M2 a confié 40% de ses textes marketing à un réseau neuronal et a préservé la qualité du contenu

M2 a démontré un scénario pratique dans lequel l'IA ne remplace pas l'équipe éditoriale, mais assume une part importante du contenu routinier. Au sein de l'entreprise, les réseaux de neurones se sont déjà vu confier environ 40% des textes de produit et de marketing, mais le schéma final ne se réduit pas à appuyer sur un seul bouton : la qualité est maintenue grâce à des règles strictes, des prompts précis et une implication obligatoire des humains dans les tâches complexes et créatives. La raison du lancement de la rédaction par IA a été la croissance du volume de contenu.

L'équipe éditoriale devait couvrir plus de tâches pour le marketing, les ventes et le support sans augmenter l'effectif ni tout externaliser. Au départ, M2 a envisagé des options standards : embaucher un nouveau rédacteur, externaliser une partie du travail ou construire un outil IA interne. Ils ont choisi la troisième voie comme la plus rapide et la plus économique, mais ils ont immédiatement imposé une limitation : le réseau de neurones doit écrire dans le ton de la marque et respecter la politique éditoriale interne au moins aussi bien qu'un auteur junior.

Le problème clé s'est avéré ne pas être dans le choix du modèle, mais dans la façon d'expliquer à l'IA les normes de l'entreprise. M2 n'a pas entraîné un modèle séparé sur son propre corpus de textes, mais est allé par un système de prompts. Dans la première étape, l'équipe a collecté les principales règles de Tone of Voice, les contraintes syntaxiques, les stop-words et les exigences de nomenclature des produits dans un grand prompt système.

Cette approche zero-shot n'a pas fonctionné : le modèle perdait le focus, écrivait de manière trop plate et parfois mélangeait les styles. Après cela, l'équipe éditoriale est passée à un scénario few-shot, où des exemples bons et mauvais de textes réels ont été ajoutés au prompt avec les instructions. Cela a donné des résultats prévisibles et a permis de créer des templates séparés pour les actualités, les réseaux sociaux et autres formats.

Techniquement, la rédaction par IA est construite sur la plateforme corporative Videocat avec les composants llama.cpp et Open WebUI, et Google Gemma 3 est utilisé comme modèle de travail dans le cas décrit. Mais dans cette histoire, ce qui importe plus que la stack spécifique est le principe architectural : l'outil reste flexible pour que différents modèles puissent être connectés et testés pour différentes tâches.

Cette approche élimine la dépendance vis-à-vis d'un seul fournisseur et permet de trouver le bon équilibre entre la qualité, la vitesse et le coût de génération. En conséquence, le réseau de neurones chez M2 non seulement rédige des brouillons et adapte les textes pour les canaux, mais aide également à générer des idées, transcrire des informations à partir d'images et expliquer sa propre logique. Ce dernier point est particulièrement important pour les employés en dehors de l'équipe éditoriale : lorsque le modèle justifie le choix des mots et la structure, il fonctionne simultanément comme assistant et comme outil de formation.

En même temps, l'entreprise s'efforce délibérément de ne pas transformer l'IA en un remplacement complet d'un éditeur. M2 divise clairement les domaines de responsabilité. Les tâches routinières, basées sur des templates et massives peuvent être confiées à la machine presque entièrement, mais les textes approfondis, les concepts créatifs, les slogans et les matériels où la précision émotionnelle est nécessaire restent du ressort des humains.

Cet équilibre aide à soulager l'anxiété de la page blanche, accélère la préparation des brouillons et soulage l'équipe éditoriale sans perdre l'humanité du texte. Une section séparée concerne la sécurité : l'outil IA fonctionne dans un circuit interne, et les employés reçoivent une formation sur les données qui peuvent être téléchargées dans le système et celles qui ne peuvent pas l'être. C'est un détail important pour toute entreprise qui souhaite utiliser des modèles génératifs non pas dans un bac à sable, mais dans des processus réels.

La conclusion du cas M2 est plutôt terre-à-terre et donc utile : les réseaux de neurones peuvent déjà assumer une part importante de la routine de contenu, mais ils ne peuvent pas par eux-mêmes créer une rédaction forte. D'abord, les entreprises ont besoin de leurs propres normes, d'une Tone of Voice claire et d'éditeurs en direct qui distinguent un bon texte d'un texte formellement correct. Ce n'est qu'après cela que l'IA devient non pas une menace pour les emplois, mais un multiplicateur de forces pour l'équipe.

Pour le marché, c'est un autre signal : la demande se déplacera non pas des auteurs vers les machines, mais des exécutants ordinaires vers les spécialistes qui peuvent concevoir des processus, configurer des prompts et amener les brouillons générés par les machines au niveau de la marque.