Contexte technique
J'ai examiné les affirmations autour de content2brain et mon scepticisme d'ingénieur s'est immédiatement manifesté. Pour l'automatisation par l'IA en marketing, de tels outils semblent séduisants : on télécharge une vidéo, on obtient une prétendue carte de l'attention cérébrale, et on choisit un gagnant. Mais sous le capot, ce n'est pas si magique.
S'il s'agit bien de TRIBE v2 de Meta, le modèle a été entraîné sur des données d'IRMf de plus de 700 volontaires sains, et non sur le « cerveau numérique de l'humanité ». C'est correct pour les standards de la neuro-imagerie, où les échantillons sont souvent dérisoires, mais c'est encore trop limité pour tirer des conclusions solides sur le comportement réel de l'audience.
Autre chose me dérange. L'IRMf enregistre des signaux indirects en laboratoire, puis le modèle apprend à prédire les réactions à la vidéo, à l'audio et au texte. Je n'observe donc pas l'intention d'achat, ni la lassitude publicitaire sur TikTok, ni le contexte culturel, mais une projection de laboratoire bien propre.
C'est là que l'analogie avec une caméra thermique pour une voiture fonctionne parfaitement : on peut voir où c'est chaud, mais ce n'est pas un diagnostic complet du moteur. Pour une comparaison grossière entre vidéos, cela peut être utile. Mais pour des affirmations du type « cette création générera plus de ventes », je modérerais considérablement mes propos.
Une autre nuance : le modèle peut prédire en mode zero-shot les réponses cérébrales à un nouveau contenu, ce qui est vraiment intéressant. Je le testerais comme un filtre précoce d'idées, lorsqu'il faut rapidement écarter les concepts faibles avant une production coûteuse. Mais pas comme la source de vérité finale.
Impact sur l'entreprise et l'automatisation
Qui sont les gagnants ? Les équipes marketing qui ont besoin d'une couche de tri préliminaire pour les créations sans lancer d'études coûteuses. Dans ce contexte, l'intégration de l'intelligence artificielle semble raisonnable : le modèle donne un score approximatif, puis viennent les tests A/B, l'entonnoir de conversion et les conversions réelles.
Qui sont les perdants ? Ceux qui veulent remplacer un public réel et une analyse appropriée par cet outil. C'est généralement là que naît une auto-illusion coûteuse dans un tableau de bord.
Je positionnerais de tels modèles uniquement comme un signal complémentaire dans les solutions d'IA pour entreprises, et non comme le cœur de la prise de décision. Chez Nahornyi AI Lab, nous construisons précisément ce type d'architectures : où un modèle accélère utilement la sélection, mais ne remplace pas la réalité. Si vos créations dévorent votre budget avant même leur lancement, examinons votre processus et mettons en place une automatisation par l'IA sans artifices ni promesses excessives.