Comment utiliser l'IA pour analyser les publicités concurrentes (prompts et workflow)

La façon la plus rapide d’utiliser l’IA pour analyser les publicités concurrentes consiste à arrêter de lui demander d’"analyser" une capture unique et à commencer à lui fournir un lot : récupérez 15 à 30 créations actives d’un concurrent ou d’un secteur, collez les titres et une courte description de chaque image dans un LLM, et demandez‑lui de les regrouper par mécanisme de hook, type de claim et émotion cible. Une seule publicité ne vous apprend presque rien. Un lot vous montre ce qu’un concurrent répète, ce qui vaut la peine de copier la structure, pas le libellé précis.

Pourquoi l’analyse d’une seule publicité échoue#

Les acheteurs médias novices à ce workflow prennent généralement une capture d’écran d’une publicité concurrente, la déposent dans un outil de chat et demandent "pourquoi cela fonctionne". Le modèle inventera avec assurance une explication, car c’est ce que font les LLM lorsqu’on leur donne un seul point de donnée et qu’on leur demande un schéma. La solution, c’est le volume : les schémas ne deviennent visibles qu’à travers un ensemble de publicités, et le modèle est bien plus fiable pour résumer ce qui est commun à vingt exemples que pour théoriser à partir d’une seule. C’est le même principe que derrière analyzing winning native ad creatives : les publicités individuelles sont bruyantes, les lots révèlent la structure.

Le workflow de prompt qui fonctionne réellement#

Voici une séquence qui tient la route dans les secteurs santé, finance, e‑commerce et logiciel :

1. Collecter. Récupérez un lot de créations actives pour un concurrent, une marque ou un secteur, idéalement des créations qui tournent depuis un certain temps (la longévité est un proxy approximatif de "toujours fonctionnel", comme expliqué dans ad longevity as a winning signal). Notez le titre, la description de l’image et le secteur pour chaque élément.
2. Classer. Prompt : "Here are 20 ad headlines from [vertical]. Group them by the core mechanism: curiosity gap, direct claim, social proof, fear/urgency, story format. For each group, note what percentage of the batch it represents." Cela transforme un mur de titres en une distribution exploitable.
3. Extraire la structure du claim. Prompt : "For each headline, extract the specific claim being made (not the wording, the underlying promise). Are the claims specific (a number, a body part, a named product) or vague?" Les claims spécifiques sont ceux qui méritent d’être étudiés ; les claims vagues sont généralement des performances faibles qui gonflent le lot.
4. Comparer avec vos propres créations. Prompt : "Here are my current headlines and the batch of competitor headlines. Which mechanisms am I not using at all?" Cela fait apparaître les lacunes plus rapidement qu’une comparaison manuelle côte à côte.
5. Générer des variantes à partir de la lacune, pas à partir de zéro. Une fois que vous savez quel mécanisme vous manque, demandez au modèle de rédiger des variantes de titres en utilisant ce mécanisme précis, ancrées à votre produit réel, et non à un modèle générique.

Ce qu’il faut fournir au modèle (et ce qu’il ne faut pas)#

La qualité de ce workflow dépend entièrement de l’entrée. Les captures d’écran de l’unité publicitaire seule (image + titre) suffisent pour la classification ; vous n’avez pas encore besoin de la page de destination à ce stade. Une fois que vous avez présélectionné quelques structures intéressantes, étendez la même approche à la page de destination et à reverse-engineer the full funnel du créatif à l’offre, car un titre qui fonctionne peut tout de même échouer si la page de destination ne tient pas la promesse du claim.

Ne fournissez pas au modèle votre export brut complet et ne demandez pas des "insights" sans structure. Des prompts vagues produisent des sorties vagues et génériques, quel que soit le niveau du modèle sous‑jacent. Plus la question est précise (mécanisme, type de claim, registre émotionnel), plus la classification sera utile.

D’où proviennent les données sources#

Ce workflow n’est bon que si le jeu de publicités avec lequel vous commencez l’est, ce qui est la partie que la plupart des guides négligent. Faire des captures d’écran manuelles des publicités concurrentes d’un fil est lent et incomplet, car les publicités natives tournent constamment et vous ne voyez que ce que votre appareil vous sert. Un competitive ad intelligence workflow construit autour d’une watchlist et d’une archive consultable, plutôt que de captures manuelles, donne au LLM un lot bien plus grand et plus représentatif. L’accès programmatique compte aussi : récupérer les données via une API plutôt que copier‑coller des captures d’écran vous permet d’automatiser entièrement l’étape "collect" et d’alimenter un nouveau lot dans votre prompt d’analyse selon un planning, exactement ce que fait l’native ad data API. Pour les équipes déjà intégrées dans un workflow LLM, il existe aussi une voie directe : le native ad library MCP vous permet d’interroger le corpus créatif en direct depuis Claude ou ChatGPT au lieu d’exporter quoi que ce soit d’abord.

Exemple de structure travaillée#

Imaginons que vous étudiiez un concurrent dans le domaine des aides auditives. Un tirage de lot pourrait faire apparaître des titres comme "Struggling to Hear Clearly? Discover a Device Transforming Lives" et plusieurs variantes de cette même structure curiosité‑plus‑claim. Classer un tel lot révèle généralement deux ou trois mécanismes dominants (un écart de curiosité santé, un claim direct centré sur le dispositif, et parfois un format narratif), et vous pouvez rapidement voir quel mécanisme le concurrent privilégie le plus en volume, plutôt qu’en devinant à partir d’une seule publicité. Cette distribution, et non un titre isolé, constitue le livrable exploitable.

Erreurs courantes avec ce workflow#

• Traiter la sortie du modèle comme un fait plutôt qu’une hypothèse. Les LLM résument bien les schémas que vous leur fournissez mais ne savent pas si ces schémas corrèlent réellement avec la performance. Vérifiez tout schéma identifié contre des signaux réels de longévité ou de dépenses avant de miser une campagne dessus.
• Analyser un lot trop petit. Cinq publicités ne constituent pas un schéma, c’est un bruit aléatoire. Vingt à trente vous donnent quelque chose de réel.
• Ignorer la page de destination. Une excellente analyse de hook ne vaut rien si vous ne vérifiez pas ce que le tunnel fait avec le clic, ce qui est souvent déterminé par les pre-lander formats.
• Négliger les différences géographiques et sectorielles. Une structure de claim qui domine dans les créations santé aux États‑Unis ne se traduira pas forcément dans une autre région ou pour une offre logicielle ; refaites la classification par secteur plutôt que de supposer qu’un seul schéma s’applique partout.

Utiliser l’IA pour suivre les évolutions dans le temps, pas seulement un instantané#

Une analyse ponctuelle indique ce qu’un concurrent fait cette semaine. La version la plus utile de ce workflow s’exécute selon un planning : récupérez un nouveau lot tous les quelques jours, alimentez‑le avec le même prompt de classification et comparez la sortie à celle de la semaine précédente. Un déplacement dans la distribution des mécanismes (par ex., un concurrent qui passe de titres curiosité‑gap à des titres claim direct) signifie généralement qu’il a trouvé quelque chose de plus convertissant et qu’il mise davantage dessus. Détecter ce changement tôt vaut plus que n’importe quelle analyse approfondie unique, et c’est la différence entre building a competitor watchlist qui alimente réellement votre calendrier créatif et un simple dossier de captures d’écran oubliées.

C’est aussi là que le mode d’échec du "vague prompt" devient coûteux à grande échelle. Si vous exécutez cette classification chaque semaine pour plusieurs concurrents, de petites incohérences dans la formulation du prompt rendront les comparaisons semaine après semaine peu fiables. Verrouillez le modèle de prompt une fois qu’il produit des groupements utiles, et ne changez que le lot d’entrée, pas les instructions, afin que vos courbes de tendance restent comparables.

Ce que ce workflow ne vous dira pas#

Soyez réaliste quant aux limites. Un LLM peut classer le mécanisme et la structure du claim de façon fiable ; il ne peut pas vous dire le taux de conversion réel d’un concurrent, ses dépenses effectives, ou si une publicité reste active parce qu’elle est réellement rentable ou simplement en mode autopilote dans une campagne "set‑and‑forget". La longévité est un proxy, pas une preuve, et même un prompt bien structuré ne fait que résumer ce que vous avez fourni. Traitez la sortie comme un puissant générateur d’hypothèses qui restreint ce qu’il faut tester ensuite, pas comme un verdict définitif sur ce qui fonctionnera pour votre offre.

Transformer l’analyse en action#

Le but de cet exercice n’est pas un rapport, mais une courte liste de deux ou trois structures de claim que vous n’utilisez pas encore, testées honnêtement contre votre propre produit. Une fois cette liste obtenue, le rôle de l’IA passe de l’analyse à la génération : rédigez des variantes de titres dans le mécanisme manquant, gardez le claim spécifique, et lancez de petites campagnes. Si vous préférez ne pas construire vous‑même le pipeline de collecte, parcourir une archive consultable, toujours à jour, de créations actives dans OpenAdLibrary's ad intelligence platform vous fournit le lot à analyser sans capturer manuellement une seule publicité.