probabilités d’achat ou la satisfaction
aide à comprendre les associations émotion- (Kübler, Colicev et Pauwels, 2020 ; Colicev
nelles liées à différents types de contenus. et al., 2020). Cette inclusion est cruciale pour
La combinaison de l’analyse des sentiments fournir des prédictions précises et valides,
des avis des utilisateurs avec la modélisa- contribuant ainsi à une prise de décision bien
tion de topics, par exemple, peut offrir des informée et minimisant les risques.
Le concept d’IA générative conduit au développement de modèles par-

faitement capables de reproduire le compor-
La majorité des applications d’IA précé- tement humain dans plusieurs domaines. La
demment discutées se sont principalement capacité à générer du contenu d’une qualité
concentrées sur des fonctions analytiques, indiscernable de celui créé par l’homme a
telles que les classifications ou les prédic- conduit à l’appellation « IA générative ». Bien
tions. Bien que les premières combinaisons qu’il n’existe pas de définition claire de l’IA
d’outils d’IA pensante et émotionnelle aient générative dans la littérature marketing, elle
pu générer des sorties de base sous forme de est généralement associée à certaines carac-
chatbots simples, ces bots manquaient de la téristiques.
capacité à imiter de manière convaincante le
comportement humain. Leur nature discer- L’IA générative est conçue pour créer de
nable limitait l’acceptation par les consom- nouvelles données qui ressemblent aux don-
mateurs, ce qui se traduisait par une adop- nées utilisées pour former ces modèles. Elle
tion et une utilisation restreintes de ces outils vise à imiter le comportement humain ou
(Huang et Rust, 2020). Les avancées récentes à produire un contenu qui semble avoir été
dans l’apprentissage profond ont surmonté ces créé par un être humain. Pour ce faire, l’IA
limitations. Les modèles transformers, initia- générative utilise des modèles probabilistes
lement utilisés pour la classification d’objets pour comprendre les motifs et les struc-
dans l’analyse d’images, ont ouvert la voie à tures dans les données d’entraînement, puis
l’entraînement séquentiel des modèles. Cette génère de nouvelles instances conformes à
approche d’entraînement séquentiel a permis ces motifs. Les modèles génératifs peuvent
aux modèles ultérieurs de s’appuyer sur les être progressivement affinés et adaptés à de
connaissances des modèles précédents. Cela nouveaux domaines. L’IA générative produit
permet à la première génération de modèles de nouvelles sorties en fonction des sollici-
d’établir une compréhension fondamentale tations générées par l’utilisateur, qui sont
des principales relations entre les variables entrées dans le modèle soit directement via
d’entrée. Par exemple, dans le cas d’un mo- du code (par exemple, au sein de la biblio-
dèle de langage, le modèle peut d’abord être thèque huggingface de Python) soit via des
entraîné avec des ensembles de textes géné- systèmes basés sur des chats qui traduisent la
riques pour saisir les règles générales d’une sollicitation en code, puis délivrent la sortie
langue. Les modèles suivants peuvent ensuite via l’interface de chat, comme ChatGPT. La
être construits sur la base de ces modèles de qualité de la sortie d’un modèle d’IA généra-
base pour prendre en compte les nuances lin- tive est fortement influencée par la qualité de
guistiques propres à un domaine spécifique, ses données d’entraînement. Plus les données
telles que le jargon de l’industrie, la termino- d’entraînement sont vastes et nuancées, plus
logie des cas d’utilisation ou les termes spé- il est probable que le modèle d’IA générative
cifiques à la marque, ainsi que pour capturer produira un contenu authentique et réaliste,
les mots et combinaisons de mots spécifiques presque indiscernable du contenu créé par
utilisés par les consommateurs pour expri- des humains.
mer soit une satisfaction, soit une insatisfac-
tion. Par conséquent, ces extensions de mo- Bien que les modèles d’IA générative basés
dèle ne nécessitent plus de vastes ensembles sur le texte comme ChatGPT aient suscité
de données d’entraînement pour la personna- un intérêt considérable, il est important de
lisation et nécessitent moins de temps et de noter que l’IA générative ne se limite pas
ressources d’entraînement. Les transformers, aux données textuelles. Comme mentionné
associés à des ensembles de données éten- précédemment, les modèles transformers ont
dus et à des capacités de calcul robustes, ont été initialement développés pour l’analyse
d’images. Il n’est donc pas surprenant que des modèles d’apprentissage profond tels que
les modèles d’IA générative soient désormais les diffusers de Hugging Face permettent
largement utilisés pour générer du contenu désormais de générer des images de haute
visuel. Des outils commerciaux renom- qualité et de courtes vidéos basées sur une
més tels que Dall-E, Firefly ou Midjourney sollicitation textuelle. La Figure 3 montre
reposent sur des combinaisons de différents quelques exemples d’application d’un modèle
modèles d’apprentissage profond pour créer diffuser. Ces modèles peuvent, comme les
du contenu visuel ou imiter différents styles modèles transformers des LLM, être affinés
de peinture sur la base de vastes ensembles et adaptés à vos propres besoins, avec des ef-
de données d’entraînement visuel. De plus, forts de codage minimaux, des ensembles de
Figure 3 : Exemples d’applications de modèles de génération d’images de Hugging Face Diffuser

Notes : Images générées via https://huggingface.co/spaces/google/sdxl avec la phrase « Image cinématogra-

phique de 80 mm d’un professeur de marketing humain écrivant un article sur l’IA en soirée » comme prompt.
Pour plus d’informations sur les Diffusers de Hugging Face et comment affiner les modèles, consultez https://
github.com/huggingface/diffusers
données d’entraînement minimes et des res- émotionnelle, ainsi que d’autres types d’IA
sources de calcul. En affinant un modèle de générative, pour analyser et résoudre les
diffuseur, on peut par exemple s’assurer que problèmes. Cela suggère qu’à l’avenir, nous
les images générées s’intègrent toutes dans sommes susceptibles de voir de plus en plus
un style spécifique, tel que l’identité visuelle d’outils d’IA interagir les uns avec les autres
d’une entreprise. et aborder collectivement les problèmes avec
des efforts interconnectés.
Avec la popularité croissante de l’IA géné-
rative, nous observons son application à
une gamme diversifiée de données d’entraî- Passer de l’IA générative à l’IA
nement largement disponibles, l’audio et la interactive et interconnectée
vidéo émergeant comme les domaines d’ap-
plication les plus populaires. En audio, nous Les modèles d’IA générative sont conçus
assistons à l’apparition d’outils permettant la pour reproduire les motifs présents dans
composition musicale basée sur des styles ou leurs données d’entraînement, ce qui les li-
des périodes spécifiques, ainsi qu’à la popu- mite intrinsèquement aux limitations de ces
larité croissante du clonage vocal, où les mo- données. En d’autres termes, si un concept
dèles apprennent d’abord les schémas de base est absent des données d’entraînement, le
du comportement de la parole humaine, puis modèle ne peut pas le reproduire. Bien qu’un
sont formés avec des voix spécifiques pour modèle puisse générer de nouvelles varia-
imiter des individus particuliers. Les projets tions de motifs connus à partir de l’ensemble
actuels d’IA générative explorent également d’entraînement (par exemple, en modifiant
d’autres cas d’utilisation, tels que l’IA géné- une peinture de van Gogh dans le style de
rative moléculaire, où les modèles sont for- Warhol ou en faisant chanter Frank Sinatra
més avec des séquences d’ADN ou d’autres une chanson d’ABBA), il ne peut pas créer
séquences moléculaires pour construire de des styles ou des motifs qui sont inconnus
nouvelles formes de matière moléculaire. (comme une peinture de van Gogh dans le
style de Gauguin ou une chanson d’ABBA
De même, dans des domaines tels que la robo- interprétée par Aznavour).
tique et la navigation autonome, l’IA généra-
tive commence à utiliser de vastes ensembles Une stratégie pour surmonter cette limita-
de données de trajectoire pour former des tion consiste à développer des modèles mul-
véhicules autonomes et des robots à dévelop- timodaux uniques qui intègrent des données
per leur trajectoire pour accomplir des tâches d’entraînement étendues couvrant toutes les
spécifiques (par exemple, se rendre dans un tâches de sortie potentielles. Ces modèles
magasin et acheter 5 litres de lait). Dans ces peuvent interpréter et répondre au texte, aux
cas, l’IA générative est responsable de la pla- images, aux vidéos et à l’audio. Les itérations
nification de tâches ou de projets entiers, où récentes du dernier modèle de langage GPT
différents objectifs doivent être atteints dans d’OpenAI illustrent de tels développements.
des conditions incertaines. L’IA générative Ces LLM multimodaux peuvent lire et inter-
surveille en permanence l’environnement, préter des sollicitations graphiques, telles que
met à jour les informations et adapte son des images téléchargées, et même produire
comportement pour maîtriser avec succès la des sorties graphiques. Ces modèles avancés
tâche. Étant impliquée dans la planification sont formés avec d’énormes quantités de don-
et la recherche de solutions à des problèmes nées, ce qui leur permet de générer des sol-
qui surviennent dynamiquement, l’IA géné- licitations significatives pour guider et gérer
rative est susceptible de dépendre également d’autres outils d’IA formés pour des tâches
d’autres formes d’IA mécanique, pensante et spécifiques, tels que la génération vocale, la
manipulation d’images, l’animation vidéo, la exemple une image via Canva ou Photoshop).
programmation ou la gestion de processus. Les GPT sont basés sur le modèle principal
GPT4 qui est capable non seulement de pro-
Les développements très récents indiquent
duire du code pour l’entraînement d’un mo-
que la prochaine étape consistera en des mo-
dèle, mais aussi de sélectionner des échantil-
dèles d’IA qui aborderont leurs limitations en
lons de données d’entraînement disponibles
cherchant d’autres modèles pour combler les
pour l’affinage et la personnalisation spéci-
lacunes de leurs connaissances et atteindre
fiques au domaine, sans que l’utilisateur ait
des résultats spécifiques. Le récent dévelop-
besoin de collecter et de préparer des don-
pement des GPT d’OpenAI nous donne déjà
un aperçu de ce monde. Comme le montre nées ou de coder un modèle ou de former une
la Figure 4, les GPT sont un nouvel outil qui machine. Nous verrons donc finalement des
permet aux utilisateurs de développer et de modèles GPT personnalisés basés sur des
personnaliser leurs propres modèles et appli- applications, qui seront finalement pilotés
cations basés sur les GPT. Ici, Zapier utilise et assemblés par un supermodèle multimo-
une interface GPT4 pour automatiser ses dal. Nous pourrions donc bientôt voir qu’un
propres applications et widgets, et permet à modèle d’IA peut rechercher un autre modèle
ses clients de piloter les outils via des solli- d’IA ou tenter d’améliorer ses lacunes en
citations pour générer des résultats de pro- identifiant de nouvelles données d’entraîne-
jets complets. Les GPT sont susceptibles de ment, en collectant et préparant les données,
permettre à quiconque, sans beaucoup de en écrivant du code pour l’entraînement spé-
connaissances en apprentissage automatique, cifique au domaine ou les extensions de mo-
de mettre en place un agent basé sur un chat dèle, et en fin de compte en générant la sortie
qui automatise des projets (en générant par souhaitée. Ces modèles d’IA établiraient des
Figure 4 : Exemple de l’utilisation des GPT d’OpenAI par Zavier pour développer sa propre
solution d’IA Générative
Notes : L’image provient de https://zapier.com/blog/gpt-assistant/

Pour plus d’informations sur les GPT (transformers pré-entraînés par génération de texte), consultez https://
openai.com/blog/introducing-gpts
connexions avec des outils d’IA existants modèles commerciaux (voir Verhoef et al.
pour résoudre des tâches. 2021). D’autre part, les entreprises qui ont
hésité à adopter et à intégrer des outils d’IA
Pour mieux comprendre le potentiel de l’IA dans leurs stratégies marketing constatent
interactive et interconnectée, envisagez un désormais que leurs modèles commerciaux
projet marketing dans lequel l’IA adapte
conventionnels sont perturbés ou remis en
dynamiquement les visuels d’une campagne
question par les premiers adoptants de l’IA.
en ligne aux préférences d’un visiteur du site
Par conséquent, on peut en déduire que
web. L’IA doit comprendre diverses préfé-
l’abondance de données couplée à l’évolution
rences des consommateurs, apprendre à pré-
des modèles d’IA transforme profondément
dire les préférences d’un visiteur et générer
le paysage du marketing, présentant à la fois
des visuels en fonction de ces préférences.
des opportunités et des menaces pour les
Chaque étape implique différents outils, des
spécialistes du marketing. La Figure 5 donne
outils de recherche marketing au dévelop-
une représentation mise à jour de la classifi-
pement de questionnaires et à l’analyse des
cation initiale des outils marketing de l’IA de
données.
Huang and Rust (2020), illustrant la progres-
Alors qu’un seul modèle d’IA (même multi- sion des applications et des outils d’IA, ainsi
modal) pourrait avoir du mal à gérer toutes que les domaines divers des modèles d’IA en
ces tâches, une IA interactive et interconnec- marketing. De plus, elle décrit les impacts à
tée, consciente des outils disponibles et for- court terme et à long terme de ces outils sur
mée pour générer des sollicitations significa- les stratégies et les opérations marketing.
tives pour chaque outil, pourrait exceller. Les
modèles d’IA interactifs et interconnectés Impact de l’IA mécanique
fonctionneraient comme des gestionnaires Les modèles d’IA mécanique ont commencé
d’IA semi-autonomes, responsables de la à faire d’importants progrès il y a plus de
sélection, de la gestion et de l’utilisation de deux décennies lorsque les entreprises ont
tous les outils d’IA disponibles pour créer de tiré parti de la croissance des données clients
la valeur pour le client. disponibles à l’aide des premiers outils d’IA.
Ces premières adoptantes des technologies
Impact à court et à long terme de d’IA ont permis aux entreprises d’utiliser
l’IA sur le marketing opérationnel et des outils établis d’apprentissage automa-
stratégique tique non supervisé, tels que diverses formes
Au cours de la dernière décennie, un nombre d’analyses de cluster, pour surveiller et iden-
croissant d’entreprises ont exploité le poten- tifier efficacement les segments de clients.
tiel et les capacités de l’IA dans leurs efforts Parallèlement, des outils d’apprentissage
marketing. Les avancées rapides de l’IA automatique supervisé ont été utilisés pour
générative ont entraîné des transformations attribuer les nouveaux clients aux segments
substantielles à la fois dans les activités mar- précédemment identifiés, prévoyant finale-
keting opérationnelles et stratégiques, offrant ment la valeur du client ou les probabilités de
aux entreprises d’importantes opportunités conversion pour des approches ciblées ou des
pour améliorer leurs initiatives marketing. expériences client personnalisées. Ces avan-
Certaines entreprises ont reconnu tôt le po- cées, en particulier dans les domaines des
tentiel de ces méthodologies et ont intégré ventes, des promotions et de la gestion de la
efficacement des outils alimentés par l’IA relation client (CRM), ont considérablement
dans leurs opérations marketing pour faci- amélioré l’efficacité des activités marketing.
liter la transformation numérique, amélio- Cela a été réalisé en permettant aux entre-
rer la valeur client et formuler de nouveaux prises de mieux planifier leurs campagnes
Figure 5 : L’Impact des modèles d’IA sur les opérations marketing et la stratégie marketing
grâce à un ciblage précis ou de fournir une de CRM axée sur les données ont été parmi
valeur accrue aux consommateurs grâce à les plus performantes. En revanche, les en-
un contenu personnalisé, le tout dans le but treprises qui ont sous-estimé l’importance
d’améliorer l’expérience utilisateur globale. de la collecte et de l’utilisation des données
ont pris du retard (Becker, Greve et Albers,
La numérisation des capacités de service, 2009). Les mêmes auteurs (2010) soulignent
associée à la capacité à offrir des expériences que la mise en œuvre inefficace des outils, la
supérieures (via des services tels que les sys- dépendance à l’égard de données incorrectes,
tèmes de recommandation, les offres numé- non nettoyées ou inadéquates, et un environ-
riques personnalisées et dynamiques, les nement managérial peu favorable percevant
newsletters individualisées ou d’autres stra- les données et l’analyse comme une menace
tégies marketing personnalisées) et la pos- pour les processus de décision établis ont été
sibilité de mesurer l’impact de ces activités, des facteurs décisifs contribuant à l’échec des
ont finalement entraîné une augmentation projets de CRM et d’IA.
soutenue de l’efficacité marketing. Les entre-
prises pouvaient non seulement identifier et Il est donc crucial pour les entreprises de
explorer les segments de clients, mais elles susciter activement le soutien au sein de leur
pouvaient également évaluer la valeur poten- organisation pour favoriser un environne-
tielle des clients (c’est-à-dire la valeur nette à ment favorable à l’utilisation des outils d’IA,
vie du client) au sein de ces segments iden- en comprenant leur potentiel pour la prise
tifiés. Ces informations étaient ensuite inté- de décision éclairée (Aksehirli et al., 2022).
grées dans leur planification marketing, amé- Faire face à la résistance managériale, choi-
liorant considérablement la prise de décision sir les bons outils et garantir l’adéquation des
stratégique. Cependant, ces avancées ont eu données sont des étapes essentielles pour
un coût. Les entreprises qui ont investi acti- atténuer les risques opérationnels à court
vement dans des mécanismes de collecte de terme. Cependant, les changements dans
données robustes et dans la création de data l’expérience client et les capacités de service
warehouses pour développer une stratégie numérique ont modifié le paysage du marché,
introduisant des risques à plus long terme. En sujets pour l’analyse des données textuelles,
exploitant le potentiel des données et de l’IA les marketeurs pouvaient approfondir leurs
mécanique, des entreprises telles que Netflix, connaissances des préférences des clients et
Amazon ou Apple ont non seulement gagné mieux comprendre les adaptations de pro-
des parts de marché et perturbé des indus- duits souhaitées. Par exemple, Pepsi a utilisé
tries, mais ont également élevé les attentes l’écoute sociale pour déterminer l’intérêt des
des consommateurs vis-à-vis des entreprises consommateurs pour une relance de Crystal
en général. Cette hausse des attentes des Pepsi, une saveur qui avait été interrompue
clients a ensuite mis la pression sur les en- au milieu des années 1990. Les informations
treprises moins axées sur les données pour recueillies grâce à l’écoute sociale, associées
suivre rapidement, souvent sans une compré- aux campagnes de consommateurs en ligne,
hension analytique claire. Cela, associé à un ont conduit à une relance réussie mais tempo-
manque de capacités de gestion des données raire de Crystal Pepsi.
et à une culture analytique, a accru le risque
De plus, les systèmes d’IA pensante ont faci-
d’échec.
lité la surveillance continue de la santé de la
marque et des indicateurs d’état d’esprit des
Impact de l’IA pensante
consommateurs en suivant automatiquement
L’introduction de l’IA pensante a considé- les conversations en ligne des consomma-
rablement renforcé les capacités prédictives teurs liées à la marque (Kübler, Colicev et
des marketeurs, entraînant une augmentation Pauwels, 2018). Cela a remplacé la nécessité
notable de l’efficacité marketing. Les progrès de mesurer les indicateurs basés sur des en-
de l’analyse prédictive ont permis aux spé- quêtes, offrant un cadre temporel beaucoup
cialistes du marketing en ligne d’optimiser plus granulaire pour l’évaluation. Les mar-
leurs efforts publicitaires, en utilisant des keteurs pouvaient désormais créer des ta-
technologies telles que l’enchère publicitaire bleaux de bord basés sur les indicateurs clés
en temps réel et la publicité sur les moteurs de performance (KPI) pour non seulement
de recherche. La fusion de l’IA mécanique surveiller la santé de la marque, mais aussi
et de l’IA pensante a permis l’exploitation quantifier et illustrer l’efficacité marketing
de vastes ensembles de données comporte- en temps réel ou sur de très courtes périodes,
mentales, formant des modèles complexes comme des jours ou même des moments spé-
capables de faire des prédictions au niveau cifiques de la journée. Les applications de
individuel du consommateur. Ces prédic- l’IA pensante ont non seulement amélioré
tions ont été utilisées pour le reciblage et les la compréhension des consommateurs, mais
adaptations dynamiques des opérations mar- ont également permis de mieux comprendre
keting, telles que la tarification dynamique les actions des concurrents. Grâce à la sur-
et la personnalisation des expériences sur veillance constante et à l’analyse du contenu
les sites web. Parallèlement, l’IA pensante a des dépôts de brevets (Jeong, Park et Yoon,
permis aux marketeurs d’accéder, d’analyser 2019), des rapports d’investisseurs (Matthé
et de comprendre de nouveaux types de don- Ringel et Skiera, 2023) ou de l’utilisation
nées communément appelées données non de mots-clés (Ringel et Skiera, 2016), les
structurées (Balducci et Marinova, 2018). marketeurs ont acquis la capacité d’antici-
L’analyse des données textuelles, visuelles et per les actions des concurrents et la prise de
audio a permis aux entreprises d’obtenir des décision stratégique, permettant des réponses
informations sur les préférences des clients plus rapides et plus efficaces. L’IA pensante,
et les facteurs de satisfaction en analysant le en conjonction avec l’accès croissant à de
contenu et les sentiments dans les tweets liés grandes quantités de données non structu-
à leur entreprise. En utilisant des modèles de rées, a donc permis une prise de décision
plus rapide et des réponses plus rapides aux devenant éventuellement une menace pour la
évolutions du marché. position de l’entreprise sur le marché. D’autre
part, une dépendance excessive aux données
Cependant, ces avancées ont entraîné des non structurées peut, à long terme, conduire à
coûts associés. À court terme, les entreprises des dépendances aux données qui pourraient
devaient modifier leur perception et leur trai- s’avérer préjudiciables pour une entreprise.
tement des canaux de communication numé- Au cours de la dernière décennie, plusieurs
riques. Alors que de nombreux marketeurs plateformes de médias sociaux ont de plus en
considéraient toujours les médias en ligne plus restreint ou complètement coupé l’accès
et numériques comme des outils de commu- aux données clients et aux conversations des
nication pour interagir avec les consomma- consommateurs. Meta a révisé ses règles
teurs, le rôle et la signification de ces canaux d’accès à l’API en 2017, tandis que Twitter
dans la stratégie et les opérations marketing (maintenant X) a considérablement augmenté
ont changé. Permettre aux consommateurs ses prix pour l’accès à l’API et aux données
de s’engager avec une marque signifiait éga- en 2023, rendant presque impossible pour les
lement créer un espace de données acces- entreprises de collecter suffisamment de don-
sible et utilisable par l’équipe en charge des nées sur la plateforme pour maintenir des ni-
données. Par conséquent, la stratégie marke- veaux adéquats d’informations et d’analyses
ting devrait évaluer les canaux en fonction sur les consommateurs. Pour les entreprises
de leur potentiel à extraire des informations fortement ou uniquement dépendantes de ces
des consommateurs sous forme de données ressources, de telles décisions peuvent être
non structurées, sans les considérer unique- catastrophiques, les laissant soudainement
ment comme des plateformes de diffusion dans l’obscurité sans possibilité de compen-
d’informations. De même, les campagnes
ser rapidement la perte d’informations et
de communication devraient être évaluées
d’analyses.
non seulement en fonction de leur impact
sur l’état d’esprit des consommateurs, mais
L’impact de l’IA émotionnelle
aussi de leur potentiel à générer des conver-
sations entre les consommateurs (ou d’autres Alors que les applications de l’IA pensante
formes de données non structurées), qui permettent déjà aux marketeurs de com-
peuvent à leur tour être utilisées pour mieux prendre comment les consommateurs dis-
comprendre le client. Les entreprises et les cutent positivement ou négativement d’une
marques qui maîtrisent cette approche ex- marque, l’IA émotionnelle pousse la compré-
celleront bientôt dans la compréhension des hension du sentiment des consommateurs à de
clients, renforçant leur orientation client et nouveaux niveaux en discernant les nuances
gagnant plus de parts de marché, ce qui leur émotionnelles. Ces nuances englobent des
offrira de meilleures opportunités de collec- sous-dimensions spécifiques des émotions,
ter des informations issues des interactions notamment la joie, la surprise, l’anticipation,
avec les consommateurs. En revanche, les en- ainsi que la colère, la peur ou la tristesse
treprises qui échouent à exploiter ce potentiel (voir Smith et Ellsworth, 1985 pour plus de
auront du mal à acquérir des informations sur détails). Les premières applications de l’IA
les clients, ce qui représente un risque pour émotionnelle étaient axées sur la traçabi-
leur position sur le marché et leur capacité à lité et la mesure des émotions dans le texte,
offrir de la valeur aux clients. principalement grâce à des approches des-
cendantes basées sur des dictionnaires (voir
D’une part, négliger le potentiel de l’IA Humphreys et Wang, 2018), qui comptaient
pensante et des données non structurées les mots associés à chaque dimension émo-
peut affaiblir la compréhension des clients, tionnelle (voir Mohammad et Turney, 2013).
Les applications ultérieures ont progressé en communautés en ligne (voir par exemple
construisant des classificateurs basés sur l’ap- Parker et Ruths, 2023).
prentissage automatique bottom-up qui pou-
vaient identifier les émotions dans le texte en Cependant, la détection des émotions ne
utilisant des modèles d’apprentissage en pro- se limite pas aux données textuelles. Un
fondeur (voir par exemple Hartmann, 2022). nombre croissant d’applications utilisent des
classificateurs basés sur l’apprentissage en
Les progrès rapides des modèles d’apprentis- profondeur pour déduire les émotions à par-
sage par transfert, associés à la capacité de tir des expressions faciales dans les images
personnaliser les modèles de langage à des ou les vidéos, ou pour évaluer l’attrait d’un
fins quelconques avec des quantités modé- visage représenté dans les publications sur
rées de données d’entraînement, ont considé- les médias sociaux. Ces avancées récentes
rablement élargi les domaines d’application de l’IA émotionnelle ont déjà eu un impact
potentiels de l’IA émotionnelle. Des plate- significatif à court terme sur les activités de
formes en libre accès comme Huggingface. marketing. En particulier, les opérateurs de
com ont encore accéléré ce développement en plateformes de médias sociaux s’appuient
permettant aux utilisateurs de partager des fortement sur des données granulaires sur les
modèles pré-entraînés, servant de point de émotions des clients pour adapter et person-
départ pour d’autres utilisateurs afin de per- naliser les expériences utilisateur au niveau
sonnaliser leurs modèles pour leur contexte individuel. Facebook, par exemple, a expéri-
ou domaine spécifique. Cette personnalisa- menté différentes stratégies de suggestion en
tion et cette adaptation de domaine des LLM exposant les utilisateurs à différentes émo-
peuvent désormais être réalisées en quelques tions pour observer comment de telles expo-
lignes de code Python et avec un minimum sitions influencent le comportement de publi-
de puissance de calcul (par exemple, une cation d’un utilisateur (Kramer, Guilloryb et
carte graphique de jeu est suffisante pour Hancock, 2014), ainsi que le comportement
personnaliser un LLM pour des mesures de hors ligne (Bond et al., 2012).
satisfaction spécifiques à la marque en moins
de 6 heures) ou via des services hébergés sur En contrôlant et en façonnant l’expérience
le web tels qu’Amazon Web Services (AWS) utilisateur, les plateformes renforcent l’en-
ou Google Colab. Les marketeurs ont désor- gagement des utilisateurs, ce qui incite les
mais la possibilité de développer rapidement utilisateurs à passer plus de temps sur la pla-
leurs propres outils qui suivent diverses teforme (Aral, 2020 ; Sherman et al., 2016),
formes d’émotions des clients, de la satisfac- permettant ainsi aux opérateurs de collec-
tion, du comportement de recommandation, ter davantage de données utilisateur et/ou
des plaintes, ainsi que des éloges, de la satis- de monétiser l’engagement utilisateur accru
faction, de la considération ou des attitudes grâce à une exposition publicitaire accrue.
des clients au sein des conversations en ligne Les entreprises qui ont investi tôt dans les
des consommateurs. Des modèles similaires outils d’IA émotionnelle et utilisé les nou-
peuvent également être personnalisés pour velles informations sur les clients pour amé-
identifier et résoudre des comportements liorer l’expérience utilisateur et augmenter
injustifiés au sein des communautés en ligne, l’engagement des utilisateurs peuvent donc
tels que les discours de haine, les insultes revendiquer un leadership technologique et
raciales, le langage offensant, la diffama- algorithmique. Ce cycle de renforcement de
tion ou la désinformation, offrant aux ges- plus de données, plus d’informations, meil-
tionnaires de communauté et aux opérateurs leure expérience, plus de données, conduit
de médias sociaux de nouveaux outils pour à un avantage concurrentiel substantiel qui
améliorer l’expérience utilisateur au sein des peut être difficile pour les concurrents à
aborder ou à égaler. De plus, nous observons compétences analytiques, les antécédents en

que les entreprises effectuant leur transfor- sciences des données ou du moins la capacité
mation digitale (Verhoef et al., 2020) avec à communiquer et à collaborer avec des data
de solides compétences en IA émotionnelle scientists.
commercialisent de plus en plus leurs outils,
vendant leurs capacités analytiques à d’autres Certaines entreprises abordent cet environ-
acteurs du marché. Dans des cas comme nement en évolution rapide et continue en
Amazon ou Microsoft, la vente de capaci- s’appuyant sur des solutions commerciales
tés d’IA constitue désormais une source de plutôt qu’en développant les leurs. Bien que
revenus majeure. Il est donc prévu qu’à long cette stratégie puisse apporter un soulage-
terme, avec la démocratisation croissante ment à court terme, les entreprises qui ex-
des outils d’IA émotionnelle et l’accès des ternalisent trop de compétences risquent de
autres acteurs du marché – que ce soit par le perdre rapidement la capacité de développer
biais d’outils autodéveloppés ou par l’achat leurs propres outils, ce qui pourrait les enfer-
d’outils commerciaux – les entreprises de- mer dans des solutions commerciales.
viendront de plus en plus compétentes dans
Simultanément, ce ne sont pas seulement les
la micro-ciblage et la personnalisation des
responsables marketing qui doivent constam-
offres marketing au niveau individuel. Un tel
ment s’adapter aux nouvelles avancées de
niveau élevé de centrage sur le client et de
l’IA émotionnelle. Les consommateurs
micro-ciblage, associé à la capacité d’adap-
prennent de plus en plus conscience de la ma-
ter dynamiquement l’expérience utilisateur et
nière dont les canaux numériques, associés à
les offres de services (par exemple, dans un
l’IA émotionnelle, sont utilisés pour les sur-
cadre de réalité virtuelle ou de métavers, voir
veiller et les suivre. Des scandales largement
Hennig-Thurau et al., 2023), peut finalement
médiatisés, tels que l’incident de Cambridge
permettre aux entreprises de développer des
Analytica, où une société de conseil en ligne
micro-positionnements qui adaptent une pro-
a abusé des informations académiques pour
position de valeur spécifique et singulière-
exploiter les données des utilisateurs de
ment personnalisée à chaque utilisateur.
Facebook afin de prédire leurs traits person-
Les avantages potentiels de l’IA émotion- nels, comme leur orientation sexuelle et poli-
nelle posent également des risques et des tique (voir Kosinski et al., 2013), ont alerté de
défis pour les entreprises. Tout d’abord, les nombreux consommateurs sur les problèmes
directeurs marketing doivent faire face à potentiels de confidentialité. La confiden-
un environnement en évolution rapide où de tialité numérique et la responsabilité numé-
nouveaux outils et méthodes émergent quo- rique sont ainsi devenues des questions clés
tidiennement. Étant donné la nature haute- (Lobschat et al., 2021), avec des consomma-
ment complexe (souvent mathématique) de teurs restreignant de plus en plus la visibilité
ces outils, l’évaluation de la pertinence de de leurs profils, refusant le suivi des cookies,
chaque outil et la prise de décisions sur les voire boycottant activement divers canaux en
outils à utiliser pour des tâches spécifiques ligne. À long terme, ignorer les préoccupa-
peuvent devenir difficiles. Outre le fait de tions significatives des consommateurs en
faire face à un environnement de marché en matière de confidentialité peut finalement
évolution rapide, les directeurs marketing conduire à une importante division des don-
doivent acquérir de nouvelles compétences nées d’information client disponibles, avec
qui leur permettent de surveiller l’aspect ana- des conséquences potentiellement graves
lytique du marché. Par conséquent, nous ob- pour la généralisabilité des informations
servons un nombre croissant de descriptions générées à partir des données générées par
de postes marketing mettant l’accent sur les les utilisateurs, car une partie importante de
la communauté d’utilisateurs pourrait ne plus même être testés dans des espaces virtuels
être observable. Les consommateurs pour- avant la production pour la vente au détail en
raient même saboter activement la génération magasin (voir par exemple Yoo et al., 2023).
d’informations grâce à des mesures telles que Remarquablement, les mêmes modèles d’IA
des profils anonymes, des communications peuvent être utilisés pour coder et dévelop-
trompeuses ou des mesures anti-IA, comme per des sites de vente en ligne. La création
des filtres empêchant l’IA émotionnelle de d’une page web avec une boutique en ligne
reconnaître et d’analyser des images. intégrée, complète avec des descriptions de
produits ou des textes de relations publiques
L’impact de l’IA générative de base, peut désormais être réalisée en beau-
L’IA générative a suscité un intérêt consi- coup moins de temps et avec moins de déve-
dérable au cours des 24 derniers mois, avec loppeurs impliqués. Les prototypes sont prêts
un développement rapide de modèles qui ont en quelques heures ou jours, et grâce aux mo-
introduit une multitude de cas d’utilisation, dèles de langage sous-jacents, une connais-
principalement dans les domaines du mar- sance détaillée de la programmation n’est pas
keting opérationnel. Notamment, des entre- nécessaire. Au lieu de cela, le producteur doit
prises comme Coca-Cola ont adopté l’IA simplement fournir les invites appropriées
générative pour innover dans la création de pour guider avec succès le modèle IA.
produits, donnant naissance à Coca-Cola
Y3000, le premier produit créé par une IA. Les modèles d’IA générative révolutionnent
Cette plateforme permet aux utilisateurs de également les stratégies de tarification, of-
créer leurs propres saveurs uniques à l’aide frant des méthodes nouvelles pour prétester
d’un outil IA directement hébergé par Coca- des expériences de choix classiques pour leur
efficacité avant de les réaliser avec de vrais
Cola. L’IA générative est utilisée de manière
efficace ici pour explorer différentes com- sujets. De plus, les LLM peuvent imiter les
binaisons de saveurs et développer des pro- modèles de réponse de groupes cibles spéci-
duits micro-ciblés, éliminant ainsi le besoin fiques lorsqu’ils sont confrontés à des tâches
de chimistes alimentaires spécialisés ou de choix dans une analyse conjointe. Les ré-
d’autres experts en alimentation. ponses du LLM peuvent ensuite être utilisées
pour déduire des estimations moyennes de
Dans le domaine de la vente au détail et de la la disposition à payer et d’autres préférences
distribution, on observe une présence crois- d’attributs (voir par exemple Tsuchihashi,
sante de modèles d’IA générative utilisant 2023). Étant donné que les LLM actuels ont
des modèles de diffusion en combinaison été formés sur des milliards de morceaux
avec des outils 3D et 2D établis pour conce- de texte couvrant potentiellement des mil-
voir des présentoirs promotionnels en maga- lions de conversations avec des clients, ils
sin et même des agencements de magasin en- peuvent imiter le comportement de réponse
tiers. Les modèles de diffusion représentent d’un groupe de consommateurs spécialement
les dernières avancées dans les modèles conçu. Cela permet de réaliser diverses en-
génératifs d’images. En utilisant des super- quêtes pour identifier les préférences spéci-
positions de texte sur l’image, les marketeurs fiques au groupe cible.
de produits peuvent donner des instructions
directes au modèle pour envisager des pré- Le domaine des instruments de marketing
sentoirs potentiels ou des agencements de opérationnel qui s’adapte le plus rapidement
magasin. En combinant cette sortie avec des est certainement la communication. Avec les
modèles capables de convertir des images modèles d’IA générative capables de fournir
2D en 3D, on peut créer rapidement et de des textes publicitaires, de trouver des termes
manière rentable des prototypes, qui peuvent de recherche appropriés pour les campagnes
SEA et SEO, de créer des scénarios pour des des ressources à d’autres activités telles que
vidéos courtes et des animations, ainsi que les dépenses médias pour la construction de
des images pour les médias sociaux et les la marque ou des initiatives stratégiques telles
campagnes publicitaires en ligne, unique- que la génération de plus de connaissances
ment en fonction des invitations qui guident sur les clients pour améliorer la valeur pour
les différents modèles d’IA générative, les le consommateur. Cela implique qu’à l’instar
responsables marketing ont maintenant accès du processus de transformation digitale, la
à des capacités de production qui consom- concurrence sera renforcée, ce qui profitera
maient auparavant des quantités importantes aux marques plus petites et émergentes qui
de temps et de ressources financières. En peuvent investir moins de ressources dans
combinant ces capacités avec la possibilité la création de contenu, augmentant ainsi la
de tester rapidement les stimuli créés en A/B pression sur les marques établies (Verhoef et
pour augmenter leur efficacité par des itéra- al., 2020). Les entreprises qui peuvent rapi-
tions, les marques peuvent pleinement ex- dement saisir ces nouvelles opportunités et
ploiter le potentiel des nouveaux outils et des intégrer efficacement l’IA générative dans
nouveaux canaux numériques pour atteindre leur marketing opérationnel amélioreront
des niveaux d’efficacité marketing sans pré- non seulement leur efficacité, mais augmen-
cédent. À long terme, des modèles d’IA in- teront également les niveaux d’engagement
teractifs et interconnectés pourraient même des clients. Cela leur permettra à leur tour
diriger entièrement ce processus et utiliser de recueillir davantage d’informations sur les
les retours des tests A/B dans la création de consommateurs, ce qui aidera à mieux com-
nouveaux contenus. Les responsables marke- prendre leurs clients.
ting seraient donc responsables uniquement
de fournir à ces modèles des directives de L’IA générative est également susceptible
performance et quelques règles d’identité d’avoir un impact positif sur les capacités
d’entreprise, tout en surveillant le processus marketing stratégiques d’une entreprise à
itératif. court terme. Des niveaux d’engagement
plus élevés grâce à un meilleur contenu per-
Par conséquent, nous pouvons conclure qu’à mettent non seulement d’accéder davantage
court terme, l’IA générative accélérera le aux consommateurs et aux données clients,
rythme et élargira les possibilités créatives mais également de réduire les obstacles à
pour les responsables marketing dans leurs une analyse efficace de ces données. Les
activités opérationnelles. L’utilisation de mo- modèles de langage tels que le Llama 2.0 de
dèles d’IA générative pour produire du conte- Meta, spécifiquement formés avec des don-
nu de meilleure qualité améliorera l’efficacité nées, peuvent générer du code Python ou R,
d’une entreprise, lui permettant de se démar- facilitant la création, l’accélération ou l’amé-
quer dans le paysage saturé du marketing. De lioration de l’analyse. Les analystes d’entre-
plus, étant donné que la plupart de ces outils prise peuvent plus facilement créer, adapter
sont rentables, les modèles d’IA générative et mettre à jour des modèles en utilisant les
offrent un accès aux outils de campagne dernières méthodes du domaine, sans inves-
qui étaient auparavant réservés aux grandes tir de temps et d’efforts considérables.
entreprises et aux marques financièrement
solides. Les petites entreprises peuvent dé- Cependant, bien que ces opportunités soient
sormais créer facilement du contenu de haute prometteuses, il faut également tenir compte
qualité avec l’aide d’outils d’IA générative. À des risques et des défis que l’IA généra-
l’inverse, les grandes entreprises peuvent ré- tive apporte. À mesure que les entreprises
duire considérablement les coûts du proces- adoptent ces nouveaux types de modèles
sus de création, ce qui leur permet d’allouer et commencent à les appliquer, se pose la
question de savoir si elles souhaitent adopter que sur les experts en marketing opérationnel
des solutions commerciales et prêtes à l’em- capables d’utiliser efficacement ces modèles
ploi offrant un haut niveau de confort utilisa- en étant capables de créer des invitations
teur et un accès facile, ou si elles souhaitent fonctionnelles (c’est-à-dire des ingénieurs
investir dans l’adaptation d’outils open d’invitation).
source existants, qui sont moins coûteux
mais offrent également un plus faible niveau À court terme, nous verrons des avantages
de confort d’utilisation (car ils nécessitent à utiliser l’IA générative pour produire un
des compétences en codage et en héberge- contenu exceptionnel qui capte l’attention et
ment). Bien que la première option soit plus sensibilise. Cependant, à long terme, le scé-
pratique et plus facile à adopter, de plus en nario peut changer. Imaginez un monde où
plus d’entreprises sont sensibles au partage tout le monde peut générer du contenu qui res-
de données. Étant donné que les modèles de semble à un film primé ou à des images simi-
langage commerciaux utilisent les interac- laires au travail d’un photographe renommé
tions de l’utilisateur avec le modèle pour affi- de Magnum. En fait, lorsque tout le monde
ner le modèle, chaque invitation sera enregis- peut produire un contenu parfait, nous nous
trée et potentiellement incorporée dans les retrouverons à nouveau dans un monde en-
futures versions du modèle. Les entreprises combré. La seule différence par rapport à au-
qui utilisent des LLM commerciaux sont jourd’hui sera que le niveau général de qualité
donc menacées de voir leurs connaissances sera plus élevé. Par conséquent, les marques
d’entreprise devenir publiques. Cela peut être auront encore plus de difficulté à se distin-
particulièrement problématique si des outils guer de la moyenne, car la plupart des mo-
commerciaux sont utilisés pour travailler sur dèles produiront un contenu qui semble très
un code propriétaire qui forme la base d’un similaire. De même, les marques établies qui
produit numérique, ou si quelqu’un au sein de figurent déjà dans les données d’entraînement
l’entreprise utilise des informations confiden- des modèles d’IA générative d’aujourd’hui
tielles de l’entreprise ou des clients dans les seront confrontées à des situations où de plus
invitations. petits concurrents pourront facilement imi-
ter ou copier les styles emblématiques des
Il est donc conseillé aux entreprises d’utili- leaders du marché établis avec des invita-
ser plutôt des modèles open source existants, tions simples. La Figure 6 donne un exemple
qu’elles peuvent affiner et héberger de ma- de la manière dont des modèles de création
nière privée dans leur propre environnement d’images de base tels que Spatial Diffuser XL
opérationnel, en veillant à ce que les invita- ou Kandinsky sont capables de reproduire le
tions ne deviennent pas des connaissances style et l’identité d’entreprise des principales
publiques. En fait, de nombreux modèles marques de mode. En effet, des entreprises de
open source offrent déjà la possibilité de les mode ultra-rapide comme SHEIN exploitent
héberger localement et de les adapter à des déjà ces opportunités. SHEIN explore en per-
cas d’utilisation commerciale en fonction manence les médias sociaux et le contenu de
d’une licence MIT ou X11. Cela nécessitera marque pour utiliser des modèles d’apprentis-
cependant que les entreprises investissent sage en profondeur afin de créer et de com-
également dans une main-d’œuvre capable de mercialiser des vêtements similaires, les ven-
gérer les tâches d’hébergement et de réglage dant à des coûts beaucoup moins élevés. Étant
du modèle nécessaires. À court et moyen donné que la tâche principale du marketing
terme, on peut donc s’attendre à une guerre est de créer des propositions qui offrent des
intensive pour les talents, mettant l’accent valeurs uniques, inimitables et non substi-
sur les ingénieurs de données et les spécia- tuables (Barney, 1991) aux consommateurs,
listes de l’apprentissage en profondeur, ainsi l’IA générative peut, à long terme, rendre les
Figure 6 : Exemples de modèles d’images génératives imitant des styles de mode

responsabilités de ciblage et de positionne- falsifiés générés par des tiers, y compris
ment plus importantes mais aussi plus diffi- des consommateurs en colère (voir Kähr
ciles. Une stratégie pour les entreprises pour et al., 2016) ou des criminels, pour nuire
faire face à ces problèmes pourrait être d’affi- à une entreprise. Les recherches actuelles
ner les modèles à leurs besoins, en veillant à indiquent que seulement 10 minutes de don-
ce que la production créée diffère significa- nées vocales sont suffisantes pour former un
tivement de la production des modèles stan- modèle capable d’imiter de manière convain-
dard, créant ainsi une identité d’entreprise cante la voix de quelqu’un (Arik et al., 2018).
unique et distinguée. Cela souligne à nouveau De plus, les applications de remplacement
l’importance d’investir tôt dans les capacités de visage gagnent en popularité, offrant de
d’IA générative. nombreuses opportunités de créer des contre-
façons convaincantes. Les criminels ont déjà
Bien que cela ne soit pas directement lié au exploité ce potentiel à travers de fausses
marketing opérationnel ou stratégique, il est communications téléphoniques, en utilisant
essentiel de souligner que les modèles d’IA un modèle vocal génératif qui imite la voix
générative peuvent poser des défis éthiques du PDG pour manipuler les membres du
et juridiques. Ces modèles ont la capacité de département financier d’une entreprise et les
créer du contenu faux, tel que la reproduc- pousser à effectuer des transferts frauduleux
tion de la voix de quelqu’un ou la manipu- (Burgess, 2023). De plus, il y a de plus en
lation de vidéos. Cela ouvre la porte à une plus de contenu de fausses informations pro-
utilisation potentielle abusive de contenus duit avec des outils d’IA générative circulant
sur les médias sociaux (Ryan-Mosley, 2023). cette hésitation est le manque d’une langue
Cela est particulièrement préoccupant, car il commune. Actuellement, la plupart des in-
a été démontré que la désinformation a des génieurs en IA et des analystes de données
impacts négatifs significatifs sur la société proviennent de formations académiques liées
(Vosoughi et al., 2018 ; Kübler, Pauwels et aux sciences informatiques ou à des do-
Manke, 2020). Les entreprises doivent donc maines connexes, tandis que les responsables
être prêtes à se défendre contre de telles at- d’entreprise proviennent généralement de
taques. formations académiques en commerce tradi-
tionnel où les statistiques et l’analyse de don-
nées ont historiquement joué un rôle moins
Implications pour les pratiques
central. De plus, les marketeurs ont tendance
marketing
à aborder les problèmes d’un point de vue
En examinant les nombreuses opportunités et commercial et orienté marché, tandis que les
défis découlant des développements en cours data scientists et les analystes se concentrent
dans les modèles d’IA, on se demande ce davantage sur les aspects techniques. Pour
qu’il faut aux entreprises, aux marques et aux combler ce fossé, les entreprises devraient
responsables pour maîtriser les tendances en s’efforcer d’établir une langue commune
cours dans les modèles d’IA. Dans ce qui suit, entre les deux départements. Cela implique
je propose cinq implications sur lesquelles de s’assurer que les responsables marketing
les marketeurs devraient se concentrer pour possèdent une compréhension fondamentale
éviter d’être submergés par la révolution. des méthodologies (c’est-à-dire comment les
données et l’IA peuvent aider à la prise de
Culture de la donnée décision), tandis que les analystes de don-
nées acquièrent une compréhension complète
Pour évaluer efficacement le potentiel des des problèmes et des questions traditionnels
outils d’IA basés sur l’apprentissage automa- que les responsables marketing cherchent à
tique pour une entreprise et une marque, les résoudre. En favorisant cette compréhension
marketeurs doivent adopter une culture axée mutuelle, les entreprises peuvent libérer tout
sur les données et l’analyse (Aksehirli et al., le potentiel de leurs initiatives de données et
2023). Cela implique de percevoir l’analyse d’analyse. Ce n’est qu’à travers cette compré-
et l’IA comme des opportunités plutôt que hension mutuelle que les deux parties peuvent
des menaces. Malheureusement, de nom- identifier les sources de données appropriées,
breuses entreprises peinent encore à promou- les méthodes et les cas d’utilisation pour
voir la culture de la donnée nécessaire pour améliorer les capacités de marketing d’une
permettre aux applications d’IA d’amélio- entreprise et son efficacité globale.
rer de manière significative les activités de
marketing (de Haan et al., 2023 ; Becker,
Souveraineté des données et de l’IA
Greve et Albers, 2010). Bien que les entre-
prises initient souvent des investissements La force motrice derrière la révolution ac-
dans les capacités de veille économique et tuelle de l’IA est la donnée. Bien qu’il puisse
d’analyse, l’intégration de l’IA est souvent être tentant d’adopter directement des solu-
limitée à des départements spécialisés tels tions commerciales d’IA générative dispo-
que la veille économique ou l’analyse com- nibles immédiatement, comme MidJourney
merciale. Alors que ces départements super- ou ChatGPT, les marketeurs devraient faire
visent l’hébergement, la gestion et l’analyse preuve de prudence, reconnaissant que cette
des données, il y a souvent une réticence dans approche pourrait entraîner des coûts subs-
les autres départements à exploiter le poten- tantiels à long terme. Comme mentionné
tiel de l’IA. Un facteur majeur contribuant à précédemment, l’utilisation de données
propriétaires pour alimenter ces modèles dont elles évaluent et valorisent leurs activi-
pourrait potentiellement exposer les connais- tés et canaux marketing. Au-delà de l’impact
sances de l’entreprise à tous les utilisateurs immédiat sur la perception des consomma-
du système. De plus, l’utilisation généralisée teurs, une activité marketing ou un canal
d’outils d’IA générative à long terme pour- spécifique peut fournir des données d’obser-
rait intensifier la concurrence, permettant vation précieuses ayant le potentiel de for-
aux marques plus petites ou à celles ayant mer, de raffiner ou de peaufiner des modèles
une plus faible part de marché d’améliorer d’IA. Alors que les plateformes de médias
leurs capacités opérationnelles de manière sociaux ont réussi à intégrer les données
rentable. Afin de maintenir un attrait dis- clients dans leurs modèles économiques,
tinct et unique pour les consommateurs, les de nombreuses entreprises traditionnelles
marques devraient envisager d’investir pré- B2C ou B2B se concentrent principalement
cocement dans leurs propres modèles d’IA. sur la manière dont les activités marketing
Ces modèles permettent la génération de renforcent la rentabilité de l’entreprise en
contenu spécifique à la marque et unique que stimulant les ventes ou la part de marché.
les concurrents ne peuvent pas égaler ou imi- Cependant, il est tout aussi essentiel que les
ter. Pour y parvenir, cela nécessite à la fois entreprises comprennent comment des activi-
des compétences habiles en matière de ges- tés spécifiques génèrent un engagement plus
tion des données et de développement de mo- élevé et comment cet engagement génère de
dèles, mais surtout, cela demande aux entre- nouvelles données ou des données uniques.
prises de saisir la valeur des données pour la Grâce au raffinement de l’IA, ces données
formation continue et l’amélioration de leurs peuvent améliorer les capacités de l’entre-
modèles. L’établissement précoce de la sou- prise, influençant ainsi à nouveau les profits
veraineté des données, comme le préconise de l’entreprise. Pour atteindre cet objectif, les
Aral (2020) dans le concept de la boucle de entreprises doivent non seulement évaluer la
hype, s’avère très avantageux. Les entreprises performance du canal, mais aussi déterminer
qui investissent tôt dans l’IA mécanique, cola valeur des données obtenues à partir du
gnitive et générative seront mieux position- canal et comment ces données peuvent amé-
nées pour offrir une valeur client améliorée liorer leurs capacités d’IA.
plus tôt, ce qui élèvera par conséquent l’enga-
gement client. Cet engagement accru génère IA d’entreprise
davantage de données client, qui peuvent en-
Avec les avancées rapides de l’IA, en parti-
suite être utilisées pour la rétroaction de leurs
culier de l’IA générative, qui améliore consi-
propres systèmes d’IA, amorçant ainsi à nou-
dérablement les capacités de marketing pour
veau la boucle. En revanche, les entreprises
tout le monde à court terme et rend de plus
qui choisissent d’externaliser la tâche d’IA ou
en plus difficile de se démarquer au milieu
de ne pas utiliser d’outils d’IA verront pro-
d’une multitude d’approches marketing
bablement une diminution de l’engagement
excellentes mais similaires à long terme, il
client, entraînant une rétroaction et des infor-
est crucial pour les entreprises d’explorer
mations réduites, ce qui conduira finalement
proactivement le potentiel de l’IA généra-
à une diminution de leur capacité de création
tive. Les entreprises devraient donc viser à
de valeur.
développer leurs propres applications d’IA
qui les différencient, en créant une valeur
Évaluation des capacités de client unique difficile à reproduire et des
valorisation des données outils de marketing opérationnels distinctifs.
Reconnaissant le rôle crucial des données, De plus, investir dans la construction et le
les entreprises doivent réévaluer la manière perfectionnement de leurs propres modèles
d’IA spécifiques à l’entreprise et à la marque même un seul cas de comportement éthi-

peut aider les entreprises à éviter de partager quement répréhensible peut compromettre
des données potentiellement sensibles sur la la bonne volonté des consommateurs et la
vie privée avec des modèles commerciaux et confiance du public dans l’utilisation de l’IA
publics, protégeant ainsi leur position sur le par les entreprises.
marché. L’accessibilité de nombreux LLM en
libre accès et de modèles de diffusion sur des
plateformes telles que Hugging Face, ainsi
Conclusion
que la possibilité de peaufiner ces modèles Depuis plus d’une décennie, nous assistons
avec des exigences computationnelles mini- à une transformation significative du marke-
males et des GPU, rendent désormais cette ting axé sur les données. Ce qui a commencé
option réalisable même pour les petites et initialement comme un mouvement visant à
moyennes entreprises qui en étaient aupara- exploiter l’afflux de données volumineuses
vant dépourvues en ressources. en utilisant des méthodes appropriées a rapi-
dement évolué en une véritable révolution. À
Responsabilité numérique mesure que la puissance de calcul augmen-
tait, ces méthodes émergentes ont non seu-
Il est crucial de reconnaître que les avancées
lement amélioré notre compréhension des
rapides de l’IA ont considérablement accru
clients grâce à l’IA mécanique et cognitive,
les préoccupations du public concernant les
mais ont également permis aux spécialistes
conséquences négatives potentielles. Par
du marketing de percevoir et de s’adapter
conséquent, les entreprises ont la responsa-
aux émotions des clients grâce à l’IA émo-
bilité de ne pas aggraver ces préoccupations.
tionnelle. L’introduction de l’IA générative
Elles doivent faire preuve d’une prudence
a encore propulsé cette révolution vers une
particulière concernant le potentiel de mau-
vais usage de leurs développements en ma- nouvelle phase.
tière d’IA. Cette prudence doit s’étendre aux Des outils d’IA générative tels que ChatGPT
objectifs pour lesquels les entreprises em- et d’autres modèles de langage démocratisent
ploient l’IA. Étant donné les préoccupations désormais la création de contenus marke-
déjà accrues des consommateurs concernant ting de haute qualité et de code personna-
les problèmes de confidentialité, l’utilisation lisé, permettant l’accessibilité sans néces-
de l’IA dans des domaines sensibles, tels que siter de compétences de codage complexes.
la prédiction des caractéristiques privées des Le développement et le perfectionnement
consommateurs, doit être traitée avec beau- de LLM et d’autres modèles d’IA générative
coup de soin. Bien que les décideurs poli- sont devenus plus simples, nécessitant moins
tiques aient établi certaines règles et direc- d’expertise en codage et moins de ressources
tives, en particulier en ce qui concerne la vie informatiques. Cette deuxième vague de
privée des consommateurs, il est important révolution présente de nombreuses opportu-
de se rappeler que l’IA ne doit pas être uti- nités stratégiques et opérationnelles pour les
lisée pour exploiter ou tester les limites de entreprises, les marques et les entrepreneurs
la vie privée légale. Comme l’élaboration technologiques.
de politiques prend du retard par rapport au
rythme rapide des développements actuels de À court terme, les modèles d’IA générative,
l’IA, il est conseillé aux entreprises et aux interactive et interconnectée permettront aux
marketeurs de donner la priorité aux normes marketeurs de se démarquer dans le paysage
morales sur les lois existantes lorsqu’ils envi- saturé du marketing, en fournissant des infor-
sagent d’entrer dans des zones grises poten- mations clients améliorées et des outils opéra-
tielles. Cela est particulièrement vital, car tionnels. Cependant, nous pouvons anticiper
un avenir où tout le monde comptera sur des Burgess, M. (2023). AI Is Being Used to ’Turbo-
outils marketing considérablement amélio- charge’ Scams, Wired, Accessed online via:
https://www.wired.co.uk/article/security-roun-
rés, ce qui entraînera un environnement très
dup-ai-scams-voice-cloning
concurrentiel où les marques auront du mal à
Colicev, A., Malshe, A., Pauwels, K., et O’Connor,
se distinguer. Pour naviguer dans ce change-
P. (2018). Improving consumer mindset metrics
ment et éviter d’être éclipsés par la révolution and shareholder value through social media: The
de l’IA, les marketeurs devraient investir de different roles of owned and earned media. Jour-
manière proactive dans le développement de nal of Marketing, 82(1): 37-56.
leurs propres solutions et outils d’IA. Ne pas de Haan E., Wieringa, J., Padigar, M., El Kihal,
le faire peut signifier perdre du terrain face S., et Kübler, R. (2023). Bringing Structure to
à des concurrents experts en IA et en tech- Unstructured Data Research, Groningen Wor-
king Paper Series.
nologie. En outre, s’appuyer uniquement sur
des services commerciaux pourrait signifier Hartmann, J., Heitmann, M., Schamp, C., et Netzer,
O. (2021). The power of brand selfies. Journal of
renoncer à la capacité de créer une produc- Marketing Research, 58(6): 1159-1177.
tion d’IA unique et spécifique à la marque ou
Hartmann, J. (2022). “Emotion English DistilRo-
risquer la souveraineté des données, avec des BERTa-base”. https://huggingface.co/j-hart-
conséquences potentiellement désastreuses. mann/emotion-english-distilroberta-base/
Hennig-Thurau, T., Aliman, D. N., Herting, A. M.,
Références Cziehso, G. P., Linder, M., et Kübler, R. V.
(2023). Social interactions in the metaverse:
Framework, initial evidence, and research road-
Aksehirli, Z., Bart, Y., Chan, K. et Pauwels,
map. Journal of the Academy of Marketing
K. (2022), “Prelims”, Break the Wall: Why
Science, 51(4): 889-913.
and How to Democratize Digital in Your Busi-
ness (American Marketing Association). Huang, M. H., & Rust, R. T. (2020). Engaged to a
Aral, S. (2020). The hype machine: how social media robot? The role of AI in service. Journal of Ser-
disrupts our elections, our economy, and our vice Research, 109467052090226. https://doi.
health and how we must adapt. Currency. org/10.1177/1094670520902266.
Balducci, B., et Marinova, D. (2018). Unstructured Humphreys, A., et Wang, R. J. H. (2018). Automated
data in marketing. Journal of the Academy of text analysis for consumer research. Journal of
Marketing Science, 46: 557-590. Consumer Research, 44(6): 1274-1306.
Barney, J. (1991). Firm resources and sustained Jeong, Y., Park, I., et Yoon, B. (2019). Identifying
competitive advantage. Journal of management, emerging Research and Business Development
17(1), 99-120. (R&BD) areas based on topic modeling and
visualization with intellectual property right
Becker, J. U., Greve, G., et Albers, S. (2009). The
data. Technological Forecasting and Social
impact of technological and organizational
Change, 146: 655-672.
implementation of CRM on customer acquisi-
tion, maintenance, and retention. International Kähr, A., Nyffenegger, B., Krohmer, H., et Hoyer, W.
Journal of Research in Marketing, 26(3): 207- D. (2016). When hostile consumers wreak havoc
215. on your brand: The phenomenon of consumer
Becker, J. U., Greve, G., et Albers, S. (2010). How to brand sabotage. Journal of Marketing, 80(3):
prevent CRM implementations from failing. GfK 25-41.
Marketing Intelligence Review, 2(2): 34-41. Karniouchina, K., Sarangee, K., Theokary, C., et
Boegershausen, J., Datta, H., Borah, A., & Stephen, Kübler, R. (2022). The Impact of the COVID-
A. T. (2022). Fields of Gold: Scraping Web Data 19 pandemic on restaurant resilience: Les-
for Marketing Insights. Journal of Marketing, sons, generalizations, and ideas for future
86(5), 1-20. research. Service Science, 14(2): 121-138.
Bond, R. M., Fariss, C. J., Jones, J. J., Kramer, A. D., Kosinski, M., Stillwell, D., et Graepel, T. (2013).
Marlow, C., Settle, J. E., et Fowler, J. H. (2012). A Private traits and attributes are predictable from
61-million-person experiment in social influence digital records of human behavior. Proceedings
and political mobilization. Nature, 489(7415): of the Ntional Academy of Sciences, 110(15):
295-298. 5802-5805.
Kramer, A. D., Guillory, J. E., et Hancock, J. T. 1,000 products using big search data. Marketing
(2014). Experimental evidence of massive- Science, 35(3), 511-534.
scale emotional contagion through social Ryan-Mosley, T. (2023), How generative AI is
networks. Proceedings of the National Academy
boosting the spread of disinformation and
of Sciences, 111(24): 8788.
propaganda, MIT Technology Review, Avai-
Kübler, R. V., Colicev, A., et Pauwels, K. H. (2020). lable online at: https://www.technologyreview.
Social media’s impact on the consumer mind- com/2023/10/04/1080801/generative-ai-boos-
set: When to use which sentiment extraction ting-disinformation-and-propaganda-freedom-
tool?. Journal of Interactive Marketing, 50(1): house/
136-155.
Sherman, L. E., Payton, A. A., Hernandez, L. M.,
Kübler, R. V., Lobschat, L., Welke, L., et van der Meij, Greenfield, P. M., et Dapretto, M. (2016). The
H. (2023). The effect of review images on review power of the like in adolescence: Effects of peer
helpfulness: A contingency approach. Journal of influence on neural and behavioral responses
Retailing, forthcoming. to social media. Psychological Science, 27(7),
Kübler, R., Pauwels, K., et Manke, K. (2020). How 1027-1035.
Social Media drove the 2016 US Presidential Smith, C. A., et Ellsworth, P. C. (1985). Patterns of
Election: a longitudinal topic and platform ana- cognitive appraisal in emotion. Journal of Perso-
lysis. Available at SSRN 3661846. nality and Social Psychology, 48(4), 813.
Lobschat, L., Mueller, B., Eggers, F., Brandimarte, Tsuchihashi, T. (2923). Do AIs Dream
L., Diefenbach, S., Kroschke, M., et Wirtz, J. of Homo Economicus? Answers
(2021). Corporate Digital Responsibility. Jour- from ChatGPT Available at SSRN:
nal of Business Research, 122: 875-888. https://ssrn.com/abstract=4495500 or http://
Matthe, M., Ringel, D. M., et Skiera, B. (2023). dx.doi.org/10.2139/ssrn.4495500
Mapping market structure evolution. Marketing Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacha-
Science, 42(3): 589-613. rya, A., Dong, J. Q., Fabian, N., et Haenlein, M.
Mohammad, S. M., et Turney, P. D. (2013). NRC (2021). Digital transformation: A multidiscipli-
Emotion Lexicon. National Research Council, nary reflection and research agenda. Journal of
Canada, 2: 234. Business Research, 122: 889-901.
Nofer, M., et Hinz, O. (2015). Using twitter to Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of
predict the stock market: Where is the mood true and false news online. Science, 359(6380):
effect?. Business & Information Systems Engi- 1146-1151.
neering, 57, 229-242. Yildirim, G., & Kübler, R. (2023). Applied Mar-
Parker, S. et Ruths, D. (2023). Is hate speech detec- keting Analytics Using R. SAGE Publications
tion the solution the world wants?. Proceedings Limited.
of the National Academy of Sciences, 120(10), Yoo, K., Welden, R., Hewett, K., et Haenlein, M.
e2209384120. (2023). The merchants of meta: A research
Ringel, D. M., et Skiera, B. (2016). Visualizing agenda to understand the future of retailing in the
asymmetric competition among more than metaverse. Journal of Retailing, forthcoming.

DM 112 0127

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

DM 112 0127

Transféré par

Droits d'auteur :

Formats disponibles

La révolution dévorera-t-elle ses enfants ?

Article disponible en ligne à l’adresse

Découvrir le sommaire de ce numéro, suivre la revue par email, s’abonner...

Distribution électronique Cairn.info pour EMS Editions.

La révolution dévorera-t-elle ses enfants ?

Pour contacter l’auteur : kubler@essec.edu

Le concept d’IA générative conduit au développement de modèles par-

Figure 3 : Exemples d’applications de modèles de génération d’images de Hugging Face Diffuser

Notes : Images générées via https://huggingface.co/spaces/google/sdxl avec la phrase « Image cinématogra-

Notes : L’image provient de https://zapier.com/blog/gpt-assistant/

aborder ou à égaler. De plus, nous observons compétences analytiques, les antécédents en

Figure 6 : Exemples de modèles d’images génératives imitant des styles de mode

d’IA spécifiques à l’entreprise et à la marque même un seul cas de comportement éthi-

Vous aimerez peut-être aussi