Sur Dev.to, le développeur qui publie sous le pseudonyme luhuidev formalise sa propre carte de compétences pour l’ère de l’IA. Son diagnostic tient en une phrase : l’exécution devient facile, trouver le bon problème à résoudre ne l’est toujours pas. Il organise ses compétences en boucle plutôt qu’en liste, pour ne plus dépendre de la prochaine mise à jour d’un modèle. Le même diagnostic s’applique au marketing, avec un détail qui change tout : la plupart des équipes n’ont pas de carte du tout, seulement une pile de prompts qui grossit.
Une skill map en boucle complète regroupe six compétences qui se nourrissent l’une l’autre : comprendre le problème, spécifier la demande, construire son jugement métier, orchestrer la production, vérifier les résultats avec des preuves, puis boucler ce qui a été appris vers l’itération suivante. Un bon prompt n’en couvre qu’une fraction. La liste de ces compétences prise à plat existe déjà ; ce qui manque le plus souvent, c’est la boucle qui les relie. Ce texte découpe le travail marketing en étapes qui se répètent, quel que soit l’outil du moment : une grille à appliquer, plutôt qu’un inventaire d’outils de plus.
Pourquoi la boucle compte plus que le prompt en 2026
Salesforce mesure une adoption de l’IA générative dans au moins un flux de travail récurrent chez 87% des marketeurs au premier trimestre 2026, contre 51% deux ans plus tôt (Salesforce State of Marketing 2026). Le fossé s’est déplacé, loin de l’accès à l’outil. Les organisations qui ont retravaillé leur marketing autour de l’IA, plutôt que de l’empiler sur des process inchangés, affichent des gains de productivité 2 à 3 fois supérieurs (McKinsey, 2026). Cet écart tient à la refonte du système, plus qu’à l’ancienneté d’usage.
L’American Marketing Association apporte une donnée plus inconfortable dans son State of Marketing Careers Report 2026.
« L’adaptabilité et l’esprit critique, tout comme la collaboration et la communication, comptent moins pour les marketeurs en 2026 qu’en 2025, alors que ce sont précisément les compétences que l’échelle Human Agency de Stanford classe hors de portée de l’IA. »
C’est ce que constate l’AMA dans son rapport 2026 : les marketeurs dévalorisent exactement les compétences que le modèle ne sait pas remplacer. Une prime salariale de 56% récompense déjà les profils dotés de compétences IA solides, d’après PwC cité dans ce même rapport. Elle récompense ceux qui ferment la boucle, bien au-delà du seul talent à écrire un bon prompt.
Comprendre le vrai problème avant d’ouvrir un prompt
« Rédige 10 posts LinkedIn sur notre nouvelle fonctionnalité » est une tâche. « Le taux de conversion de notre page de renouvellement a baissé de 12% ce trimestre, pourquoi » est un problème. La première se délègue à un modèle en 30 secondes. La seconde demande de croiser les données produit et les retours support. Le contexte concurrentiel s’ajoute avant d’écrire une seule ligne. Confondre les deux produit des campagnes techniquement propres et stratégiquement inutiles. Le MIT documente ce mécanisme à l’échelle : son initiative NANDA a mesuré en 2025 que 95% des pilotes GenAI déployés en entreprise n’avaient produit aucun impact mesurable sur le compte de résultat, l’exécution ayant amplifié une stratégie mal posée plutôt que de la corriger.
Cette étape ne s’automatise pas. Elle consiste à choisir la question que l’IA devra exécuter ensuite, une décision qui précède le choix des mots du prompt lui-même. Le prompt vient après.
Spécifier ce qu’on attend vraiment du modèle
Un system prompt qui tient en trois lignes produit un texte interchangeable avec celui d’un concurrent utilisant le même modèle. Un system prompt qui embarque le ton de marque, cinq exemples de textes validés et la liste des mots interdits change la sortie du tout au tout. La différence se joue sur ce qu’on donne à lire au modèle avant de lui demander de produire, bien plus que sur le choix entre Claude Opus, GPT-5, Gemini ou Grok. La documentation d’Anthropic elle-même recommande 3 à 5 exemples annotés pour ancrer une sortie, à peu près l’ordre de grandeur qui sépare un system prompt générique d’un system prompt qui tient la marque.
Gérer le context window, c’est décider ce qui entre dans cette lecture et ce qui reste dehors : la charte de marque tient, l’historique complet des 100 derniers échanges Slack non. Une spécification qui pose des critères d’acceptation explicites (longueur, ton, interdits, format de sortie) réduit le nombre d’allers-retours de correction. Une spécification floue produit un résultat correct par hasard, qu’on corrige au feeling sans jamais le rendre vraiment fiable.
Construire le jugement métier qui tranche entre deux sorties IA
Deux textes générés par le même modèle, tous deux grammaticalement irréprochables, ne se valent pas forcément pour une marque donnée. Trancher entre les deux demande de connaître l’historique de la marque, la sensibilité de l’audience et ce qui a déjà été tenté sans effet. C’est ce jugement qui fait la différence entre un contenu générique et un contenu qui porte une voix reconnaissable, plus que le modèle utilisé pour le produire.
Un signal se repère assez vite à l’oreille : un texte à la burstiness plate, où chaque phrase fait à peu près la même longueur, sonne mécanique avant même de vérifier les faits qu’il avance. Ce réflexe se muscle à force de lecture, bien plus qu’en changeant de prompt. Wikipédia a formalisé ces marqueurs dans son guide de repérage des signes d’écriture IA : symbolisme forcé, adjectifs superlatifs répétés, structure calquée en trois temps, participes présents qui font semblant d’analyser. Les repérer d’un coup d’œil, c’est ce jugement qui ne s’automatise pas.
Orchestrer la production sans la subir
Un agent observe le résultat de son action et ajuste la suivante, à la différence d’un enchaînement fixe de trois étapes qui répète toujours la même séquence. Beaucoup d’outils vendus comme « agents marketing » sont en réalité des workflows linéaires rebaptisés, un phénomène que le marché a fini par nommer agent washing. Distinguer les deux évite d’acheter une automatisation rigide au prix d’une intelligence adaptative. Gartner chiffre le risque de ce flou : plus de 40% des projets d’IA agentique en entreprise seront abandonnés d’ici fin 2027. En cause, des coûts qui dérapent et une valeur business jamais démontrée, sur fond de contrôles de risque insuffisants.
Orchestrer, concrètement, c’est connecter un CRM à un modèle via un serveur MCP et laisser l’IA utiliser des outils (tool use) pour interroger une base ou publier un brouillon. Un humain garde la main sur les décisions qui engagent la marque. Un GTM agent bien câblé segmente une liste et rédige une première version d’email ; il attend la validation avant l’envoi et ne décide jamais seul d’appuyer sur le bouton. Les plateformes no-code comme n8n ou Make servent souvent de colle entre ces briques, sans qu’il faille écrire une ligne de code pour les assembler.
Vérifier avec des preuves, sans s’arrêter à l’impression
Une lecture agréable ne remplace pas un test. Vérifier un contenu généré par IA suppose de recroiser chaque chiffre cité avec sa source et de relire les affirmations produit face à la documentation réelle. Le rendu s’évalue avant publication, au moment où une correction ne coûte encore rien. Le synthetic audience testing, qui consiste à confronter un contenu à des profils d’audience simulés avant diffusion, permet de repérer un message qui tombe à plat sans attendre la vraie campagne pour le découvrir.
91% des marketeurs utilisent l’IA au quotidien. Mais 41% seulement parviennent à en prouver le retour sur investissement cette année, contre 49% l’an dernier (Jasper, State of AI in Marketing 2026). L’écart se creuse entre produire avec l’IA et savoir démontrer que la production a servi à quelque chose.
Livrer, puis boucler ce qu’on a appris
« J’ai 14 prompts différents dans des Notion, je m’y retrouve plus. » Cette phrase revient souvent chez les marketeurs qui pilotent l’IA au quotidien. Elle décrit une boucle qui ne boucle jamais : chaque nouveau prompt repart de zéro, sans mémoire des essais précédents ni des résultats qu’ils ont produits une fois publiés.
Fermer la boucle veut dire consigner, après chaque campagne, ce qui a marché dans un document unique et versionné plutôt que dans un empilement de conversations. Certaines équipes reprennent pour cela le principe d’un fichier de mémoire de marque type CLAUDE.md, mis à jour après chaque itération plutôt que réécrit depuis rien. C’est ce document qui alimente la spécification du prompt suivant et referme la boucle sur elle-même.
Où se situe le point de rupture de votre boucle
La boucle casse rarement partout à la fois. Elle casse à un endroit précis, toujours le même, tant que personne ne le corrige.
- Des briefs qui changent à chaque campagne sans jamais s’appuyer sur les précédents : la boucle casse à la spécification.
- Des textes validés sans relecture des chiffres avancés : elle casse à la vérification.
- Des outils empilés qui ne se parlent pas entre eux : elle casse à l’orchestration.
- Des campagnes publiées sans qu’aucun enseignement ne remonte dans un document commun : elle casse à l’itération.
Repérer lequel de ces quatre points revient le plus souvent dans votre équipe indique par où commencer, avant d’ajouter un outil de plus à la pile.
Cette carte reste individuelle. La question que peu d’équipes marketing ont commencé à traiter : à quoi ressemble la même boucle appliquée collectivement, quand plusieurs personnes orchestrent les mêmes agents sans se marcher dessus.
