Que se passe-t-il lorsque l'IA prend en charge la planification média ?

Les réponses qui sonnent bien ne sont pas encore de bons plans. C'est précisément là que Guido Trevisan intervient. Il ne considère pas l'IA comme une promesse de salut, mais comme un système qui comporte ses propres points aveugles. Là où les quantités de données impressionnent, la connaissance ne commence pas automatiquement. Et là où les machines donnent l'impression d'être sûres, il peut aussi y avoir des distorsions.

Ce qui peut sembler être une thèse abrupte devient de plus en plus pointu en y regardant de plus près. Lorsque la planification média basée sur l'IA déplace systématiquement les budgets vers les plates-formes qui donnent des informations sur elles-mêmes de la manière la plus bruyante, la plus dense et la plus lisible par les machines, c'est bien plus que le rapport de force entre les canaux numériques et classiques qui est ébranlé. La question fondamentale qui se pose alors est de savoir comment l'argent de la publicité peut encore être planifié à l'avenir de manière responsable, efficace et proche du marché.

Dans cet entretien, Trevisan ne tire pas la sonnette d'alarme pour le plaisir de tirer la sonnette d'alarme. Il donne plutôt l'impression de suivre une piste qui se cache derrière des résultats plausibles. Ses soupçons ne portent pas sur la technologie en soi, mais sur sa base de données, sa logique et son évidence aveugle. Ainsi s'ouvre un thème plus vaste : il ne s'agit pas seulement de la presse, de la télévision, de l'audio ou du DOOH. Il s'agit de l'architecture de la planification média à l'ère de l'IA - et de la question de savoir si le secteur est actuellement confronté à une nouvelle forme de biais, qui semble trop lisse pour susciter immédiatement la méfiance.

Guido Trevisan, vous parlez de «biais d'IA» dans la planification média. Parlons-nous ici d'un véritable problème de marché - ou aussi d'une thèse assez raide avec une utilité politique pour les médias classiques ?
Si la thèse est correcte, ce ne sont pas seulement la presse, la télévision ou l'OOH qui ont un problème, mais l'ensemble du secteur publicitaire. Si l'on pousse la thèse plus loin et que l'on suit ce que recommandent les IA courantes, l'impact publicitaire dans son ensemble serait également affaibli par des planifications médias inefficaces. Par conséquent, les investissements dans la communication commerciale seraient réduits et les entreprises investiraient ailleurs.

De votre point de vue, quel est exactement le biais : que l'IA planifie mal - ou qu'elle révèle sans ménagement quels sont les canaux qui dominent aujourd'hui en termes de données ?
Le biais réside clairement dans la mauvaise planification de l'IA. En partant du principe que les collaborateurs des agences médias et les spécialistes du marketing comprennent quelque chose à leur travail, il est très surprenant que les planifications recommandées par l'IA - en particulier aux Etats-Unis, où ce biais a déjà été démontré - diffèrent fortement de la planification média humaine. Le fait que les médias numériques «produisent» davantage de données, même si elles ne sont que partiellement mesurées de manière indépendante, est indéniable.

Vous dites que les Large Language Models (LLM) et les systèmes d'IA privilégient les plateformes numériques. Où commence ici la distorsion - et où s'arrête la simple logique guidée par les données ?
En matière de planification média, il convient de se référer encore davantage aux données indépendantes existantes. Bien préparés, les LLM sont un outil fantastique. Mais ici aussi, la règle est la même : «Garbage in, garbage out».

Le biais de l'IA n'est-il finalement pas simplement la nouvelle version algorithmique de ce biais humain dont le secteur a déjà discuté il y a des années ?
Les deux sont dangereux lorsqu'il s'agit d'utiliser l'argent de la publicité à titre fiduciaire. Je pense toutefois que le potentiel de dommages structurels est bien plus important dans la version algorithmique, car on obtient une réponse bien sentie à presque chaque question en appuyant sur un bouton.

La main sur le cœur : quelle est votre confiance dans le fait qu'aujourd'hui, une machine fait effectivement moins bien les plans médias qu'un être humain doté d'expérience, d'intuition et d'Excel ?
Comme nous l'avons déjà mentionné, si la machine est correctement programmée, elle peut certainement produire des plans satisfaisants. Aujourd'hui, la plupart des résultats sont toutefois insuffisants. Lorsqu'un briefing d'agence est établi avec une IA et qu'il est ensuite transmis directement à l'agence, un à un, sans expérience, sans intuition et sans Excel - donc sans connaissances propres -, il en résulte rarement quelque chose de bon. On m'a confirmé que cela se produit déjà aujourd'hui chez des clients de renom. A cela s'ajoute le problème que la planification stratégique des médias est moins enseignée dans les formations continues. C'est là que nous devons intervenir en tant que branche, afin que le «Human in the Loop» génère une importante valeur ajoutée.

Votre argumentation s'appuie fortement sur des observations faites aux Etats-Unis. Qu'est-ce qui est suffisamment solide pour que la Suisse s'en émeuve dès maintenant ?
Il est possible que les écarts par rapport au comportement de réservation soient encore plus importants en Suisse, car les médias classiques sont plus pertinents dans notre pays. Les données américaines ont au moins permis d'entamer une discussion avec des organisations renommées comme Leading Swiss Agencies ou l'Association suisse des annonceurs. Notre objectif commun est de mettre en œuvre une analyse similaire pour la Suisse.

Ne pourrait-on pas lire votre thèse de la même manière ? Les plateformes tech ont fait leurs devoirs en matière de données - et les médias classiques les ont trop longtemps repoussés ?
Bien sûr, mais à mon avis, cela n'a aucune importance. Et même si les plateformes tech disposent de quelques-uns des esprits les plus brillants, je ne pense pas que ce biais dans la planification média ait été planifié de longue date de cette manière. Nous devons agir maintenant et nous pouvons donner au marché publicitaire suisse, à un coût relativement faible, un outil permettant de planifier plus efficacement la portée et l'impact, sur la base d'études suisses existantes.

Si l'IA recommande trop peu les médias classiques : est-ce vraiment un biais de la machine - ou un problème de visibilité des fournisseurs classiques ?
L'une des idées était simplement de publier davantage de données suisses et de provoquer ainsi une correction des outputs. Les LLM se basent sur des informations mondiales. Notre conclusion : nous pouvons et devons bien sûr publier davantage, et les prestataires de services situés en aval des chaînes de création de valeur doivent également les utiliser davantage. Mais croire que nous pouvons influencer le système de manière significative avec quelques informations suisses supplémentaires s'est avéré être une idée fausse. Sans compter que les données des organismes de recherche ont une valeur et qu'ils veulent continuer à les capitaliser.

Les genres classiques en particulier insistent souvent sur leur impact, mais ont du mal à utiliser des données comparables, ouvertes et lisibles par les machines. Le biais de l'IA est-il donc aussi fait maison ?
C'est là que j'ai une autre vision des choses. Ce sont les genres classiques qui se laissent mesurer de manière indépendante, chaque fois que c'est possible et finançable. Les plates-formes multinationales ont du mal à le faire, et pas seulement en Suisse, bien qu'elles disposeraient de l'argent et des possibilités techniques. Diverses organisations sectorielles ont déjà essayé d'impliquer les plateformes dans différents projets. Mais la plupart d'entre elles ont refusé une coopération globale.

Vous mettez en garde contre des reports de budget infondés. Mais qui dit que ces reports sont infondés tant que le numérique fournit tout simplement des signaux plus solides ?
Le copain qui bavarde le plus à la table des habitués n'a pas toujours raison non plus. La quantité de données n'a pas de valeur en soi. Il s'agit de savoir si elle est utile à l'objectif, à savoir une planification médiatique aussi efficace que possible.

Quel est le problème, selon vous, du fait que ce sont justement les grandes plateformes qui mesurent elles-mêmes leur impact, qui le représentent elles-mêmes et qui sont en même temps la source de données la plus bruyante pour de nombreux systèmes d'IA ?
Les collaborateurs des agences et les spécialistes du marketing doivent être conscients du fait que le joueur et l'arbitre sont, au sens figuré, la même personne lorsqu'ils planifient l'argent de la publicité. Dans la mesure du possible, ils devraient utiliser d'autres données indépendantes comme base de décision.

À partir de quand votre thèse serait-elle prouvée pour vous ? Que devrait montrer concrètement une enquête suisse pour que le soupçon se transforme en conclusion solide ?
A mon avis, tout dépend de l'image globale. Aux Etats-Unis, le modèle a recommandé d'investir 7% dans la télévision linéaire classique et 18% dans la CTV. Bien que le marché soit naturellement très différent, j'interpréterais cela en Suisse comme une forte distorsion de la réalité. Les résultats doivent être interprétés par des experts. Je ne pense pas qu'il soit judicieux de définir une valeur fixe à l'avance.

Votre solution s'appelle «Swiss Media Agent». Est-ce un correctif neutre - ou finalement une tentative de redonner aux médias classiques plus de poids dans la salle des machines ?
Même si nous mettions en ligne toutes les données suisses à notre disposition, nous ne pourrions pas adapter les LLM à la Suisse. Le concept de «Swiss Media Agent» prévoit que nous rassemblions les données médias aujourd'hui librement disponibles - IGEM Digimonitor management Summary, Werbekompass de Media Focus, le bulletin des tirages de la REMP, les données de l'Office de la statistique, etc. Celui qui utilise un LLM courant pour se faire établir un briefing pour une campagne ou une planification de campagne peut facilement intégrer le «Swiss Media Agent» dans sa requête et enrichir ainsi les informations mondiales avec un savoir-faire suisse spécifique. Nous assurons la transparence en communiquant quelles données ont été prises en compte. Les sources de données doivent être définies par un comité - composé par exemple de scientifiques, d'annonceurs, d'agences médias, de régies et d'éditeurs.

Et la question peut-être décisive : s'agit-il en fin de compte pour vous de rendre l'IA meilleure - ou d'éviter que les médias classiques perdent de leur pertinence à l'ère de l'IA ?
Aujourd'hui, les résultats de l'IA sonnent tout simplement bien. Nous souhaitons les affiner avec nos données suisses. L'efficacité de l'IA est ainsi associée à une connaissance approfondie du marché. Nous créons ainsi la base pour que les campagnes puissent être diffusées de manière encore plus précise grâce à un classement critique et à une gestion responsable du budget.

Quelles sont les prochaines étapes concrètes que vous envisagez ?
D'une part, il s'agit de démontrer le biais de l'IA dans la planification média pour la Suisse. Dans ce but, nous sommes en contact avec des spécialistes en data scientists et en architecture logicielle. D'autre part, nous souhaitons réunir des organisations ou des personnes intéressées qui sont prêtes à travailler ensemble, avec leurs idées, leur savoir-faire et leurs moyens financiers, à une solution commune ou au développement du «Swiss Media Agent».