Mistral AI s’intègre dans les campagnes clients en tant que modèle de langage rapide et flexible pour les tâches textuelles à haut volume : classification des termes de recherche, rédaction de variantes d’annonces, structuration des données produits et synthèse de recherches. Ses modèles à poids ouverts offrent également une option pour garder les données sensibles des clients dans un environnement contrôlé. La valeur provient de l’adéquation de la bonne taille de modèle à chaque tâche et du maintien d’une personne responsable du résultat.
Pourquoi envisager Mistral AI aux côtés d’autres fournisseurs de modèles ?
La plupart des agences travaillent avec plus d’un fournisseur de modèles, et Mistral gagne sa place pour quelques raisons spécifiques. L’entreprise, fondée à Paris, publie plusieurs modèles avec des poids ouverts, ce qui signifie qu’ils peuvent être téléchargés et exécutés sur une infrastructure privée. Elle propose également des modèles commerciaux via son API, La Plateforme, et un assistant de chat appelé Le Chat.
Trois propriétés sont importantes dans le travail d’agence. Premièrement, les petits modèles Mistral sont rapides et peu coûteux, ce qui convient aux travaux avec des milliers de courtes requêtes. Deuxièmement, les modèles gèrent bien les langues européennes, y compris le français, l’allemand, l’espagnol et l’italien, ce qui aide les campagnes multilingues. Troisièmement, les poids ouverts offrent une voie pour les clients ayant des exigences strictes en matière de données, car le modèle peut s’exécuter là où les données résident déjà.
Rien de tout cela ne fait de Mistral le meilleur choix pour chaque tâche. Les pièces créatives longues ou le raisonnement complexe peuvent mieux convenir à d’autres modèles, et nous testons avant de décider.
Quelles tâches de campagne conviennent aux modèles Mistral ?
Classification des termes de recherche
Les comptes de recherche payante génèrent de longs rapports de termes de recherche. Un petit modèle peut étiqueter chaque requête par intention, telle qu’informative, comparaison, achat ou non pertinente, de sorte que le gestionnaire de compte examine une liste triée au lieu de milliers de lignes brutes. Les candidats aux mots-clés négatifs apparaissent plus rapidement.
Variantes de copie d’annonce
Les annonces de recherche responsives dans Google Ads acceptent jusqu’à 15 titres et 4 descriptions, avec des titres limités à 30 caractères et des descriptions à 90. Un modèle peut rédiger de nombreuses options dans ces limites à partir d’un brief, et un rédacteur sélectionne et affine les meilleures. Les limites de caractères sont vérifiées par script, pas confiées au modèle.
Enrichissement de flux de produits
Les campagnes Shopping dépendent de la qualité du flux. Mistral peut transformer des attributs de fournisseurs désordonnés en titres et descriptions cohérents qui suivent les directives de Google Merchant Center, avec une sortie structurée en JSON afin que l’outil de flux puisse l’importer directement.
Synthèses de recherche
Avant le lancement d’une campagne, les pages de destination des concurrents, les sites d’avis et les fils de discussion des forums peuvent être résumés en thèmes : objections courantes, fonctionnalités fréquemment louées, plaintes sur les prix. L’analyste lit le résumé et vérifie les sources derrière toute affirmation surprenante.
Brouillons de localisation
Pour les campagnes sur plusieurs marchés européens, les premiers brouillons de traduction des copies d’annonces et des sections de pages de destination font gagner du temps. Un locuteur natif les examine toujours avant le lancement.
Comment Alien Road applique Mistral AI du brief au lancement
Notre processus de travail comporte cinq étapes, et chacune a un propriétaire nommé.
- Brief : le responsable de compte définit la tâche, le marché cible, la voix de la marque et les critères de succès.
- Sélection du modèle : nous testons la tâche sur un petit et un plus grand modèle Mistral avec 20 à 50 échantillons réels, et choisissons le plus petit qui répond à la barre.
- Construction de prompts et de modèles : les prompts incluent les règles de la marque, les phrases interdites, les limites de caractères et un format de sortie. Les modèles sont versionnés afin que les changements soient traçables.
- Génération et vérifications : les sorties passent des vérifications automatisées pour la longueur, les mots interdits et le format, puis vont à un éditeur humain.
- Lancement et journal : les actifs approuvés sont mis en ligne, et nous enregistrons quel modèle, version de prompt et éditeur les ont produits.
Comment les données des clients sont-elles protégées ?
La gestion des données décide quel déploiement nous utilisons. Pour les entrées publiques ou peu sensibles, telles que les descriptions de produits publiées ou les tendances de recherche publiques, l’API hébergée convient. Pour tout ce qui contient des données personnelles ou des chiffres commerciaux confidentiels, nous supprimons soit les identifiants avant l’envoi, soit nous utilisons un déploiement que le client contrôle.
Règles pratiques que nous suivons :
- Les noms, e-mails et numéros de téléphone des clients ne sont jamais envoyés à un modèle à moins qu’un contrat et une base légale ne le couvrent.
- Les rapports de termes de recherche sont agrégés avant la classification, donc aucune donnée au niveau de l’utilisateur n’est impliquée.
- Les clés API sont stockées dans un gestionnaire de secrets, jamais dans des documents partagés.
- Les clients sous RGPD ou la KVKK turque reçoivent une note écrite indiquant quelles données circulent vers quel fournisseur.
- Lorsqu’un client exige que les données restent dans son cloud, nous utilisons les modèles Mistral via son propre compte de marché cloud ou un modèle à poids ouverts auto-hébergé.
À quoi ressemble la mesure ?
Chaque cas d’utilisation reçoit deux types de métriques : métriques de production et métriques de campagne.
Les métriques de production montrent si le modèle économise des efforts. Nous suivons les heures passées par tâche avant et après, le taux de révision de l’éditeur et la part des sorties rejetées d’emblée. Un taux de rejet élevé signifie que le prompt ou le choix du modèle a besoin de travail.
Les métriques de campagne montrent si la sortie fonctionne. Pour la copie d’annonce, nous comparons les titres assistés par modèle avec les titres uniquement humains dans les mêmes groupes d’annonces, en utilisant des étiquettes de performance d’actifs et des taux de clics dans Google Ads. Pour l’enrichissement de flux, nous surveillons les désapprobations du Merchant Center et les clics Shopping. Pour la classification des termes de recherche, nous mesurons combien de dépenses gaspillées sont réduites par les négatifs qu’il aide à trouver.
Ces comparaisons ne sont pas des expériences de laboratoire, car de nombreux facteurs changent en même temps, mais les suivre de manière cohérente au fil des mois donne une image fiable.
Comment le signalons-nous aux clients ?
Les rapports mensuels incluent une courte section sur le travail assisté par IA. Elle liste les tâches où Mistral a été utilisé, le volume traité, le coût, les heures économisées et toute comparaison de performance disponible. Nous notons quelles sorties ont été examinées et par qui.
Nous signalons également ce qui n’a pas fonctionné. Si un modèle a mal performé sur une langue ou un type de tâche, le client l’entend, avec le changement que nous avons effectué, comme changer de modèle ou retourner la tâche à un rédacteur humain. Les clients apprécient la franchise sur les limites plus qu’une liste de victoires.
Quelles sont les limites que nous surveillons ?
- Dérive factuelle : les résumés peuvent inclure des affirmations non trouvées dans la source, donc les faits clés sont vérifiés par rapport aux originaux.
- Aplatissement du ton : les brouillons peuvent sembler génériques, c’est pourquoi les éditeurs réécrivent les ouvertures et les appels à l’action.
- Lacunes linguistiques : la performance varie selon la langue, et les sorties en turc ou en azéri reçoivent une révision native supplémentaire.
- Changements de modèle : les fournisseurs mettent à jour les modèles, donc nous relançons le test d’échantillon lorsqu’une nouvelle version remplace l’ancienne.
Par où commencer cette semaine
Si vous faites de la recherche payante, exportez le rapport de termes de recherche du mois dernier, supprimez tout ce qui identifie l’utilisateur, et demandez à un petit modèle Mistral d’étiqueter chaque requête par intention avec une liste fixe d’étiquettes. Examinez vous-même 100 lignes étiquetées et comptez les erreurs. Si la précision est acceptable, vous avez trouvé une tâche hebdomadaire qui vaut la peine d’être automatisée, et une ligne de base par rapport à laquelle la mesurer.
Continuer la lecture : Optimisation par IA · Optimisation par IA