L'IA change la recherche média moins en la rendant plus rapide qu'en la rendant continue, transforme les personas d'un document ponctuel en un modèle de travail que le système met à jour, et déplace l'avantage durable de données de la recherche publique — désormais bon marché pour tout le monde — vers tes données first-party propriétaires et ta mémoire accumulée.
J'ai passé 18 ans en planification et en achat, et pendant l'essentiel de cette période la recherche était un projet. Tu la commandais, tu recevais un deck, tu l'utilisais un trimestre, et il se périmait dans un dossier. Les gens qui le faisaient bien étaient des lecteurs rapides et de bons synthétiseurs. L'IA change ce que vaut cette compétence, et elle change où se situe l'avantage. Prenons les trois morceaux tour à tour — recherche, personas et données — parce que la bascule est différente dans chacun.
La recherche cesse d'être un projet
L'ancien rythme était périodique : une étude de catégorie au T1, un scan concurrentiel quand quelqu'un le demandait, un rafraîchissement de l'audience avant le plan annuel. Chacun était un événement, et entre les événements l'équipe tournait à la mémoire et à l'instinct.
Une équipe AI-native fait tourner la recherche comme une capacité permanente. Les signaux publics — bascules de catégorie, créatif concurrent, demande de recherche, conversation sociale — sont collectés et résumés en continu, selon un calendrier plutôt qu'à la demande. La sortie n'est pas un deck. C'est un flux que l'équipe lit, comme on lit un tableau de bord au lieu de commander un rapport.
L'effet pratique est que l'équipe ne part jamais d'une page blanche sur une catégorie, parce que la catégorie a été résumée tout du long. Y arriver demande le même travail peu glamour que le reste du cluster : les sources de signaux doivent être câblées, le résumé doit avoir une norme, et quelqu'un doit posséder l'interprétation. Le modèle fait la lecture, pas la décision.
Ce que devient le métier de l'analyste
Quand la synthèse est continue et mécanique, la valeur de l'analyste passe de trouver la réponse à choisir la meilleure question.
Ce n'est pas une petite bascule, et c'est inconfortable pour quiconque avait pour identité d'être la personne qui savait où regarder. Dans l'ancien modèle, le goulot était la récupération — trouver le chiffre, l'étude, le benchmark. Dans le nouveau modèle, la récupération est presque gratuite, donc la compétence rare est le cadrage : savoir à quelle question le business a réellement besoin de réponse, et quelle réponse changerait une décision.
J'ai vu des équipes faire cette transition bien et mal. Celles qui la font bien donnent à l'analyste une place dans la conversation de planification, parce que c'est là que vivent les bonnes questions. Celles qui la font mal automatisent la récupération et laissent l'analyste faire le même travail plus vite, puis se demandent pourquoi leur personne la plus curieuse s'ennuie. Si la récupération était le métier, le métier a disparu ; si le jugement était le métier, le métier vient de devenir plus intéressant.
Les personas deviennent un modèle de travail
Le document de persona est l'un des artefacts les plus discrètement inutiles du marketing. Il est rédigé une fois, illustré d'une photo de banque d'images, et jamais mis à jour, parce que le mettre à jour coûte cher et que personne ne le possède.
Une équipe AI-native traite les personas comme un modèle de travail à la place. La définition de l'audience vit avec les données, et le système l'affine à mesure que le comportement change : quels segments convertissent, quel message atterrit, quelles hypothèses se sont cassées. Le persona n'est pas un livrable ; c'est un modèle interrogeable qui se situe derrière la planification et le créatif.
La conséquence stratégique est que les personas cessent d'être un projet artistique et deviennent un outil de décision. Au lieu de demander « cette campagne correspond-elle à notre persona ? » — une conversation qui finit en général par un accord — tu peux demander au modèle laquelle de plusieurs définitions d'audience explique le mieux les résultats du dernier trimestre, et obtenir une réponse ancrée dans ce qui a réellement tourné. C'est une qualité d'input différente pour le brief.
L'avantage de données se déplace vers la couche propriétaire
Voici la partie qui compte vraiment pour la stratégie, et elle est facile à manquer parce que la recherche publique est désormais si impressionnante.
Si l'IA peut synthétiser le web public pour tout le monde, alors la recherche publique n'est plus un avantage — c'est une commodité. Le benchmark de catégorie, le créatif du concurrent, l'étude sectorielle : tous ceux qui ont un bon workflow peuvent les résumer. L'avantage ne peut pas vivre là, parce que ce n'est plus rare.
L'avantage durable se déplace vers ce à quoi un concurrent ne peut pas s'abonner : tes données first-party, les résultats de tes campagnes passées, tes relations client, et la mémoire que ton workflow accumule sur ce qui a marché. Un modèle qui se souvient des tests de l'an dernier et des résultats de cette année vaut plus qu'un modèle plus intelligent sans historique. C'est le même argument que j'ai fait sur pourquoi la mémoire IA compte plus que le choix du modèle, appliqué à la recherche : le compounding est dans le contexte, pas dans le modèle.
Recherche ancienne vs recherche AI-native
| Dimension | Recherche traditionnelle | Recherche AI-native |
|---|---|---|
| Cadence | Projet périodique | Capacité permanente |
| Sortie | Un deck | Un flux plus un modèle |
| Moteur de coût | Heures d'analyste | Accès aux données et gouvernance |
| Métier de l'analyste | Trouver et synthétiser | Cadrer la question et interpréter |
| Personas | Document statique | Modèle vivant derrière la planification |
| Avantage | Meilleure synthèse | Données propriétaires et mémoire |
| Mode d'échec | Périmé et inutilisé | Données sales et propriété floue |
Lis la dernière ligne comme l'avertissement. La version AI-native échoue à un endroit différent de la traditionnelle — non pas en se périmant, mais en nourrissant un système rapide et sûr de lui avec des données que personne n'a nettoyées ni gouvernées.
La gouvernance est une précondition, pas de la paperasse
Tu ne peux pas construire la couche de mémoire avant d'avoir décidé ce que le modèle peut voir, ce qui peut sortir de tes systèmes, et qui possède la réponse quand quelque chose cloche.
C'est pourquoi la gouvernance atterrit dans la voie Stratégie plutôt que dans une annexe de conformité. Au moment où tu connectes des données first-party à un workflow de recherche ou de planification, tu as pris un ensemble de décisions sur les frontières et le consentement — et si tu les remets à plus tard, tu reconstruiras la couche sous la supervision d'un juriste, à plusieurs fois le coût. Les équipes qui traitent la gouvernance comme un prérequis avancent plus lentement deux semaines et plus vite deux ans.
Le guide Exécution approfondit le côté opérationnel, mais le point stratégique est simple : la couche propriétaire est là où vit l'avantage, et la couche propriétaire est exactement la chose avec laquelle tu n'as pas le droit d'être négligent.
Ce qu'une équipe en interne devrait réellement faire
Si tu possèdes tes données et ta feuille de route, la séquence est inhabituellement claire.
- Câble les sources de signaux pour une catégorie ou une audience — pas tout. De la recherche continue sur une chose vaut plus que de la recherche sporadique sur dix.
- Définis la norme du résumé pour que le flux soit digne de confiance : quelles sources comptent, à quoi ressemble une bonne synthèse, qui la valide.
- Monte le persona comme modèle derrière un workflow — planification ou créatif — et laisse-le se mettre à jour à partir de vrais résultats.
- Décide tes frontières de données avant de connecter des données first-party, et écris qui possède la réponse quand le modèle se trompe.
- Protège la place de l'analyste dans la décision, parce que cadrer la question est désormais le métier.
Le parcours pour équipes internes séquence ça contre le reste du modèle opérationnel, et le guide Stratégie le met dans le contexte de toute la voie. Termine une étape avant d'élargir à la suivante.
FAQ
L'IA remplace-t-elle les chercheurs média ?
Elle remplace la moitié « récupération » du métier, qui représentait la plupart des heures. Elle ne remplace pas le cadrage de la question ni l'interprétation de la réponse. Les chercheurs qui passent à la moitié jugement deviennent plus précieux ; ceux qui étaient payés pour la récupération vont plus vite puis ont besoin d'une nouvelle définition du rôle.
Les personas servent-ils encore à quelque chose ?
Oui, mais comme modèle de travail plutôt que comme document. Un persona qui se met à jour à partir de vrais résultats de campagne est un outil de décision. Un persona rédigé une fois et jamais revisité est de la décoration, et l'IA ne le sauve pas — elle rend juste la décoration moins chère à produire.
La recherche publique est-elle désormais sans valeur ?
Non, c'est un input utile et elle est plus rapide que jamais. Elle n'est juste pas un avantage, parce que tout le monde a accès à la même synthèse. L'avantage a migré vers tes données propriétaires et ta mémoire, la partie qu'un concurrent ne peut pas copier en s'abonnant aux mêmes outils.
Où se situe la gouvernance des données ?
Comme précondition, avant de connecter des données first-party. Décider ce que le modèle peut voir, ce qui peut sortir de tes systèmes, et qui possède la réponse fait partie de la conception de la recherche désormais, pas d'une réflexion de conformité après coup. Saute-le et tu reconstruiras la couche plus tard, sous supervision.
La version courte
L'IA rend la recherche continue, transforme les personas en un modèle vivant, et déplace l'avantage durable vers tes données propriétaires et ta mémoire. Le métier de l'analyste passe de la récupération au cadrage, et la gouvernance cesse d'être de la paperasse pour devenir la chose qui permet à la couche propriétaire d'exister. Le modèle fait la lecture ; toi tu fais le jugement.
J'apprends encore ce domaine en public, et je me suis trompé plus d'une fois sur l'endroit où l'avantage allait se fixer. Mais cette partie a tenu : quand la synthèse est gratuite, la chose rare est une bonne question et ton propre historique.
Si ton équipe a fait cette bascule, j'aimerais savoir ce qui est arrivé au rôle de chercheur — c'est là que se trouve en général la vraie histoire.
À bientôt, Chandler
Cet article est en français, mais le contenu du cours (vidéos, templates et guides d'accompagnement) est proposé en anglais, japonais, chinois simplifié et coréen ; ce site est disponible en 13 langues.