Système 3

La plupart de ce qu’on écrit sur l’IA et le consommateur parle d’outils. Ce dont il est question ici est un mode de pensée. En extension du cadre de Kahneman - System 1, rapide et intuitif ; System 2, lent et délibératif - les chercheurs Steven Shaw et Gideon Nave (Wharton, 2025) proposent un troisième mode : le Système 3, la cognition externalisée via les outils d’IA. Là où les deux premiers sont internes à l’individu, le troisième est externe : c’est la pensée qu’on délègue à une machine.

L’idée circule d’abord dans le champ praticien - le framework est discuté et popularisé par WARC avec Adam Fraser (fondateur de Thinkerbell) et Matt Palmer (behavioral science), avant que le papier académique ne lui donne un ancrage formel. Sa robustesse est celle d’une hypothèse structurelle : l’argument énergétique (déléguer coûte moins que penser) est cohérent, mais la portée empirique du cadre n’est pas encore validée à grande échelle, et le rythme réel d’adoption reste plus lent que l’enthousiasme médiatique - 900 millions d’utilisateurs hebdo d’OpenAI, mais une minorité qui en fait un outil quotidien essentiel (Benedict Evans). La direction est crédible ; le calendrier est incertain.

Cette page traite du cadre lui-même et de ce qu’il change pour la marque : pourquoi l’adoption sera massive, comment l’usage de l’IA peut dégrader ou amplifier le jugement, et pourquoi fame, fluency et fuel deviennent la façon de coloniser la mémoire des machines. Elle ne traite pas de la mécanique d’embedding déjà couverte dans La marque vue par les LLMs, ni de la mesure de l’empreinte - le wiki pose la définition de Share of Model, et la couche demand-side est traitée dans Trafic LLM.

L’essentiel en 4 points

• Le Système 3 est un troisième mode de cognition, externe à l’individu : la pensée déléguée à une machine, encore moins coûteuse que l’intuition.
• Deux usages opposés : le cognitive offloading (délégation contrôlée, jugement conservé) produit de l’efficience ; le cognitive surrender (sortie acceptée sans évaluation) produit de la dégradation.
• L’éloquence des sorties LLM crée un biais de confiance documenté : une réponse fausse mais bien formulée augmente la confiance au lieu de la réduire.
• Pour la marque, le triplet fame / fluency / fuel déplace la disponibilité mentale vers la mémoire algorithmique - et le earned media redevient un investissement long terme.

Pourquoi l’adoption sera massive

L’argument est énergétique. Le principe de free energy de Karl Friston décrit tout système auto-organisé comme minimisant sa dépense : System 1 domine nos décisions parce qu’il coûte moins que System 2. Or le Système 3 coûte moins que System 1 - déléguer à un LLM demande moins d’effort que penser intuitivement. Si la pente énergétique explique la dominance du rapide sur le lent, elle prédit la même trajectoire pour le délégué sur le rapide.

La conséquence est une adoption massive et rapide attendue, indépendamment de la qualité réelle des outputs. La friction est minimale, la séduction est maximale. Un cadre qui reste une hypothèse au sens académique, mais dont la prédiction comportementale est déjà observable dans la grammaire des requêtes : le consommateur passe de chasseur-cueilleur (« let me research restaurants ») à délégataire (« just book the best table at 7:00 p.m. within a 10-minute walk »).

Offloading vs surrender : la frontière qui décide

Le papier de Shaw et Nave distingue deux usages du Système 3 :

La distinction vaut d’abord en interne. Une organisation marketing qui délègue en gardant le jugement produit de l’efficience ; une organisation qui accepte les sorties sans évaluation produit de la dégradation - et la culture organisationnelle tranche entre les deux, pas la technologie.

Elle s’aggrave d’un biais documenté. Dans l’expérience « Emily » (problème logique simple : quatre frères, chacun une sœur, combien de sœurs a Emily ?), des participants reçoivent une réponse manifestement fausse d’un LLM - et non seulement la suivent, mais leur confiance dans la mauvaise réponse augmente. L’éloquence de la sortie produit un effet beauty is truth : la cohérence linguistique est lue comme cohérence factuelle.

“If your boss said it… you wouldn’t believe them. But the way the AI says things, you tend to believe it.”

WARC, Here comes System 3

Le biais est structural, pas anecdotique : il rend le surrender plus probable à chaque sortie plausible. La contre-mesure est organisationnelle - une relecture systématique des outputs, pas une vigilance individuelle.

Fame, fluency, fuel : la mémoire des machines

Pour la marque, le Système 3 réorganise les priorités. Le triplet classique côté humain - fame, fluency, feeling - devient côté machine :

• Fame : la visibilité dans les sources qui nourrissent l’IA - presse, Reddit, reviews, Wikipedia.
• Fluency : la cohérence des cooccurrences entre la marque et ses category entry points dans le corpus. Une marque présentée toujours de la même façon est facile à prédire - donc facile à recommander : « if your brand is shown up the same way over and over again, really easy for it to predict it when it shows up in the query ».
• Fuel : la densité de signaux structurés - metadata, schema markup, reviews structurées - qui aide le modèle à prédire la marque.

La fluence devient algorithmique, pas seulement humaine. C’est la même logique de disponibilité mentale, transposée à un second stockage de mémoire - ce que formalise La marque vue par les LLMs.

Earned media : le retour de l’investissement long

Conséquence opérationnelle directe : les LLMs valorisent les conversations organiques (Reddit) reprises par des sources crédibles (presse de qualité), parce que c’est ce qui sédimente dans leurs corpus. Les relations presse, longtemps mesurées en column inches court terme, retrouvent une justification long terme : nourrir les corpus d’entraînement futurs. Pour une scale-up B2C, cela suggère une discipline double - encourager activement les reviews qualifiées, et s’assurer que la marque est mentionnée correctement dans les communautés pertinentes.

Le risque d’homogénéisation

Si toutes les marques d’une catégorie optimisent les mêmes signaux, la distinctivité s’érode. Les modèles ont une « natural homogenizing force » : mêmes corpus, mêmes patterns, mêmes recommandations. La contre-mesure tient en deux gestes - une gouvernance plus stricte de la marque (la fluence renforcée), et la création d’actifs dont la propriété intellectuelle est claire (le cas Snap Send Solve : une mascotte modelée en argile pour préserver l’IP face aux modèles génératifs). Le cadre général est traité dans Distinctivité vs Différenciation.

Où la valeur émerge vraiment : la planification, pas la production

Dernier déplacement, côté organisation. Selon l’expérience de Mike Kaminsky (WARC), la valeur opérationnelle des agents IA n’est pas dans la production de données - résolue depuis longtemps par les data warehouses - mais dans la synthèse et la planification : transformer données brutes, contraintes et croyances des parties prenantes en un plan budgétaire exécutable.

“Building a marketing plan is a quite complicated activity… that’s a place where we’ve seen actually a really big opportunity for agents and AI.”

Mike Kaminsky, WARC, How marketing measurement is evolving in 2026

L’observation est subtile : la valeur du Système 3 en marketing n’est pas dans la réponse aux questions analytiques (« combien j’ai converti hier ? » - les dashboards le font depuis dix ans) mais dans le travail d’assemblage intensif - un budget multi-canal qui intègre douze contraintes, cinq jeux de données, quatre hypothèses business. L’agent absorbe les heures d’Excel et libère les heures de jugement.

Si ta scale-up plafonne aujourd’hui

1. Auditer son Share of Model - 30 minutes, gratuit.

La santé de marque vue par la couche algorithmique : identifier 10-20 situations d’achat, formuler des requêtes types, tester plusieurs LLMs en mode froid, compter la fréquence et la position de la marque. Puis investir les sources nutritives - Reddit, presse, reviews structurées - qui nourrissent les corpus, pas le content stuffing qui crée une dépendance plateforme.

2. Trancher explicitement entre offloading et surrender en interne.

L’usage de l’IA produit de l’efficience ou de la dégradation selon que le jugement final reste humain ou non. L’effet beauty is truth aggrave le second risque : une sortie fausse mais éloquente augmente la confiance au lieu de la réduire. Instaurer une relecture systématique des outputs - et nommer qui la porte.

3. Utiliser l’IA comme co-pilote de planification, pas de production.

Auditer le temps passé en assemblage de plan par les équipes marketing et finance. Si plus de 30 % du temps senior part en consolidation Excel, c’est la zone d’investissement IA prioritaire - pas la production de variants créatifs, où l’homogénéisation guette.

4. Verrouiller l’empreinte avant l’aplatissement.

Gouvernance stricte des actifs distinctifs et couverture des situations d’achat : c’est ce qui résiste à la force homogénéisante des modèles. La distinctivité n’est pas un luxe esthétique - c’est la condition pour être retenu par la machine.

Pour aller plus loin

• System 1 et System 2 - le cadre Kahneman dont le Système 3 est l’extension : deux modes internes, et ce que la publicité en a fait.
• La marque vue par les LLMs - le mécanisme d’embedding que le Système 3 suppose : comment une marque s’encode dans la mémoire d’un modèle.
• Disponibilité Mentale - l’actif fondateur que fame/fluency/fuel étendent à la couche machine.
• Distinctivité vs Différenciation - l’antidote à la force homogénéisante des modèles génératifs.
• Category Entry Points (CEPs) - les situations d’achat dont la fluence algorithmique dépend.

Sources

• WARC, Here comes System 3: a theory of artificial cognition. Avec Adam Fraser (Thinkerbell) et Matt Palmer : le cadre Shaw & Nave, l’argument free energy, l’expérience Emily, fame/fluency/fuel, l’homogénéisation.
• Steven Shaw & Gideon Nave (Wharton), papier System 3 (2025), discuté dans l’épisode ci-dessus. La formalisation académique de la cognition externalisée.
• WARC, 2026 marketing trends: The zero-click customer journey. Le behavioural rewiring : de chasseur-cueilleur à délégataire, l’IA comme gatekeeper.
• WARC, How marketing measurement is evolving in 2026. Mike Kaminsky sur la valeur des agents dans la synthèse et la planification budgétaire.
• Benedict Evans, AI Eats the World (2026). L’adoption large mais peu profonde : 900 M+ utilisateurs hebdo, 5 % payants, 80 %+ sous 1 000 prompts/an.

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.