Koertni Adams prévient : des données lentes brident l’IA

Une alerte précise Koertni Adams, Jacqueline Freedman et Mike Maynard ont examiné les limites des architectures de données lors de la conférence MarTech de septembre 2026. Kevin Haag, vice-président senior de la stratégie des données chez Qualify Digital, animait cette session. Adams a résumé le problème en une phrase : si une donnée a une heure ou plus, l’exécution devient réactive par défaut. Les équipes peuvent recruter des spécialistes et structurer leurs processus. Des pipelines lents peuvent pourtant empêcher l’activation rapide des informations clients. La discussion portait donc sur la refonte structurelle des données, plutôt que sur l’achat d’une nouvelle plateforme. Lire l’analyse originale de MarTech

Le délai bloque l’activation Adams a décrit un cas révélateur : ajouter un seul attribut client peut exiger un projet de science des données, une intégration spécifique et des requêtes SQL complexes. Une demande simple se transforme alors en projet de plusieurs mois. Changer de fournisseur d’automatisation marketing ne supprime pas ce goulet d’étranglement si l’architecture sous-jacente reste rigide. Jacqueline Freedman, directrice générale et fondatrice de Monarch Advisory Partners, estime que les responsables confondent souvent les défauts de conception avec les limites d’un logiciel. Elle recommande d’abord d’observer les flux d’information entre les systèmes et les interactions quotidiennes des équipes avec ces outils.

Les architectures lentes limitent l’IA

L’accès reste fragmenté La plupart des équipes marketing n’utilisent qu’une petite fraction des données clients détenues par leur organisation, selon Adams. La latence et l’accès restreint limitent les déclencheurs de parcours en temps réel ainsi que la segmentation fine. Une campagne à plusieurs points de contact peut donc rester inexécutable malgré une conception solide. Mike Maynard, président de Napier Partnership Limited, résume cette difficulté par l’expression « les idées sont faciles, l’exécution est difficile ». Pour les organisations interentreprises, le manque de données contextuelles complètes complique aussi les échanges avec des comités d’achat. Sans ce contexte, l’IA produit davantage de messages génériques.

Le contexte conditionne les sorties Adams rappelle que la qualité d’une IA dépend des informations qui lui sont fournies. Les signaux comportementaux, les mises à jour d’achat et les interactions avec le service doivent atteindre le modèle pour représenter le client. Les équipes oublient aussi parfois le chemin retour : elles extraient des données de l’entrepôt central sans y renvoyer les interactions des campagnes. Marketing, intelligence décisionnelle et science des données peuvent alors travailler sur des enregistrements divergents. Freedman conseille aux dirigeants d’identifier le problème métier visé avant tout investissement. Maynard déconseille également de déployer l’IA uniquement pour répondre à une pression du conseil d’administration.

Les audits précèdent les changements

La modularité a des limites Freedman défend une architecture composable, capable de remplacer certains composants sans interrompre tout le système. Elle oppose cette approche à un ensemble monolithique, dont chaque modification peut révéler des problèmes structurels. Elle avertit toutefois que l’IA accélère aussi les mauvais processus. Maynard nuance cette recommandation pour les petites équipes interentreprises, qui peuvent manquer de moyens pour gérer de nombreuses intégrations spécialisées. Dans leur cas, une suite intégrée offrant des fonctions suffisantes peut être plus pratique. Le panel recommande ensuite trois actions : cartographier les dépôts de données, repérer les boucles de retour rompues et sélectionner les signaux les plus utiles.

Un signal peut suffire Maynard estime que collecter davantage de données n’est pas toujours l’objectif. Il cite la durée prévue de conservation d’un véhicule comme exemple de donnée potentiellement plus exploitable que des dizaines de métriques comportementales secondaires. Adams recommande de commencer par une campagne ciblée, puis de tester, corriger et optimiser l’activation avant toute transformation à l’échelle de l’entreprise. Freedman propose de parcourir le parcours client complet, de l’inscription au support après achat, afin d’observer les points de contact réels. La conférence MarTech indique aussi que son programme et sa rediffusion en ligne sont accessibles gratuitement. Consulter le site de MarTech

Les prochaines étapes Les recommandations convergent vers une progression limitée et mesurable. Une équipe peut d’abord inventorier les dépôts contenant des informations clients, leurs responsables et l’existence de vues client unifiées. Elle peut ensuite rechercher les doublons et les systèmes déconnectés qui empêchent les réponses de campagne de revenir vers l’entrepôt central. Cette séquence reprend les trois priorités présentées par Freedman, Adams et Maynard. Elle distingue également le besoin d’un signal exploitable de la simple accumulation de données. Le panel ne présente donc pas l’achat d’un outil comme une réponse suffisante. Il place l’architecture, les flux et les usages quotidiens au centre de l’activation marketing.