IA & data marketing : par où commencer

Six mois. C'est à peu près le délai qu'il faut, chez beaucoup de nos clients, entre une démo IA qui impressionne tout le comité de direction et l'abandon discret de l'outil censé la porter. On l'a vu se répéter assez de fois pour ne plus s'en étonner. Le problème n'est presque jamais le modèle. C'est l'absence de tout ce qui devrait l'entourer : la donnée, les cas d'usage, les règles, l'adoption.

Chez EdgeAngel, cabinet de conseil data marketing, on déploie ces dispositifs pour nos clients (annonceurs, PME comme grands comptes) et on les fait tourner nous-mêmes en production depuis plus de deux ans. Cette note dit ce qu'on en a retenu. Certains conseils seront périmés dans un an ; la logique derrière ne le sera pas : choisir une plateforme, y construire des cas d'usage sous forme d'assets personnalisés, portables et gouvernés.

On y va dans cet ordre : le paysage des solutions, ce qu'il faut activer selon votre taille, comment on s'organise nous-mêmes, un cas d'usage réel de bout en bout, et par où vous commencez.

Le paysage des solutions IA : quatre familles à connaître

Le paysage bouge tous les trimestres. Les noms cités ici datent de l'été 2026, certains auront déjà changé au moment où vous lisez ces lignes, et c'est très bien comme ça : ce qui compte, c'est la grille de lecture, pas le classement du moment. Pour des cas d'usage data et marketing en entreprise, on distingue quatre familles.

L'automatisation de flux avec briques IA (n8n, Make, Zapier) enchaîne des actions entre outils : un formulaire rempli déclenche un email, une ligne dans un tableur, et ainsi de suite, avec de l'IA ajoutée par-dessus. Zapier a lancé ses Agents sur plus de 8 000 applications connectées, Make a sa Maia, n8n intègre des nœuds IA en natif. Notre lecture : utile pour des automatisations déjà éprouvées, mais on n'investirait pas là en premier en 2026. Ces flux se maintiennent mal, chaque changement d'API casse quelque chose, et un flux figé correspond mal à ce qu'un agent sait faire de mieux : comprendre un contexte et s'adapter. C'est l'approche qui vieillit le plus vite des quatre.

Les plateformes IA et agentiques forment le centre de gravité actuel. Ce sont les environnements où l'on gouverne des agents : ils se connectent aux outils de l'entreprise via MCP (le standard qui sert de prise universelle entre un agent et vos logiciels), embarquent des assets partagés (agents, skills, plugins) et offrent l'administration qui va avec, droits, sécurité, suivi des coûts.

Deux sous-groupes à distinguer. Les généralistes d'abord : Claude d'Anthropic (plans Team et Enterprise), ChatGPT d'OpenAI, Gemini Enterprise de Google et sa couche de création d'agents sans code, Microsoft Copilot pour l'univers 365. C'est là que se joue le choix de plateforme pour la plupart des entreprises. Les embarquées ensuite, natives d'un logiciel métier : Salesforce Agentforce pour qui vit dans ce CRM, Notion et ses Custom Agents (plus d'un million créés depuis février 2026). Puissantes dans leur périmètre, elles ne sont pas faites pour devenir votre plateforme centrale, sauf si ce logiciel est déjà le cœur de votre organisation.

Un fait structure tout ça : tous ces acteurs ont convergé vers MCP, lancé par Anthropic puis adopté par OpenAI et Google en 2025. Concrètement, le travail que vous investissez pour connecter vos données reste largement portable d'une plateforme à l'autre.

L'écosystème IDE (Claude Code, Cursor, Codex) fait travailler l'agent directement dans les fichiers et le code. Né pour les développeurs, il déborde largement son public d'origine : c'est le cockpit où se construisent les connecteurs et les skills, et où les profils data obtiennent aujourd'hui les gains les plus spectaculaires. Le point de départ d'un CMO est ailleurs. Son équipe data, en revanche, y passera ses journées.

Le custom, enfin : son propre front, son propre back, les modèles appelés par API ou déployés en propre. Contrôle maximal, coût de possession maximal aussi, puisqu'on redéveloppe ce que les plateformes fournissent déjà en standard, et l'écart se resserre à chaque nouvelle version. Justifié pour un produit destiné à vos clients, ou pour des contraintes fortes de souveraineté ou de volumes. Comme socle interne d'une équipe marketing, on le réserve à des cas d'usage ponctuels et bien identifiés. En faire la colonne vertébrale de son dispositif, on le déconseille.

Data et marketing : quoi activer selon votre taille

Chez les grands comptes et les entreprises déjà matures sur le sujet, la question est en général tranchée ailleurs. Des directives d'entreprise, portées par l'IT et la sécurité, cadrent le choix entre plateforme IA d'entreprise et custom, souvent les deux à la fois. Notre rôle dans ce cas n'est pas de rejouer ce choix d'infrastructure. C'est de construire les cas d'usage marketing et data à l'intérieur du cadre posé.

Pour les TPE-PME et les directions marketing qui gardent la main sur leurs choix, deux recommandations, assumées.

La première : avancez avec une plateforme IA qui vous convient, dans un plan entreprise, Team ou Enterprise selon l'ampleur du déploiement. Claude, ChatGPT, Gemini Enterprise : les trois sont sérieuses. Ce plan est obligatoire : c'est lui qui apporte la non-utilisation de vos données pour l'entraînement des modèles, la gestion centralisée des accès et le partage d'assets à toute l'équipe.

Le choix entre les trois dépend surtout de votre existant, suite Google ou Microsoft, sensibilité de vos équipes, plus que d'un classement absolu : les modèles de tête se valent à six mois près et progressent tous.

La seconde : construisez vos cas d'usage sous forme d'assets, pas de prompts qui vivent dans la tête d'une seule personne. Un cas d'usage qui tient dans la durée coche cinq cases.

• Il est personnalisé à votre métier, à vos définitions, à vos règles, à vos subtilités : c'est ce niveau de détail qui fait la justesse de la réponse.
• Il est agnostique et portable : des fichiers versionnés, des standards ouverts, rien qui vive uniquement dans l'interface d'un fournisseur.
• Il est partagé à l'organisation, avec un propriétaire identifié qui le maintient.
• Il est sécurisé : droits d'accès, aucun secret en clair, écritures sensibles verrouillées, consommations suivies.
• Et il est adopté : on démarre petit, on itère avec les utilisateurs, on mesure.

À vérifier dans votre contexte, mais c'est la structure qu'on retrouve dans les dispositifs qui tiennent au-delà de six mois chez nos clients.

Comment on s'organise chez EdgeAngel

Notre dispositif tient en deux briques.

Claude, en plan entreprise, est la plateforme où l'équipe travaille. Les règles d'entreprise et la cybersécurité y sont réglées au niveau de l'organisation : accès, permissions, aucun identifiant en clair grâce à un gestionnaire de secrets, actions d'écriture sur les outils clients verrouillées par défaut.

GitHub est notre coffre à assets. Toutes nos configurations de connecteurs et tous nos cas d'usage y sont versionnés, revus, distribués automatiquement aux postes de l'équipe. Un savoir-faire qui n'est pas dans le repo, chez nous, n'existe pas.

Deux mots techniques, deux images simples.

• MCP, c'est le standard qui connecte un agent à vos outils (plateformes publicitaires, analytics, entrepôt de données) pour aller chercher le bon contexte au bon moment : une prise universelle, en quelque sorte.
• Les skills, regroupées en plugins, sont des fichiers qui encodent nos cas d'usage marketing et data : comment on fait un bilan mensuel, comment on audite un compte, avec quelles règles et quelles données.

Deux points qui changent tout, à nos yeux. On partage ces assets à nos clients : ils accèdent à leurs données et à leurs cas d'usage dans leur propre environnement, avec le même niveau de règles que nous. Et la portabilité, on l'a testée pour de vrai : on utilisait intensivement l'environnement agentique de Google, on a migré sur Claude en moins d'une journée pour toute l'équipe, sans réécrire nos assets. Ils étaient dans GitHub, les connexions étaient du MCP standard. Si demain il faut changer encore de fournisseur, on peut. C'est un critère de design depuis le premier jour, pas un argument après coup.

Un cas d'usage réel : quand la donnée marketing répond juste

Le cas d'usage qui crée le plus de valeur chez nos clients aujourd'hui tient en trois étages, et le premier ne parle même pas d'IA.

Étage un, centraliser et documenter. Les données marketing du client (médias, analytics, CRM, back-office) remontent chaque jour dans son entrepôt, le plus souvent BigQuery, via Capture, notre outil ETL maison : synchronisation quotidienne, normalisation, historisation. Par-dessus, on construit une couche sémantique, la documentation qui définit chaque métrique et grave les subtilités de chaque source.

Un exemple réel, tiré d'un compte client : la détection du pays se fait par pattern matching (une règle qui repère le pays dans le nom de la campagne, lettre par lettre, avec une casse précise) et une règle de repli sur une autre source quand le motif est absent, pour éviter les faux positifs. C'est ce genre de détail, écrit noir sur blanc, qui sépare un chiffre juste d'un chiffre faux.

Étage deux, exposer aux agents. Cet entrepôt documenté est branché à Claude et aux outils de dataviz conversationnelle. L'agent peut alors aller chercher, précisément, sans halluciner. Ce qui le rend fiable tient dans la documentation qu'il lit : des définitions écrites par des gens qui connaissent le compte. Le même agent branché sur les tables brutes, sans cette couche, répondrait vite. Et faux.

Étage trois, encoder les usages en skills. Chaque mois, un consultant tape une commande, /bilan, suivie d'une instruction en langage courant. L'agent charge le contexte (skills, fiche client, historique des bilans précédents), interroge l'entrepôt et les régies, analyse les tendances par pays et par levier, puis génère le bilan mis en page, prêt à envoyer.

Ce que ça change, concrètement :

• des reportings plus fins qu'avant à effort égal ;
• des analyses qu'on n'aurait jamais eu le temps de mener : croiser des segments, décomposer une variation, chercher une anomalie sur tout un historique ;
• et du temps de consultant réinvesti là où il compte le plus, l'interprétation et la priorisation des actions.

Ces assets, ce sont nos experts qui les créent et qui les maintiennent.

Deux prérequis, sans lesquels rien de tout ça ne tient.

• Une donnée fiable : le tracking et la collecte se travaillent d'abord, c'est un métier à part entière.
• Et une architecture agentique documentée, qui mobilise le bon skill et le bon contexte au bon moment. Sans elle, un agent reste au stade du plausible, et produit mécaniquement, régulièrement, des réponses fausses.

Par où commencer, concrètement

Deux étapes, dans cet ordre.

D'abord, identifiez les cas d'usage qui créent de la valeur chez vous. Deux gisements à fouiller : la performance de vos campagnes, et le temps que vous perdez sur des tâches répétitives.

• reporting et bilans ;
• identification d'opportunités média ;
• analyse des performances ;
• mesure de l'efficacité publicitaire ;
• détection d'anomalies sur le site ;
• veille concurrentielle.

Autant de pistes à balayer. Le bon filtre tient en une question. Qu'est-ce qui est fait aujourd'hui à la main, de façon répétitive, par des gens compétents ? C'est augmentable.

Ensuite, déployez une plateforme IA et traduisez ces cas d'usage en assets agentiques, progressivement. Un plan entreprise, un premier connecteur vers vos données, un premier cas d'usage encodé, de l'itération avec les équipes qui l'utilisent. Pas de grande révolution : on avance étape par étape, et chaque asset qui crée de la valeur en usage réel ouvre la voie au suivant.

EdgeAngel accompagne ses clients sur le data marketing augmenté par l'IA. Nos consultants construisent et maintiennent les assets agentiques, connexion aux données, cas d'usage, règles de sécurité, qui font gagner en performance sur toute la chaîne marketing, de la collecte de données au pilotage des campagnes.

Questions fréquentes

Sources et références

• Model Context Protocol (MCP) — le standard, initié par Anthropic
• Claude pour les organisations (plans Team et Enterprise) — Anthropic
• ChatGPT pour les entreprises — OpenAI
• Gemini Enterprise — Google Cloud
• Microsoft 365 Copilot — Microsoft
• Zapier Agents — Zapier
• Maia, l'assistant IA de Make — Make
• IA native dans n8n — n8n
• Notion AI et agents — Notion
• Agentforce — Salesforce