Gouverner les données marketing pour l'IA se résume à quatre décisions que tu prends avant que le modèle voie quoi que ce soit : ce qu'il peut voir, où il peut tourner, qui possède la sortie, et combien de temps tu la gardes. Prends ces décisions avant de bâtir une couche de mémoire et elles façonnent l'architecture. Saute-les et tu reconstruiras la couche plus tard, en général sous la supervision d'un juriste, après que quelque chose a déjà mal tourné.
J'ai intégré de la mémoire dans des systèmes et j'ai vu des équipes sauter cette étape au nom de la vitesse. Le schéma est constant : le modèle voit plus que ce que quiconque avait prévu, une question est posée en revue, et un rattrapage précipité suit. La gouvernance n'est pas la taxe sur le travail intéressant ; c'est la précondition pour faire le travail intéressant en sécurité.
Les quatre décisions
Que peut voir le modèle ? Toutes les données marketing ne se valent pas. La recherche publique, les données de performance internes, les données personnelles client et les catégories réglementées portent des obligations différentes. Décide la classification avant que le modèle touche quoi que ce soit, parce qu'une fois qu'une donnée est dans une fenêtre de contexte, la « dés-voir » n'est pas une option réelle.
Où peut-il tourner ? Un modèle qui tourne à l'intérieur de ton environnement est un risque différent d'un modèle auquel tu envoies des prompts par API, et les deux sont différents d'un outil public dans lequel un membre de l'équipe colle du texte. Décide quelles classes de données peuvent aller vers quel type de modèle, et rends la réponse exécutable plutôt qu'aspirationnelle.
Qui possède la sortie ? Quand le modèle produit un plan, une pièce de copy ou une définition d'audience, quelqu'un doit la posséder. La gouvernance signifie nommer cette personne, et être clair que la responsabilité ne se transfère pas à l'outil. C'est le même principe que la norme de relecture dans la voie Exécution.
Combien de temps la gardes-tu ? La rétention est la décision que les équipes reportent et regrettent ensuite. Si le contexte améliore le modèle, tu veux le garder. S'il inclut des données personnelles ou réglementées, tu peux être obligé de les supprimer. Décide la rétention par classe de données, et rends la suppression réelle.
Classifie d'abord les données
La classification est le fondement des trois autres décisions, donc fais-la d'abord et garde-la simple. Un schéma viable est quatre seaux : public, interne, confidentiel et réglementé. Les données publiques peuvent aller presque partout. Les données internes — performance, dépense, stratégie — restent avec les modèles approuvés. Les données confidentielles — contexte client spécifique, plans non publiés — restent sous contrôle. Les données réglementées — tout ce qui touche à des informations personnelles ou légalement protégées — reçoivent le traitement le plus strict et n'entrent souvent jamais dans un modèle général.
La valeur de la classification est qu'elle rend les règles lisibles pour tout le monde. Un marketeur qui connaît le seau sait ce qu'il peut coller dans quel outil, sans avoir besoin d'une note de politique pour chaque cas. Simple bat exhaustif ici, parce qu'une règle que personne ne retient n'est pas de la gouvernance.
Où le modèle tourne
La décision d'hébergement est là où se situe la plupart du vrai risque. Un modèle déployé dans ton propre environnement avec tes propres contrôles est l'option la plus contenue et la plus de travail à faire tourner. Un modèle accessible par API de fournisseur sous un accord de traitement des données est la voie moyenne courante, et les conditions comptent énormément — si les inputs entraînent les modèles du fournisseur, où les données sont stockées, et quelles sont les garanties de suppression.
Et puis il y a le cas de l'outil public, qui est celui à fermer explicitement. Si les membres de l'équipe peuvent ouvrir un navigateur et coller des données client dans n'importe quel outil, rien du reste ne compte. Nomme les outils approuvés, bloque ou décourage les autres, et explique pourquoi. Le chemin non gouverné est presque toujours le plus commode.
Qui possède la sortie
Chaque livrable assisté par l'IA a besoin d'un propriétaire nommé, et le propriétaire est une personne, pas un workflow. Ce n'est pas une technicité ; c'est ce qui rend la sortie défendable. Si un modèle rédige un plan média et que personne ne valide, l'agence ou l'équipe a effectivement publié l'estimation d'une machine. La gouvernance assigne la signature.
Ça se connecte directement à l'achat. Quand tu achètes un service AI-native d'une agence, le contrat devrait dire qui possède la sortie et qui est responsable quand elle est fausse. L'ambiguïté là est comment un incident qualité devient un incident légal. La réponse de gouvernance et la norme de relecture sont la même discipline appliquée à des risques différents.
Rétention et suppression
La rétention est là où le bénéfice de compounding de la mémoire et l'obligation de supprimer entrent en collision, et il n'y a pas de moyen d'éviter d'y réfléchir. Le contexte rend le modèle utile, donc tu veux garder les briefs, les résultats et les décisions. Une partie de ces mêmes données peut être soumise à des obligations de suppression ou à des limites contractuelles. La résolution est la rétention par classe : garde le contexte dérivé et anonymisé indéfiniment ; garde les données personnelles brutes seulement tant que tu es autorisé ; et rends la frontière entre les deux explicite.
La raison de le faire avant de bâtir est que rétrofit la suppression dans une couche de mémoire est douloureux. Si les données brutes et le contexte dérivé sont mélangés, les séparer plus tard est une migration. Conçois la séparation dès le départ. C'est le cœur pratique de pourquoi l'IA sans mémoire n'est qu'un chatbot coûteux — la mémoire est la valeur, et elle est aussi la surface de gouvernance.
Une classification travaillée
Prends une campagne typique et trie les inputs. La recherche de catégorie et le paysage concurrentiel sont publics — ils peuvent aller partout. La dépense du client, l'historique de performance et la stratégie interne sont internes — outils approuvés uniquement. Les concepts créatifs non publiés et la liste de clients du client sont confidentiels — garde-les sous contrôle. Et tout ce qui identifie une personne, ou tombe dans une catégorie réglementée, reçoit le traitement le plus strict et reste souvent complètement hors des modèles généraux.
Une fois ce tri en place, les règles s'écrivent d'elles-mêmes. Les données publiques peuvent aller dans les outils publics. Les données internes et confidentielles ne vont que dans des modèles contractés et approuvés. Les données réglementées ne vont nulle part sans une revue spécifique. La classification est ce qui transforme une politique vague en une décision qu'un marketeur peut prendre en dix secondes, qui est le seul type de gouvernance qui survit au contact d'une semaine chargée.
Les conditions fournisseur qui comptent
Quand tu évalues un fournisseur de modèle, quatre conditions décident de la plupart du risque. Le fournisseur entraîne-t-il sur tes inputs, ou tes prompts sont-ils exclus de l'entraînement ? Où les données sont-elles stockées et traitées, ce qui compte si tu as des obligations de résidence des données ? Quelles sont les garanties de suppression et comment les fais-tu respecter ? Et qu'arrive-t-il à tes données si le contrat se termine ? Demande les réponses par écrit, parce que le site marketing ne te le dira pas.
La plupart des fournisseurs entreprise offrent désormais une option sans entraînement et des conditions de suppression raisonnables ; le point est de le confirmer plutôt que de le supposer. Pour une équipe qui colle des données client dans une fenêtre de chat, aucune de ces conditions ne s'applique, et c'est exactement pourquoi la liste d'outils approuvés doit être explicite et courte.
L'ordre des opérations
Classifie les données, décide où chaque classe peut tourner, nomme le propriétaire de la sortie, et fixe la rétention par classe. Fais-le dans cet ordre, avant le premier prompt qui touche de vraies données. Puis écris-le là où l'équipe peut le trouver, et fais des outils approuvés le chemin facile. La gouvernance qui repose sur des gens qui se rappellent d'une règle n'est pas de la gouvernance ; c'est de l'espoir.
FAQ
Avons-nous besoin d'une politique formelle ou un accord d'équipe suffit-il ?
Commence par un compte rendu de décision d'une page couvrant les quatre questions, et formalise-le plus tard si ton échelle ou ton régulateur l'exige. Un accord court et appliqué bat une longue politique ignorée. Le but est de décider, pas de produire un document.
Pouvons-nous utiliser des outils IA publics pour des données marketing internes ?
Seulement si les données internes ne sont pas confidentielles ou réglementées et que les conditions de l'outil le permettent. Pour la plupart des équipes la réponse honnête est de router les données internes et client par des outils approuvés et contractés et de garder les outils publics pour des données publiques ou synthétiques.
Comment fixer la frontière de données elle-même ?
Par classification, pas par outil. Trie chaque input dans l'un de quatre seaux — public, interne, confidentiel, réglementé — et laisse le seau décider où il peut aller : données publiques vers outils publics, internes et confidentielles vers modèles approuvés et contractés, réglementées nulle part sans une revue spécifique. La frontière est la classification, et une fois qu'elle existe un marketeur peut prendre la décision en dix secondes sans note de politique.
Et si on ne peut pas dire dans quel seau va une chose ?
Par défaut, va vers le seau le plus strict et mets-la sur une courte liste de revue plutôt que de deviner. Les données ambiguës sont en général personnelles, spécifiques au client ou réglementées, qui est exactement la donnée dont tu ne veux pas découvrir plus tard qu'elle a été mal gérée. Une liste de deux lignes des cas que les gens signalent réellement, revue mensuellement, résout les zones grises sans ralentir le travail.
La version courte
Gouverne les données marketing pour l'IA avec quatre décisions prises avant que le modèle voie quoi que ce soit : ce qu'il peut voir, où il peut tourner, qui possède la sortie, et combien de temps tu la gardes. Classifie d'abord, héberge délibérément, nomme un propriétaire, et fixe la rétention par classe — puis bâtis la couche de mémoire par-dessus. Le guide Exécution couvre le reste des questions opérationnelles, et le parcours pour équipes internes travaille la gouvernance jusqu'à la mesure.
Si tu as mis ça en place dans ta propre équipe, j'aimerais savoir laquelle des quatre décisions a été la plus dure à faire accepter.
À bientôt, Chandler
Cet article est en français, mais le contenu du cours (vidéos, templates et guides d'accompagnement) est proposé en anglais et en japonais ; ce site est disponible en 13 langues.