AIREITERCôté achat média, la sélection de créateurs suit presque toujours le même scénario : on ouvre la marketplace, on définit une tranche de nombre d’abonnés, on ajoute une catégorie et une région, puis on retient quelques profils connus parmi les centaines de résultats.
Le problème ne vient pas d’un manque de précision des filtres : c’est le point de départ qui est mauvais. Nombre d’abonnés, catégorie et région sont des étiquettes statiques ; elles décrivent l’identité d’un créateur. La vraie question est ailleurs : la structure de ses contenus ressemble-t-elle aux créations dont vous avez déjà démontré l’efficacité ? Ces deux réponses n’ont souvent rien à voir.
Posons d’abord le cadre : l’annuaire de créateurs, les termes suggérés et les classements d’assets évoqués ici proviennent de la plateforme publique de creator marketing et du creative center, consultés depuis votre propre compte connecté, sans signature ni contournement. Il s’agit ici de transformer des données publiques en décisions.
Le nombre d’abonnés est un indicateur tardif et bruité
Fonder son choix sur le nombre d’abonnés est systématiquement erroné, pour trois raisons indépendantes — et chacune suffirait à elle seule. D’abord, ce signal est tardif : il cumule les performances passées. Il indique qu’une personne a déjà connu un succès viral, pas qu’elle saura encore performer ce mois-ci. Un compte qui a atteint un million d’abonnés grâce à un hit il y a deux ans, sans prendre d’ampleur depuis, restera un ordre de grandeur au-dessus d’un compte émergent qui crée un petit pic à chaque publication. Pourtant, c’est probablement ce dernier qu’il vous faut. Ensuite, le signal est pollué : abonnés achetés, succès sans rapport avec votre catégorie et profils d’audience qui ne se recoupent pas sont tous amalgamés dans un même chiffre. Impossible d’en extraire la part réellement pertinente pour vous. Enfin, ce critère vous pousse mécaniquement vers le haut de la liste : le tri place les grands noms en premier, aux tarifs les plus élevés. Les profils réellement rentables se trouvent généralement au milieu du marché : bonne structure, bon engagement par publication et coût très inférieur aux têtes d’affiche. En faisant du nombre d’abonnés votre axe principal, vous les enfouissez là où vous n’irez jamais les chercher.
Dans l’annuaire, quels filtres relèvent surtout du bruit ?
Le panneau de recherche des créateurs propose de nombreux critères, que l’on peut regrouper en trois familles.
Les étiquettes d’identité : tranche d’abonnés, région, langue, catégorie. Elles sont utiles pour un premier écrémage — écarter les langues et les zones géographiques manifestement incompatibles — mais les utiliser comme base principale de sélection revient à commettre l’erreur décrite plus haut. La catégorie est particulièrement trompeuse : deux créateurs classés dans « beauty » peuvent faire, pour l’un, des tests produits et, pour l’autre, des sketchs. Or un seul de ces formats sera pertinent pour vous.
Viennent ensuite les scores calculés par la plateforme. Le nombre médian de vues et le taux d’engagement sont plus utiles que le nombre d’abonnés, car ils reflètent une dynamique récente plutôt qu’un stock historique. Les indicateurs composites, comme la valeur du créateur ou le taux d’acceptation, restent quant à eux des boîtes noires de la plateforme. Mais les premiers expriment un résultat, pas une structure : ils disent que le contenu fonctionne, pas pourquoi. Les seconds optimisent les transactions de la plateforme, pas votre ROI, et vous ne pouvez pas les aligner sur votre propre définition de l’efficacité. Gardez-les comme repères, pas comme axe de sélection.
Le critère qui vous manque vraiment n’existe pas dans l’annuaire : la structure du contenu. À quelle seconde intervient le hook ? L’ouverture part-elle d’un problème ou montre-t-elle d’abord le résultat ? S’agit-il d’une voix off ou d’un sketch ? Comment l’argument de vente est-il intégré ? Aucun filtre ne le décrit, alors que c’est précisément ce qui détermine si une création peut être reproduite avec succès.
Inversez la démarche : partez des créations performantes, puis retrouvez les créateurs
L’annuaire ne peut pas vous fournir la structure du contenu. Filtrer dans le sens habituel mène donc à une impasse ; il faut procéder à l’envers. Le point de départ n’est pas le vivier de créateurs, mais votre bibliothèque d’assets efficaces. « Efficaces » doit être défini par les données : à quel moment la rétention par seconde décroche-t-elle, à quelle seconde se situe le pic de clics, dans quel percentile de CTR l’asset se place-t-il dans sa catégorie ? Cette évaluation est détaillée dans l’article sur la courbe de rétention. Ici, je pars du principe que vous disposez déjà d’un lot d’assets ayant franchi ce seuil.
Pour chacun, extrayez les caractéristiques structurelles : type de hook, image des trois premières secondes, moment où apparaît l’argument de vente, structure narrative. Condensez-les dans des fiches de caractéristiques, puis déduisez un « profil de structure efficace » : les éléments que partagent vos créations gagnantes. Par exemple : « ouverture sur le problème + résultat montré dès la 5e seconde + voix off d’une personne réelle ». Le profil doit reposer sur quelques points structurels clairement formulables, et non sur une appréciation vague telle que « contenu de grande qualité ».
La troisième étape vous ramène vers le vivier de créateurs : ne filtrez pas selon le nombre d’abonnés. Utilisez le profil pour retrouver les créateurs dont les contenus récents correspondent sur le plan structurel. Ce que vous évaluez est la structure des vidéos réellement publiées par le candidat, pas son nombre d’abonnés. Votre recommandation doit pouvoir s’énoncer simplement : recommandez ce créateur parce que ses trois dernières publications emploient le même type de hook que votre asset situé dans le haut percentile, et non parce qu’il compte 500k abonnés.
Les termes suggérés révèlent les regroupements de contenus de la plateforme
Pour ramener le nombre de candidats à un volume exploitable, les termes suggérés sont l’outil le plus utile — et le plus sous-estimé. La liste renvoyée par la barre de recherche à partir d’un mot graine reflète les regroupements de contenus construits par la plateforme à partir des comportements observés sur le site. Ces termes d’expansion réellement voisins de la requête initiale sont bien plus précis que les catégories définies intuitivement, et certaines directions proposées n’existent parfois même pas dans votre propre taxonomie. Utilisez-les pour élargir vos graines, pas comme réponse finale : explorez les axes adjacents que vous n’aviez pas couverts, puis servez-vous du profil structurel pour identifier les bons créateurs dans chaque axe.
Quel modèle utiliser pour l’extraction et la similarité ?
Le modèle intervient ici à deux niveaux : extraire les caractéristiques structurelles et déterminer si deux ensembles de structures se ressemblent. Dans les deux cas, il ne s’agit pas simplement de noter et classer. Vous ne cherchez pas un score de similarité sur 100, mais un jugement structuré qui explique les ressemblances comme les écarts.
Les quatre étapes ne demandent pas les mêmes capacités au modèle :
Étape | Capacité requise | Choix | model id |
|---|---|---|---|
Extraire une fiche de caractéristiques structurelles par asset | Traitement de masse économique et à forte concurrence | Claude Sonnet 5 |
|
Lire les vidéos récentes d’un créateur pour établir son profil | Contexte long, capable d’absorber plus d’une douzaine de transcriptions à la fois | Kimi K3 |
|
Juger la similarité entre le profil structurel et les contenus du créateur | Raisonnement robuste, capable d’expliciter les divergences | Claude Opus 5 |
|
Réviser le match : pourquoi cette recommandation est discutable | Raisonnement intermédiaire, avec explication au regard de la vidéo | GPT-5.6 Sol |
|
La troisième étape est la seule pour laquelle changer de modèle modifie visiblement le résultat. Presque n’importe quel modèle peut extraire des champs ; la difficulté réside dans la capacité à expliciter l’écart lors du jugement de similarité. Un modèle faible vous renverra une forte similarité suivie d’un paragraphe répétant ce que les deux parties ont en commun. Un modèle robuste dira plutôt : « le profil exige un résultat montré d’emblée, mais les trois dernières vidéos de ce créateur détaillent un processus ; le hook correspond, pas la structure narrative, prudence ». C’est ce type de réponse que vous recherchez.
Ne me croyez pas sur parole : testez-le. Le protocole est identique à celui utilisé pour choisir un modèle d’identification de famille d’algorithmes dans l’article sur le reverse engineering. Prenez comme témoin un créateur avec lequel vous avez travaillé et dont vous connaissez les bonnes performances. Donnez le profil de structure efficace et ses contenus récents à claude-opus-5 et à gpt-5.6-sol, puis évaluez uniquement si le jugement de similarité peut être rattaché à une vidéo précise. Utilisez le niveau capable d’indiquer « quelle vidéo, quel point structurel ». C’est le même principe que la qualité des contre-indices dans l’article sur l’empreinte algorithmique : le modèle ose-t-il remettre en cause un score élevé ?
Le vrai frein, c’est le coût du changement de modèle
Quatre niveaux répartis chez trois fournisseurs, c’est aussi trois SDK, trois systèmes d’authentification et trois formats d’erreurs. Câbler trois clients afin de basculer de niveau selon l’étape ne vaut généralement pas l’effort. La plupart des équipes finissent donc par utiliser un seul modèle de bout en bout, souvent un niveau économique pour le jugement de similarité qui nécessiterait un modèle de raisonnement. Elles accumulent alors des scores impossibles à rattacher à des éléments concrets.
AIReiter uniformise cette couche : une clé, une interface compatible OpenAI et les quatre niveaux derrière. Pour changer de niveau, il suffit de modifier le champ model dans le corps de la requête.
# Similarity judgment: the reasoning tier
curl https://aireiter.com/api/v1/chat/completions \
-H "Authorization: Bearer $AIREITER_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "claude-opus-5",
"messages": [{"role": "user", "content": "<effective structure profile + a creator recent-content list>"}]
}'
# Extract structural-feature cards in bulk: change the model field, leave the rest
# "model": "claude-sonnet-5"
Si vous utilisez déjà le SDK OpenAI, pointez base_url vers https://aireiter.com/api/v1 sans rien changer d’autre. Avec le SDK Anthropic, utilisez POST /api/v1/messages avec la même clé.
Côté tarifs, les modèles Claude bénéficient d’une remise de 30 % sur le prix catalogue et les modèles GPT sont à moitié prix. Cette réduction s’applique précisément au principal poste de coût : l’extraction individuelle de fiches de caractéristiques structurelles représente des centaines à des milliers d’appels de masse avec Claude Sonnet 5. Ce volume est un ou deux ordres de grandeur supérieur à celui du jugement de similarité ; il concentre l’essentiel de la dépense, et les 30 % de remise portent donc sur l’étape la plus coûteuse.
Essayer sans créer de compte : commencez par évaluer manuellement la similarité d’un créateur que vous connaissez, vérifiez que le résultat renvoie à une vidéo précise, puis décidez si vous souhaitez l’intégrer.
Une fois le matching en place, l’étape suivante consiste à inscrire la structure efficace dans un brief de génération, puis à le transmettre à la génération d’images et de vidéos sur site afin de produire des assets en masse. Cette chaîne complète est détaillée dans l’article du mot-clé à la publicité finalisée, dont le matching de créateurs constitue une étape.
Validation : sans lien vers un asset précis, la recommandation reste une boîte noire
Ce workflow se distingue des approches de type « donnez au modèle une liste de créateurs et demandez-lui d’en recommander quelques-uns » par sa traçabilité. Un match qualifié doit pouvoir se décomposer ainsi : recommander le créateur X parce que la structure de sa Nième vidéo récente correspond à celle de votre asset efficace Y. X, N et Y doivent tous être précis. S’il en manque un, le match ne peut ni être validé ni révisé lorsque les données de campagne arrivent. Inscrivez donc cette exigence dans le prompt : chaque match doit citer l’asset correspondant et le point structurel partagé. Tout résultat impossible à retracer doit être écarté comme du bruit, même si son score de similarité paraît élevé.
Pour conclure
La méthode par défaut — tirer le curseur du nombre d’abonnés puis ajouter catégorie et région — est systématiquement erronée. Elle filtre des étiquettes d’identité, alors que vous recherchez une correspondance de structure de contenu. Inversez le processus : extrayez la structure de vos créations performantes, déduisez-en un profil, puis retrouvez les créateurs qui y correspondent structurellement. Et rattachez chaque match à un asset précis.
L’annuaire fournit des étiquettes statiques ; les assets qui ont performé vous donnent une structure reproductible. Ne vous arrêtez pas à la colonne du nombre d’abonnés.