L'authenticité de vos contenus ne prouve absolument rien

Il existe désormais une promesse qui met presque tout le monde d'accord dans le marketing : l'IA va s'occuper des tâches ingrates, et nous autres humains pourrons enfin consacrer nos journées à ce qui compte. Les idées, les entretiens, la créativité, l'authenticité. Une perspective délicieuse. On imagine déjà le content manager retrouver ses après-midi de lecture pendant qu'un petit robot consciencieux classe les métadonnées dans la cave. Sauf qu'une promesse si unanimement séduisante mérite généralement qu'on regarde un peu ce qu'elle cache.

Dans un article consacré à l'avenir des équipes contenu, Content Science rapporte une conversation entre Colleen Jones et Laura Barnes, dirigeante chez Red Hat. Le récit est concret : des sprints de six semaines pour choisir les automatismes utiles, un assistant de métadonnées qui économiserait vingt à trente minutes par page, une boîte à outils interne et une meilleure structuration des contenus. L'objectif annoncé consiste à confier aux machines les tâches répétitives et quantitatives, afin que les professionnels travaillent davantage sur les entretiens, les idées et les perspectives originales. Je trouve ce choix de départ autrement plus sensé qu'une usine à générer des billets au kilomètre.

Voilà mon contrepoint : il ne suffit pas de libérer du temps pour créer davantage de valeur, ni de réserver une case « humain » dans un workflow pour produire quelque chose d'authentique. Il faut regarder quelles décisions sont prises, par qui, sur la base de quelles preuves et avec quelles conséquences. Le contenu n'est pas une marchandise dont on ajouterait une pincée d'âme après le passage en machine. C'est une intervention dans une situation où quelqu'un cherche à comprendre, à comparer ou à décider.

Ce qui m'intéresse d'abord dans l'exemple Red Hat, c'est la méthode de découverte. Au lieu de commander à l'équipe de produire plus de textes avec l'IA, Barnes demande quelles activités lui font perdre du temps. Les professionnels proposent, testent et votent ; l'équipe avance par sprints courts. Le dispositif se construit donc à partir des irritants réels du travail plutôt qu'à partir d'un catalogue de fonctionnalités acheté pour justifier un budget. Sur le principe, difficile de trouver meilleure hygiène.

L'assistant de métadonnées constitue un exemple assez convaincant. Il lit une page et suggère des étiquettes ; le compte rendu évoque un gain de vingt à trente minutes par page. Mais on ne dispose pas, dans cet article, de la taille de l'échantillon, de la dispersion de ces gains, du temps de correction, ni de l'évolution de la qualité des tags. La différence est loin d'être anecdotique. Si l'on économise vingt minutes de saisie et qu'on passe quinze minutes à démêler des classifications douteuses, le gain est moins enthousiasmant. Si, inversement, les tags deviennent plus cohérents et facilitent la découverte, la valeur dépasse le temps économisé.

La séparation entre travail quantitatif et qualitatif a quelque chose de commode, presque rassurant. L'IA analysera les performances, repérera les contenus similaires, produira des suggestions ; les humains, débarrassés de la corvée, pourront porter un jugement. Mais analyser une performance suppose déjà de choisir un critère. Deux contenus « similaires » selon leur vocabulaire peuvent remplir des fonctions complètement différentes. Une FAQ utilisée après une démonstration et un article qui attire des visiteurs novices parlent peut-être du même produit ; ils ne répondent pas au même moment de décision.

Un algorithme qui recommande de reproduire les articles les plus performants ne découvre pas une loi éditoriale cachée. Il prolonge les choix qui ont servi à définir la performance. Si le score privilégie le trafic, il rend visibles les sujets qui génèrent du trafic. Si l'on classe les contenus par engagements sociaux, on favorise les formats qui récoltent des réactions. Ce n'est pas une défaillance spectaculaire de l'IA, mais une banalité plus dangereuse : des décisions de mesure deviennent invisibles à force d'être incorporées dans l'outil.

Le travail dit quantitatif n'est donc pas intellectuellement neutre. Choisir les unités, les catégories et les écarts significatifs relève déjà d'une théorie du problème. Et le travail dit qualitatif n'est pas nécessairement inaccessible aux machines : synthétiser des entretiens, rapprocher des objections, repérer une incohérence sont des opérations où elles peuvent aider. Je remplacerais la frontière « humain qualitatif, IA quantitative » par une distinction plus robuste : les tâches peuvent être déléguées selon le risque et la vérifiabilité ; la responsabilité de définir les bons critères et de trancher reste explicitement assignée.

Revenons au grand mot du titre. On voudrait que l'authenticité désigne une sorte de substance fragile, déposée dans les phrases par un humain et immédiatement détruite au contact d'un modèle. L'ennui, c'est que les communications professionnelles ont toujours été construites. Un dirigeant choisit une anecdote, retire des détails, adapte son registre, fait relire son texte, anticipe les objections de son public. Même lorsqu'il raconte un échec sincère, ce récit obéit à une décision de mise en scène. Il n'y a là ni fraude nécessaire ni révélation sulfureuse. C'est simplement ce que signifie communiquer.

J'avais développé cette idée dans une newsletter consacrée au théâtre de l'authenticité sur LinkedIn : une prise de parole peut être sincère dans son intention tout en restant organisée pour produire un effet. Inversement, une voix très personnelle peut porter des affirmations fausses, et un texte largement assisté par une machine peut restituer exactement un témoignage autorisé et sourcé. La provenance humaine ne suffit donc pas à juger la sincérité ; la perfection syntaxique ne suffit pas à révéler l'imposture.

Ce qui mérite d'être défendu n'est pas une pureté d'auteur, mais une relation fiable entre ce qui est affirmé, les personnes qui en répondent et les éléments qui permettent de le contrôler. Quand une entreprise écrit « nos clients gagnent du temps », peut-elle montrer comment elle le sait ? Quand elle présente une tendance, indique-t-elle l'échantillon et les limites ? Quand elle cite un expert, celui-ci reconnaît-il ses propos ? Voilà des questions autrement plus dérangeantes que « est-ce qu'un humain a tapé les mots au clavier ? ».

Cette distinction est d'ailleurs cohérente avec un autre texte de Content Science sur les Content Credentials, qui rappelle que les informations de provenance ne garantissent ni l'exactitude ni la qualité d'un contenu. On peut retracer une origine sans valider la vérité d'une affirmation. Il en va de même pour la signature d'un professionnel ou pour un label « écrit sans IA ». Une origine est une information importante ; elle n'est pas un certificat de justesse.

Je ne suis pas en train de plaider pour la disparition des auteurs. Le contraire. Plus les procédés de production sont composites, plus il devient nécessaire d'identifier qui a observé, enquêté, choisi, contesté et validé. Une entreprise peut adopter un processus fortement assisté et conserver une voix exigeante, à condition de ne pas confondre identité éditoriale et tics de style. L'authenticité défendable n'est pas l'absence d'artifice. C'est le refus de faire passer pour vécu, vérifié ou assumé ce qui ne l'est pas.

Le problème de l'uniformisation mérite néanmoins mieux qu'un haussement d'épaules. Une recherche publiée dans Nature Human Behaviour en 2026, fondée sur sept jeux de données et plus de 880 000 textes, établit que l'assistance par grands modèles s'accompagne d'une réduction de la diversité linguistique dans les contextes étudiés. Les auteurs rapportent notamment une diminution de la variance de complexité de l'écriture de 21 à 50 % selon les données et les modèles. Ce résultat ne mesure pas des stratégies de contenu B2B, mais il documente un mécanisme intéressant : des personnes différentes peuvent conserver leurs idées principales tout en adoptant des formes de langage plus semblables.

Une méta-analyse publiée la même année, réunissant dix-neuf études et soixante et une tailles d'effet, observe également un effet d'homogénéisation, modeste mais statistiquement significatif, dans des situations de création assistée. Les résultats varient selon les tâches et les protocoles. Ce n'est donc ni une condamnation universelle des outils ni une garantie que chaque texte généré ressemblera à tous les autres. C'est un avertissement sur les conséquences collectives d'une pratique qui peut paraître satisfaisante à l'échelle individuelle.

C'est ici que le discours sur l'authenticité devient insuffisant. Une équipe peut parfaitement préserver la validation humaine à chaque étape et finir par produire des contenus de plus en plus prévisibles. Pourquoi ? Parce que les humains valident également ce qui leur semble familier, conforme à une charte et facilement acceptable par plusieurs services. L'IA n'a pas inventé le conformisme éditorial des entreprises ; elle peut en amplifier les effets en offrant des textes déjà polis, déjà consensuels, déjà compatibles avec le prochain comité de validation.

Le récit de Content Science fait une hypothèse séduisante : si les tâches mécaniques prennent moins de temps, les professionnels pourront interroger davantage d'experts et produire de meilleurs contenus. Peut-être. Mais les organisations ont une fâcheuse tendance à convertir le temps gagné en nouveaux objectifs de volume. On économise vingt minutes sur une tâche, puis on augmente le nombre de pages à traiter. L'automatisation peut libérer des ressources ; elle ne décide pas de leur affectation.

Le Work Trend Index 2026 de Microsoft illustre la nécessité de distinguer perception et changement réel. Dans son enquête, 66 % des utilisateurs d'IA interrogés déclarent pouvoir consacrer davantage de temps à des tâches de forte valeur, et 58 % disent réaliser des travaux qu'ils n'auraient pas pu effectuer auparavant. Ces chiffres sont déclaratifs, issus d'une population d'utilisateurs, et proviennent d'un acteur qui vend précisément ces outils. Ils montrent que l'expérience d'un gain existe ; ils n'établissent pas que les entreprises réinvestissent systématiquement les heures économisées dans les entretiens, la recherche ou les relations commerciales.

Pour y parvenir, il faut un arbitrage explicite. Si un bot de métadonnées libère dix heures dans une période donnée, à quoi serviront ces dix heures ? Préparer des entretiens avec les utilisateurs ? Examiner les contenus contradictoires de plusieurs équipes ? Actualiser des cas clients ? Former les commerciaux ? Ou simplement absorber un calendrier de publication plus chargé ? Tant qu'aucune décision n'est prise, l'amélioration opérationnelle ne dit rien de la valeur finale. Elle réduit un coût local et laisse intacte la question stratégique.

Laura Barnes qualifie le contenu structuré de mine d'or, une formule qui a le mérite d'être immédiatement compréhensible. Une base documentaire cohérente facilite la recherche, la réutilisation, le contrôle des versions et l'usage par d'autres systèmes. Dans une grande entreprise technique, où documentation, marketing et produit parlent parfois des dialectes différents, la normalisation n'a rien d'un caprice d'architecte de l'information. Je souscris à l'idée qu'elle constitue une infrastructure précieuse.

Mais une mine ne devient pas rentable parce qu'on a rangé les cailloux par taille. Une taxonomie propre peut regrouper des ressources inutiles, des réponses périmées ou des contenus qui ne correspondent à aucune difficulté réelle du client. La structure améliore la disponibilité d'un patrimoine ; elle ne garantit pas la pertinence du patrimoine lui-même. Cette distinction devient plus importante quand l'IA peut retrouver et recombiner beaucoup plus vite des documents dont personne n'avait pris le temps de vérifier la fonction.

Content Science et Red Hat évoquent justement le rapprochement entre documentation et marketing, les jobs to be done et les étapes du parcours client. C'est probablement le passage le plus fertile de l'article. L'outil ne sert plus seulement à ranger ; il peut aider des équipes historiquement séparées à reconnaître qu'elles travaillent sur le même problème. Une objection de sécurité commerciale peut renvoyer à une documentation technique, une étude de cas et une procédure de déploiement. L'enjeu consiste à relier ces preuves à la décision, plutôt qu'à inventer une quatrième page qui résume les trois premières.

On pourrait alors demander autre chose au système : non pas seulement « où se trouve le contenu ? », mais « à quelle question répond-il, quelle preuve apporte-t-il, dans quelle situation doit-on l'utiliser, quelle équipe en garantit la validité et à quel moment faudra-t-il le réviser ? ». C'est une architecture plus difficile à construire qu'une liste de tags. Elle exige des compromis entre marketing, produit et ventes. Mais c'est précisément parce qu'elle porte sur les décisions que sa valeur peut être observée.

L'article termine sur les agents, les garde-fous et la possibilité de laisser davantage d'autonomie aux systèmes. Là encore, le principe est recevable : une tâche répétitive avec un résultat facile à vérifier peut demander moins d'interventions humaines qu'une analyse juridique, une affirmation financière ou un témoignage client. Seulement, placer un humain à la dernière étape du circuit ne constitue pas toujours une garantie. Si la personne n'a ni accès aux sources ni temps pour les lire, sa validation devient un rite administratif.

Le profil de risques de l'IA générative publié par le NIST invite à examiner gouvernance, traçabilité, qualité des données, mesure et supervision dans le cycle de vie. Il ne dit pas comment organiser un service contenu particulier, mais rappelle que le risque doit être géré sur toute la chaîne. Pour une équipe éditoriale, cela signifie identifier les assertions sensibles, les sources autorisées, les personnes qui peuvent corriger une donnée et les situations où une publication doit être suspendue.

Je ferais une distinction entre trois actes. D'abord, la machine peut préparer : nettoyer un corpus, suggérer des tags, rapprocher des documents, signaler des contradictions. Ensuite, elle peut proposer une interprétation : quel problème revient, quelles pages semblent redondantes, quelles questions nécessitent une réponse. Enfin, elle peut agir : mettre à jour une fiche, envoyer une ressource, publier un article. Plus on avance, plus il faut expliciter le périmètre de délégation et les conséquences d'une erreur. Ce n'est pas le degré de sophistication de l'agent qui détermine ses droits, mais le risque de son action.

Si je devais traduire ce débat en un chantier concret, je commencerais par choisir un problème de décision, pas une fonctionnalité d'IA. Une équipe SaaS peut prendre, par exemple, les objections à la migration ou au coût d'inaction. Elle rassemble les conversations commerciales autorisées, les questions du support, les pages existantes, les cas clients et la documentation produit. Elle formule ce que chaque ressource affirme, le degré de preuve disponible et les conditions où cette affirmation reste valable. L'IA sert alors à classer et rapprocher, pas à inventer la vérité qui manque.

Troisième étape : auditer la différenciation réelle. Sur un échantillon de contenus, demander à une personne extérieure au projet d'identifier l'affirmation originale, la source, la limite et la situation où elle aide une décision. Répéter l'exercice sur plusieurs contenus pour repérer les mêmes idées recyclées avec des tournures différentes. Compléter par une revue des sujets absents et des objections mal traitées. Le but n'est pas de mesurer un taux d'authenticité imaginaire, mais d'observer ce que le patrimoine permet d'affirmer et de faire.

Enfin, suivre l'usage sans travestir la contribution. Qui a retrouvé la ressource ? Qui l'a envoyée ? Quelle question a-t-elle permis de clarifier ? Le prospect a-t-il demandé une preuve supplémentaire, une démonstration ou une comparaison ? Il faut accepter que ces signaux ne forment pas une attribution parfaite du revenu. Mais ils éclairent les décisions suivantes : consolider un document, corriger une promesse, interroger un expert, supprimer un contenu redondant ou ne rien publier. La machine peut accélérer cette boucle ; la valeur vient du fait qu'on choisit mieux.

Je crois que c'est là que se situe le vrai déplacement. Nous n'avons pas besoin de protéger une authenticité abstraite contre l'IA comme on protégerait une relique sous verre. Nous avons besoin d'organisations capables de dire d'où viennent leurs affirmations, pourquoi elles méritent la confiance, à qui elles servent et ce qu'elles changent. Le reste, y compris la prose parfaitement humaine qui ne dit rien, peut bien continuer à remplir les calendriers. Il ne faudrait simplement plus appeler cela une stratégie.