Analyse Créative par l'IA

L'IA déplace le goulot créatif de la production vers l'analyse : produire des variantes est devenu trivial, comprendre systématiquement pourquoi une créa gagne ne l'est pas, et c'est le volume produit qui rend cet audit à la fois nécessaire et enfin faisable.

Microscope de terrain en laiton sur une lame d'eau trouble, un seul organisme net parmi la foule - planche naturaliste 19e.
Produire plus comprendre moins

L’IA générative a déplacé le goulot de la créa publicitaire. Produire des variantes est devenu trivial ; comprendre systématiquement pourquoi une créa gagne ne l’est pas. C’est là que se concentre aujourd’hui la valeur.

Cette page traite l’IA comme instrument d’analyse créative, pas de production. Les sources sont des praticiens - creative strategists, responsables d’acquisition, agences - qui rapportent ce qu’ils observent sur des comptes réels depuis 2025. Le corpus est riche en cas opérationnels, plus pauvre en preuves expérimentales : les ordres de grandeur cités valent comme illustrations documentées.

Elle ne traite pas la génération d’assets, dont la doctrine vit dans Créa Générative par l’IA, ni le pipeline outillé de production, détaillé dans Production de la Créa Performance. Elle traite la couche qui décide quoi produire et juge ce qui marche.

L’essentiel en 5 points

  • Le réflexe d’employer l’IA pour produire plus d’assets rate la cible : le goulot s’est déplacé de la production vers l’analyse.
  • Analyser à l’échelle suppose de traiter la créa comme une donnée : la décomposer en éléments, la nommer, la stocker au niveau de l’annonce.
  • La matière la plus rentable est souvent celle qu’on possède déjà : les avis passés au LLM livrent objections, angles et déclencheurs.
  • L’audit concurrentiel devient un livrable automatisé : ce qu’un analyste produisait en un mois, un agent le produit en minutes.
  • La lecture machine n’a pas le dernier mot : le craft, l’audace et la valeur d’un verbatim se jugent humainement.

Le goulot a changé de côté

Le premier réflexe est d’employer l’IA pour produire plus d’assets. C’est le mauvais point d’application. Selon l’expérience de Sub Club (avec Thomas Petit), cette lecture masque les usages qui ne relèvent pas de la production : identifier les patterns qui expliquent les winners reste rare et peu outillé.

La raison est mécanique. Selon Mobile User Acquisition Show, quand le volume créatif devient massif, la question utile n’est plus « comment produire davantage » mais « qu’est-ce qui marche, qu’est-ce qui ne marche pas, où sont les angles morts ». Cet audit est chronophage en manuel ; outillé, il devient praticable et accélère le cycle entre strategist et designers.

Le pas suivant est proche. Hypothèse de Barbara Galiza : des modèles de vision lisant directement un asset (hooks, features visuelles, ton émotionnel) supprimeraient le principal goulot de l’analyse à l’échelle, les naming conventions manuelles.

Lire la créa comme une donnée, élément par élément

Analyser suppose d’abord décomposer. Illustré par AppsFlyer : les outils de creative analytics découpent une vidéo en couches - hooks, tons, scènes, moments émotionnels - pour repérer quels éléments attirent le budget et retiennent l’utilisateur. L’app fintech Dave a doublé le retour de ses créas et gagné 15 % de rétention J7 en traitant la créa comme une donnée structurée plutôt qu’un artefact subjectif.

Selon D2C Diaries (ép. 8), soumettre un top performer à Google AI Studio, visuel et audio, produit un diagnostic détaillé des éléments qui expliquent sa performance, assez précis pour alimenter le brief suivant. Le diagnostic peut même se déclencher seul (ép. 74) : un workflow récupère chaque créa qui atteint le statut de top spender, la fait analyser (Gemini), formule une hypothèse sur son succès et l’ingère dans une base de frameworks de scripts.

La condition est invisible : l’architecture de données. Pour Curtis Howland, faire de l’annonce individuelle l’unité de la base créative (cycle de vie, spend et revenu, transcript, description visuelle, créateur, tags IA) rend adressables en langage naturel des questions transversales sur des centaines d’annonces. Quand aucun test A/B isolé n’a assez de signal (produits chers, volume faible), un naming par attributs créatifs (couleur, BPM, angle produit) agrège la performance au niveau des éléments et révèle les tendances du portefeuille (Limited Supply, avec Jared Brody). Et convertir chaque créatif entrant dans le top 8 des dépenseurs en framework brand-agnostique - marque remplacée par « product », direction de tournage, hypothèse de succès - bâtit un corpus d’environ 300 créatifs sur 90 jours pour entraîner un LLM à rédiger des briefs (D2C Diaries, ép. 40).

De l’avis client à l’angle créatif

L’analyse la plus rentable porte sur la matière que la marque possède déjà : ses avis. Selon Dara Denney, compiler les avis (Amazon, commentaires d’ads, Trustpilot, site) et les passer au LLM produit les forces et faiblesses de la marque, les objections récurrentes, les golden nugget phrases réutilisables en accroche et les déclencheurs d’achat - le cœur de la recherche créative, des angles qui reflètent l’expérience réelle du client. Former ainsi des hypothèses depuis la voix du client est souvent plus impactant que l’IA employée à produire des assets, parce que cela agit en amont du brief (Sylvain Gauchet, Growth Gems #129).

Deux extensions rendent l’usage opérationnel : croiser le corpus de reviews avec des personas hypothétiques et demander au LLM de labelliser le volume rattaché à chacune donne un proxy rapide de priorisation (D2C Diaries, ép. 64) ; un workflow à trois couches couplées - analytics créatives frame-by-frame, VOC first-party (Trustpilot), VOC third-party (Reddit) - produit en quelques minutes un brief aussi riche qu’une analyse humaine de deux semaines (ép. 47).

Nuance de praticien. Le tri n’est pas entièrement délégable. Pour Dara Denney, l’automatisation manque du jugement sur ce qui, dans un avis isolé, peut devenir un angle vraiment impactant : la lecture qui décide de la valeur créative d’un verbatim reste humaine.

L’audit concurrentiel automatisé

Le même moteur, appliqué à la bibliothèque des autres. Un agent IA qui analyse frame par frame la Meta Ad Library et croise 1 025 avis révèle le biais structurel d’un compte : tester beaucoup d’idées nouvelles au détriment de ce qu’on a déjà appris des winners (Mobile User Acquisition Show, Wispr Flow). Croisé aux avis App Store, le même dispositif révèle l’écart entre les thèmes réclamés par les utilisateurs et ceux que les ads adressent - les prochains angles à tester (Runna, Facetune).

La veille devient un livrable automatisé. Pour Dara Denney, un recon report multi-sources (presse, avis, Reddit, YouTube, réseaux) reconstituant le parcours de recherche réel du consommateur passe de trois à quatre heures à quelques minutes ; un score de diversité créative attribué selon une grille explicite objective un diagnostic jusque-là subjectif. Le rapport mensuel d’analyse concurrentielle (formats et durées, messaging central, partenariats créateurs, personas inférés, meilleures annonces) est désormais produit seul par un agent, et la même analyse de gaps - niveaux de conscience non couverts, personas absents, formats manquants - précède la génération.

Noter avant de produire : le QC outillé

Un skill de grading note chaque script sur dix critères pondérés - thumb-stop, reconnaissance de persona, arc narratif, curiosity loop, authenticité du langage, alignement du funnel, architecture du CTA, entre autres - avec un plancher dur à 8/10 ; il diagnostique les faiblesses, propose une réécriture et re-note, ce qui réduit le temps de revue managériale et fait progresser les juniors sans supervision (D2C Diaries, Claude Mastermind et ép. 67).

Ce n’est pas théorique. La campagne primée « best use of AI » (Monks × Headspace, rapportée par Dara Denney) a mobilisé l’IA à chaque étape - research, briefing, production, analyse - et produit 460 assets sur 20 use cases distincts en un tiers du temps, avec +62 % de conversion et +13 % d’inscriptions, grâce au couple personnalisation par use case × ciblage post-Andromeda.

Ce que l’humain garde

Le verdict de la machine n’est pas un verdict. Dans une étude où 500 professionnels évaluent 20 spots TV selon un framework à 7 critères, l’IA note à 0,2 point près des humains sur la quasi-totalité des dimensions - les écarts hommes/femmes dépassant même les écarts hommes/IA - sauf sur la cohésion de craft, la voix et le storytelling, où les créatifs divergent le plus de la machine ; sans framework, l’IA dérive vers la créa consensuelle et sûre. Sur les partis pris, l’écart est irréductible : les idées les plus audacieuses produisent une large dispersion de scores des deux côtés, sans direction cohérente. Ce manque de consensus sur les outliers est l’argument du débat humain sur le rapport risque-récompense d’un choix créatif courageux (The Marketing Architects, avec Catrina McAuliffe).

Tension ouverte. Une analyse outillée produit un verdict lisible, et un verdict lisible s’abdique facilement. Le risque n’est pas que l’IA se trompe, mais qu’elle soit assez bonne pour qu’on cesse de juger : quand l’outil remplace la lecture, l’inventaire cognitif cesse d’être validé et les voies d’apprentissage du jugement s’éteignent (Abdication du Jugement face à l’IA). La discipline est de séparer générer et évaluer, et de garder la dernière passe humaine ; rien n’établit où se situe exactement la frontière à l’échelle d’une scale-up.

Si ta scale-up plafonne aujourd’hui

  • Retourner le réflexe. Avant d’acheter de la production IA de créatifs, instruire la couche d’analyse : le goulot n’est plus de produire, c’est de comprendre.
  • Structurer la donnée avant l’outil. Naming et base centrée sur l’annonce individuelle conditionnent toute analyse à l’échelle ; sans eux, la donnée reste illisible.
  • Miner la VOC d’abord. Avis et commentaires passés au LLM livrent objections, golden nuggets et déclencheurs - la matière du brief, avant la génération.
  • Industrialiser la veille concurrentielle. Ce qu’un analyste produisait chaque mois est automatisable ; la vitesse du cycle idée-apprentissage devient l’avantage.
  • Garder le dernier jugement humain. Noter, scorer, repérer, pas décider : le craft, l’audace et la valeur d’un verbatim se jugent humainement.

Le paramétrage des outils natifs et le pipeline de production se règlent dans Production de la Créa Performance ; la doctrine d’usage de la génération dans Créa Générative par l’IA.

Pour aller plus loin

Sources

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.