L'IA releve le plancher. La profondeur est ce qui fait la difference.
L'idee que l'IA remplace le travail des juniors meconnait ce que les juniors font reellement. Un debutant en activation ne fait pas du travail mecanique — il configure le ciblage DV360, verifie les pixels de suivi et gere les strategies d'encheres. La vraie question est : quand l'IA releve le plancher pour tout le monde, d'ou vient l'avantage ? De la profondeur.
Je travaille depuis quelques mois sur un cours d'AI-Native Media Operations. Sept modules. Des dizaines de slides. Et le seul slide que je n'arrete pas de reecrire — celui dont je ne suis toujours pas satisfait — porte sur ce qui arrive aux personnes qui entrent dans le secteur quand le modele operationnel passe a 75-80% d'IA.
Je continue d'ecrire des versions qui sonnent assurees. Puis je les supprime, parce que je ne suis pas assure. J'ai des directions, pas des reponses. Et je pense que la version honnete de cette conversation est plus utile que la version polie.
Alors voici ce qui m'occupe l'esprit.
Le recit est faux
Vous l'avez entendu : "L'IA remplace le travail des juniors." C'est une histoire propre. Elle est aussi fausse — ou du moins, elle meconnait ce que les personnes en debut de carriere font reellement.
Parcourons les disciplines d'une agence media moderne :
- Strategie : Produire des analyses concurrentielles, synthetiser des briefs de recherche, reperer des tendances dans les donnees que les seniors manquent parce qu'ils sont en reunion toute la journee
- Planification : Construire des plans media, modeliser des scenarios budgetaires, construire des segments d'audience — souvent plus proches des donnees reelles que le planificateur senior qui revise leur travail
- Activation : Configurer le ciblage DV360, verifier les pixels de suivi, gerer les strategies d'encheres sur plusieurs plateformes — un travail veritablement technique, a forts enjeux, ou une audience mal configuree peut bruler le budget en quelques heures
- Ad Ops : Trafiquer les publicites, debuguer les ecarts de suivi, maintenir l'integrite de la mesure sur des dizaines de plateformes
- Recherche : Evaluer la methodologie d'enquete, detecter les biais d'echantillonnage, coder les reponses qualitatives — le type de travail analytique rigoureux qui necessite un veritable esprit critique
- Reporting : Construire des dashboards, identifier les anomalies, savoir quand les donnees ne collent pas meme si les graphiques ont l'air corrects
Ce ne sont pas des "taches repetitives." Ce sont des contributions substantielles qui exigent du jugement, une connaissance des plateformes et une comprehension du contexte client. La personne qui configure une campagne DV360 ne fait pas du travail mecanique — elle prend des dizaines de decisions techniques qui affectent directement si le plan media delivre ou non.
Le fosse de validation senior dont personne ne parle
Voici quelque chose dont je n'entends pas suffisamment parler : votre VP n'a pas ete dans DV360 au quotidien depuis des annees. Votre directeur de planification ne construit plus de segments d'audience manuellement. Les personnes qui prennent les decisions strategiques ont souvent delegue l'execution au niveau des plateformes depuis si longtemps qu'elles ne pourraient pas valider le output de l'IA a ce niveau meme si elles le voulaient.
Quand l'IA genere un setup de campagne, qui valide qu'il est correct ? Quand elle construit un segment d'audience, qui verifie si les sources de donnees sont les bonnes ? Quand elle produit un framework de mesure, qui sait si l'architecture de tracking le supporte reellement ?
Souvent, ce sont les personnes les plus proches des plateformes. Les memes personnes a qui l'on dit que leur travail est "de routine."
Je pense que c'est ce fosse qui rend le recit "l'IA remplace le travail junior" dangereux. Les 75-80% que l'IA gere ont toujours besoin de validation. Cette validation exige de la profondeur — de l'expertise plateforme, une connaissance de l'architecture de tracking, une familiarite avec les sources de donnees. Et dans beaucoup d'organisations, cette profondeur reside chez les personnes dont on suggere nonchalamment qu'elles seront remplacees.
Le probleme du defile
Je reviens sans cesse a cette analogie. Quand tout le monde a l'IA, la competence large devient un defile — impressionnant de loin, identique de pres. Chaque agence peut generer des plans media, des insights d'audience, des rapports concurrentiels, des briefs creatifs a grande echelle. Les outils sont les memes. Les prompts convergent. Le output se normalise.
Alors d'ou vient l'avantage ?
La profondeur. Aller plus profond que l'IA + les concurrents dans des disciplines specifiques. Pas plus large — plus profond.
C'est contre-intuitif si vous avez grandi dans une industrie qui valorisait les generalistes "en forme de T." Mais je pense que la forme change. Quand l'IA fournit la barre horizontale du T gratuitement, le seul differenciateur est la longueur de la barre verticale vers le bas.
Developpement de carriere Depth-First
L'ancien modele etait : commencer large, se specialiser plus tard. On tournait dans les departements, on s'exposait a la planification, l'achat et le reporting, puis on finissait par trouver sa voie.
Je pense que le meilleur modele maintenant est l'inverse : d'abord approfondir, puis elargir.
L'IA fournit deja la largeur. N'importe quel junior peut utiliser l'IA pour rediger un plan media, construire une analyse concurrentielle ou generer un resume de recherche. C'est le plancher — il a ete releve pour tout le monde. Ce qui est rare, c'est la personne qui connait l'activation, la mesure ou l'evaluation creative mieux que l'IA. La personne qui regarde le output de l'IA et voit immediatement ce qui ne va pas.
Cette competence d'evaluation — la capacite a juger le travail de l'IA avec une veritable expertise — exige de la profondeur. Et la profondeur exige du temps concentre dans une discipline, pas une rotation dans cinq departements pendant vos deux premieres annees.
A quoi ressemble concretement "aller plus profond"
C'est ici que je veux etre specifique, parce que les conseils de carriere generiques sont inutiles.
Activation : Devenez le pont entre la plateforme et l'IA. Connaissez les capacites et limites de la plateforme suffisamment bien pour reperer quand les configurations de l'IA ne fonctionneront pas en realite — l'audience trop etroite pour delivrer, la strategie d'encheres inadaptee a l'objectif, la liste de placements qui inclut de l'inventaire que le client a explicitement exclu.
Ad Ops : Passez de l'implementation de tags a l'architecture de tracking. Ne vous contentez pas de placer les pixels — concevez l'infrastructure de mesure dont l'IA depend. Comprenez les frameworks de consentement, le tagging server-side, les data clean rooms. La personne capable de concevoir des systemes de mesure n'est pas remplacee par l'IA. Elle devient plus importante.
Planification : Apprenez a tester la solidite, pas seulement a construire. N'importe qui peut construire un plan maintenant. La valeur est de savoir quand les chiffres fonctionnent mais la strategie non — quand la courbe de couverture parait efficiente mais la frequence va agacer l'audience, quand le mix de canaux est optimise sur le papier mais ignore comment la marque se manifeste reellement dans chaque environnement.
Recherche : Developpez le scepticisme comme competence cle. L'IA peut synthetiser la recherche plus vite que n'importe quel humain. Mais elle peut aussi presenter avec assurance des resultats issus d'une enquete mal concue, confondre correlation et causalite, et passer a cote du biais d'echantillonnage. Le chercheur qui repere les failles methodologiques a plus de valeur que jamais.
Creatif : Construisez le jugement esthetique qui manque a l'IA. L'IA peut generer des variantes. Elle ne peut pas vous dire pourquoi cette variante particuliere fonctionne pour cette marque particuliere dans ce contexte particulier. Ce jugement — nourri par le gout, la connaissance de la marque et la sensibilite culturelle — est developpable mais pas automatisable.
Reporting : Soyez la couche d'integrite des donnees. L'IA construit de beaux dashboards. Mais les dashboards peuvent etre beaux et faux. La personne qui sait quand le modele d'attribution est trompeur, quand la source de donnees a change silencieusement, quand les chiffres ont l'air corrects mais l'histoire qu'ils racontent est inversee — cette personne est indispensable.
La couche d'Evals dont personne ne parle
Il y a un concept du developpement de l'IA qui, je pense, s'applique directement ici : les evals. En IA, un eval est la verite de reference — les criteres qui definissent a quoi ressemble "correct." Sans evals, on ne peut pas dire si le output de l'IA est bon ou mauvais. On fait simplement confiance a la machine.
En media operations, les evals existent deja. Ils ne s'appellent simplement pas comme ca.
Votre checklist de pre-lancement est un eval. Elle definit a quoi ressemble un setup de campagne correct. Votre echelle de KPI est un eval. Elle definit ce que signifie une bonne performance. Votre guide de marque est un eval. Il definit a quoi ressemble un creatif conforme. Votre standard de precision du tracking est un eval. Il definit ce que signifie une mesure fiable.
Les personnes qui construisent et maintiennent ces criteres — qui encodent le jugement expert dans des criteres operationnels — font quelque chose que l'IA ne peut fondamentalement pas faire pour elle-meme. L'IA peut generer un setup de campagne. Elle ne peut pas definir a quoi ressemble un setup de campagne correct pour ce client dans ce marche avec ces contraintes. Cela exige de la profondeur.
Et voici ce qui est selon moi sous-estime : creer des evals est l'un des exercices d'apprentissage les plus puissants qui existent. Quand vous demandez a quelqu'un de definir a quoi ressemble "correct" dans sa discipline — d'ecrire la checklist de pre-lancement, de specifier le seuil d'ecart acceptable, de construire la grille de conformite creative — il doit comprendre le travail assez profondement pour encoder le jugement. Ce n'est pas du travail administratif. C'est du developpement de profondeur accelere.
Donc quand je parle de developpement de carriere Depth-First, la creation d'evals en est une expression concrete. La personne qui peut a la fois evaluer le output de l'IA et definir les criteres selon lesquels il devrait etre evalue possede un ensemble de competences qui se compose dans le temps. Les criteres s'affinent. L'IA s'ameliore. Et l'ecart d'expertise entre cette personne et quelqu'un qui utilise simplement l'IA grandit.
Pour les personnes qui entrent dans le secteur
Je veux etre honnete ici, parce que je pense que les personnes qui entrent dans le secteur meritent de l'honnetete plus que de la reassurance.
Oui, les postes de debut de carriere changent. Le point d'entree n'est plus "fais le travail que l'IA peut faire, mais avec des mains humaines." C'est "developpe la profondeur pour evaluer si l'IA a fait le travail correctement."
Ca ressemble a une barre plus haute, et c'est le cas a certains egards. Mais je pense que la competence d'evaluation — regarder le output de l'IA et savoir ce qui est juste et ce qui ne l'est pas et etre capable d'articuler pourquoi — se developpe plus vite que les gens ne le supposent. Vous ne partez pas de zero. Vous partez avec l'IA comme accelerateur d'apprentissage.
Le piege, c'est qu'il vous faut toujours de la pratique concrete a cote de l'evaluation. Vous devez construire des campagnes vous-meme pour savoir a quoi ressemble le mauvais. Vous devez extraire des donnees manuellement pour comprendre ce que le dashboard dissimule. L'IA accelere l'apprentissage, mais elle ne remplace pas entierement la pratique. Pas encore.
Choisissez une discipline. Allez en profondeur. Apprenez les frameworks. Les personnes qui reussiront sont celles qui developperont une veritable expertise dans un domaine specifique — pas celles qui deviendront des prompt engineers generalistes.
Le probleme de l'apprentissage
Je dois l'admettre — c'est la partie que je n'ai pas resolue.
Le modele d'apprentissage traditionnel en agence fonctionnait parce que les juniors apprenaient en faisant le travail. L'assistant planification construisait des plans et apprenait la planification. Le coordinateur d'activation configurait des campagnes et apprenait l'activation. Les repetitions etaient la formation.
L'IA compresse ces workflows. Et en compressant les workflows, elle compresse aussi le mecanisme d'apprentissage. Si l'IA construit le plan media et que le junior le revise, apprend-il la planification de la meme maniere ? Je ne suis pas sur que oui.
J'ai des directions mais pas une reponse complete. Le developpement Depth-First. L'evaluation aux cotes de l'execution. Utiliser l'IA comme outil pedagogique, pas seulement de production — faire construire des choses aux juniors avec l'IA puis critiquer ce qu'elle a produit, pour qu'ils apprennent a la fois la competence et le jugement simultanement.
Mais je ne suis pas certain que ce soit suffisant. Le probleme de l'apprentissage pourrait etre le defi organisationnel le plus difficile de la transition vers l'IA — plus difficile que la technologie, plus difficile que le modele economique. Si quelqu'un resout completement ce probleme, il aura resolu quelque chose de plus grand que le modele operationnel d'une seule agence.
Ou cela nous mene
Je ne vais pas conclure avec une synthese elegante, parce que la version honnete n'en a pas.
Voici ce que je crois vrai : vous n'etes pas remplace par l'IA. Le recit est plus nuance que ca. Mais la facon dont vous vous developpez, les competences que vous priorisez et la maniere dont vous positionnez votre expertise — tout cela doit evoluer. La largeur est desormais gratuite. La profondeur est le differenciateur.
Si vous etes en debut de carriere : choisissez une discipline, allez en profondeur, et developpez le jugement pour evaluer le travail de l'IA. Cette combinaison — profondeur plus evaluation — est ce qui vous rend irremplacable.
Si vous dirigez des equipes : les personnes les plus proches de vos plateformes et de vos donnees sont peut-etre plus importantes pour votre strategie IA que vous ne le pensez. Assurez-vous que les personnes qui concoivent le modele operationnel de votre organisation le comprennent.
Et si vous construisez un cours sur tout ca et continuez a reecrire ce fameux slide — eh bien, au moins vous avez maintenant un article de blog vers lequel pointer. Meme s'il n'a pas toutes les reponses non plus.
C'est tout pour moi. J'aimerais sincerement entendre comment d'autres reflechissent a ce sujet — surtout les personnes en debut de carriere dans les medias. Vous etes d'accord ? Pas d'accord ? Qu'est-ce que je rate ?
Cheers, Chandler
