Juan Pablo Tejela, PDG et co-fondateur de Metricool – Série d’entretiens

Juan Pablo Tejela, PDG et co-fondateur de Metricool, est un ingénieur logiciel et entrepreneur dans le domaine de la technologie qui dirige l’entreprise depuis 2014, l’aidant à devenir une plateforme complète pour la gestion et la mesure de contenu numérique. Avant de lancer Metricool, il a passé près de neuf ans chez Optimyth Software, où ses responsabilités comprenaient la gestion de produits, le développement d’applications, la conception d’interfaces utilisateur, la pré-vente, le support client et le marketing en ligne pour la plateforme d’analyse de logiciels Kiuwan. Plus tôt dans sa carrière, Tejela a occupé des postes d’ingénieur logiciel chez Swissrisk, Indra, EADS-CASA et FEDETEC, travaillant sur Java, C++, les systèmes intégrés, la technologie de communication et le développement du noyau Linux.

Metricool est une plateforme de gestion de médias sociaux basée à Madrid qui permet aux créateurs, aux marques et aux agences de planifier du contenu, de publier des messages, de gérer les conversations, d’analyser les performances, de surveiller les concurrents et de générer des rapports à partir d’un espace de travail centralisé. La plateforme prend en charge les principaux réseaux sociaux et canaux publicitaires, notamment Instagram, Facebook, TikTok, LinkedIn, YouTube, X, Bluesky, Pinterest, Google et Meta Ads, tout en offrant des outils de création et d’optimisation de contenu assistés par l’IA. Metricool déclare servir plus de deux millions d’utilisateurs, dont des organisations telles que Forbes, Adidas, Volvo, H&M et Warner Music (WMG ) Group.

Votre carrière a commencé dans l’ingénierie logicielle, les systèmes intégrés, la qualité des applications et le développement de produits. Comment ces expériences ont-elles façonné votre approche lorsque vous avez fondé Metricool, et quel besoin non satisfait vous a convaincu que les professionnels des médias sociaux nécessitaient une nouvelle sorte de plateforme d’analyse ?

Honnêtement, Metricool a commencé plus petit que ce que les gens pensent. Ma femme Laura et moi l’avons construit en 2015 comme un projet secondaire, en plus de nos emplois réguliers. Les blogueurs étaient la chose la plus importante sur Internet à l’époque, et nous avons remarqué qu’ils n’avaient pas de moyen décent de voir leurs chiffres en un seul endroit — tout était éparpillé sur cinq outils différents, aucun d’entre eux n’étant conçu pour quelqu’un qui n’était pas technique. Mon expérience dans les systèmes intégrés et la QA m’avait inculqué une habitude. Vous ne faites pas confiance à quelque chose que vous n’avez pas mesuré vous-même. Nous avons donc construit la version simple que nous aurions souhaité voir exister.

Ce qui a réellement validé l’idée n’étaient pas les blogueurs, cependant — c’étaient les professionnels des médias sociaux qui ont commencé à s’inscrire juste après eux. Ils voulaient des rapports de clients qui avaient l’air professionnels, et c’est la partie qui a compté pour un projet secondaire — ils étaient prêts à payer. La plupart des blogueurs ne l’étaient pas. C’est le moment où j’ai réalisé que nous ne construisions pas un outil de hobby, mais que nous construisions pour une profession sous-servie. Nous avons gardé nos emplois jusqu’à ce que cela devienne ingérable, et nous avons commencé à embaucher correctement en janvier 2017. Tout ce qui s’est passé depuis n’a été qu’une extension de cette première intuition : éliminer le bruit, garder les analyses transparentes, et construire quelque chose pour la personne qui fait le travail, et non pour la personne qui achète du logiciel pour d’autres.

Metricool est passé d’un produit d’analyse ciblé à une plateforme de gestion de médias sociaux utilisée par plus de quatre millions de professionnels, d’agences, de créateurs et de marques. Quelles ont été les décisions de produit les plus conséquentes derrière cette croissance, et y a-t-il eu des moments où vous avez dû reconsidérer la vision d’origine de l’entreprise ?

Quelques décisions ont compté plus que les autres. Aller à fond sur l’analyse tandis que tout le monde d’autre — Hootsuite, Buffer — se concentrait sur la planification a été la première, et c’est toujours notre différenciateur aujourd’hui. La deuxième a été de refuser d’être un outil “américain” qui traite l’espagnol et d’autres langues comme une afterthought ; cela nous a donné un véritable avantage en Europe et en Amérique latine dès le début. La troisième, plus récente, a été de décider que les publicités sociales ne pouvaient pas vivre dans un outil séparé du contenu organique, car aucun gestionnaire de médias sociaux ne pense réellement à eux séparément.

La vision a-t-elle changé ? Constamment, et je ne pense pas que ce soit une mauvaise chose. Nous n’avions pas l’intention de construire pour les agences ; nous avons construit pour les professionnels individuels et les blogueurs. Les agences se sont présentées toutes seules, nous ont dit ce dont elles avaient besoin (rapports blancs, tableaux de bord multi-clients, sièges d’équipe), et nous avons écouté et agi. Même chose pour les marques plus tard. Si j’avais gardé la “vision d’origine” pour Metricool trop longtemps, nous aurions construit un produit beaucoup plus petit pour un public de niche. Le plan n’a jamais été sacré. Les utilisateurs ont largement tracé la feuille de route pour nous.

Les recherches de Metricool ont révélé que 96 % des professionnels des médias sociaux utilisent l’intelligence artificielle, mais que 36 % ne savent pas ou ne mesurent pas si le contenu généré par l’IA performe mieux. Pourquoi l’adoption de l’IA a-t-elle progressé beaucoup plus vite que la capacité des organisations à évaluer son impact commercial réel ?

Parce que l’utilisation de l’IA est facile et que la mesure correcte est du travail. Vous ouvrez un outil, vous obtenez une légende, vous publiez — pas de friction du tout. Savoir réellement si cette légende a fait quelque chose pour vous signifie établir une comparaison, être patient, résister à l’envie de déclarer la victoire après un seul bon message. La plupart des équipes n’ont pas encore construit cette discipline, et honnêtement, pourquoi l’auraient-elles ? Jusqu’à il y a dix-huit mois, personne n’avait besoin de demander “l’IA a-t-elle performé mieux que la version humaine” — une personne l’a écrit, vous jugez le message sur ses propres mérites.

Ce 36 % ne m’inquiète pas de la façon dont cela pourrait le laisser paraître. Ce n’est pas que les gens soient imprudents. C’est que la mesure est toujours en retard sur l’adoption — cela s’est produit avec les médias sociaux payants, cela s’est produit avec le marketing d’influence, cela se produit à nouveau ici. Les outils pour utiliser l’IA se sont améliorés rapidement. Les habitudes pour la juger n’ont pas encore rattrapé leur retard. Elles le feront.

Les IA génératives permettent aux marques de produire plus de contenu à un coût plus faible, mais une portée ou un volume de publication plus important peut créer un faux sentiment de réussite. Quels indicateurs les équipes devraient-elles donner la priorité pour déterminer si le contenu assisté par l’IA renforce la confiance, la santé de la marque et les relations avec les clients ?

La portée est l’indicateur que l’IA est le meilleur à gonfler et le pire à expliquer. Si vous ne regardez que ce chiffre, vous vous sentirez bien pendant des mois, jusqu’à ce que vous ne vous sentiez plus. Ce que je suivrais réellement, ce sont les personnes qui sauvegardent ou partagent le contenu, et non seulement qui le font défiler — c’est la différence entre “je l’ai vu” et “c’était la peine de le conserver.” Les commentaires sont-ils une véritable conversation, ou juste plus de bruit sous plus de publications ? Et, cela est constamment omis, la marque sonne-t-elle encore comme une seule personne après trois cents publications assistées par l’IA, ou a-t-elle commencé à dériver de publication en publication sans que personne ne s’en aperçoive ?

C’est le dernier point qui est rusé. La confiance ne s’effondre pas tout d’un coup — elle s’érode tranquillement, et le moment où la portée ou les ventes le montrent, vous perdez depuis des mois.

Metricool a constaté que 66 % des répondants impliquent l’IA dans au moins la moitié de leur contenu, tandis que six sur dix estiment que le contenu généré par l’IA correspond ou dépasse le contenu créé par l’homme. Comment les marques devraient-elles concevoir des expériences pour comparer équitablement le contenu assisté par l’IA et le contenu créé par l’homme sans confondre la corrélation, les algorithmes de plateforme et la qualité de contenu ?

Gardez tout fixe, sauf la seule chose que vous testez — même bref, même plateforme, même jour et heure, même personne qui fait la dernière édition — et remplacez simplement qui a écrit le premier jet. C’est tout. La plupart des comparaisons “IA vs humain” flottant autour ne font pas cela. Ils comparent un message IA de mardi contre un message humain de trois mois plus tôt sur un sujet complètement différent, puis tirent une conclusion.

Exécutez-le par paires, exécutez-le pendant des semaines, et non pour un seul message — la performance d’un seul message est principalement de la chance et de l’humeur de l’algorithme ce jour-là, et vous avez besoin d’un volume suffisant pour voir au-delà de cela. Et soyez honnête sur ce que “correspond au travail humain” signifie réellement. Si le contenu IA obtient des impressions similaires mais une qualité de commentaire plus faible ou des économies plus faibles, ce n’est pas un match nul, c’est un signe d’avertissement. Une grande partie de cette “six sur dix” de confiance, je suppose, sont des gens qui regardent le nombre de surface et s’arrêtent là.

Où l’automatisation ajoute-t-elle actuellement la plus grande valeur pour les équipes de médias sociaux, et quels sont les responsabilités, telles que l’établissement de la voix de la marque, la gestion des communautés ou la réponse en cas de crise, qui devraient rester fermement sous contrôle humain ?

Les choses ennuyeuses et à fort volume — la planification, les premiers jets, la réduction de la taille d’une vidéo pour six plateformes, le tirage d’un rapport mensuel — c’est là que l’automatisation est pratiquement du temps libre donné à une équipe. Personne ne devrait le faire à la main en 2026.

La limite pour moi est le jugement. La voix, la communauté et, en particulier, tout ce qui est une crise — tout cela nécessite un humain. Non pas parce que l’IA ne peut pas rédiger quelque chose de raisonnable, elle le peut souvent, mais parce que le coût d’un mauvais ton dans un moment sensible est public et immédiat, et la réputation d’une marque n’est pas quelque chose que vous pouvez tester A/B. Je vais revenir à quelque chose que j’ai dit auparavant : être à moitié présent ou mal présent sur les médias sociaux, c’est comme avoir une vitrine de magasin cassée. L’IA rédige une réponse à une crise pour que l’humain la révise en trente secondes, c’est bien. L’IA publie cette réponse par elle-même, jamais.

Metricool Studio permet aux utilisateurs de générer des rapports, de comparer les performances, d’analyser les concurrents et d’identifier les modèles de publication via des invites de langage naturel. À mesure que l’IA passe de la génération de contenu à l’interprétation des performances, comment cela va-t-il changer le rôle quotidien des gestionnaires de médias sociaux et des analystes marketing ?

Cela pousse le travail vers le haut. Une grande partie de la semaine d’un gestionnaire de médias sociaux est toujours consacrée à extraire des chiffres dans une diapositive et à écrire la phrase qui explique ce qui s’est passé. Si vous pouvez simplement demander “pourquoi l’engagement a-t-il baissé la semaine dernière” et obtenir une véritable réponse en quelques secondes, toute cette partie de la semaine disparaît pratiquement.

Ce qui reste, c’est la partie réellement précieuse : décider quoi faire de la réponse. Quel format miser, comment l’expliquer à un client qui ne se soucie pas des mécanismes, quand les données vous disent quelque chose que votre instinct contredit. Je ne pense pas que le rôle diminue ; je pense qu’il se divise en deux groupes très rapidement : ceux qui faisaient une véritable analyse, et ceux qui faisaient principalement une saisie de données avec des étapes supplémentaires. Seul le premier groupe grandit à partir de là.

Metricool a adopté le protocole de contexte de modèle, permettant aux assistants IA, aux plateformes d’automatisation et aux agents personnalisés d’interagir avec les données et les flux de travail de médias sociaux. Quelles opportunités cela crée-t-il, et comment les entreprises peuvent-elles empêcher les systèmes autonomes de publier du contenu inapproprié, de mal interpréter les analyses ou de prendre des mesures qui nuisent à une marque ?

Nous étions l’une des premières plateformes de médias sociaux à être construites sur le MCP de Claude, et la raison est simple. Cela signifie que les données de Metricool ne vivent plus seulement à l’intérieur de notre propre interface. L’agent d’une marque, une plateforme d’automatisation, tout ce qu’une équipe utilise déjà, peut désormais extraire des données de performance ou déclencher un flux de travail directement, sans que nous ayons à construire chaque intégration nous-mêmes. Cela ouvre des flux de travail que nous n’avons pas encore pensés, construits par les personnes les plus proches des données.

Le risque doit être conçu dès le premier jour, et non corrigé par la suite. Pratiquement, la publication devrait par défaut être soumise à une étape d’approbation humaine, et non à une publication autonome silencieuse, en particulier tout ce qui est destiné au client. Les autorisations doivent être étroitement délimitées, comme un agent conçu pour extraire un rapport ne doit pas être en mesure de déclencher une publication, point. Et chaque action qu’un agent prend nécessite une traçabilité qu’un humain peut vérifier par la suite. Le protocole vous donne la connexion. Les garde-fous sont toujours une décision que chaque entreprise doit prendre intentionnellement.

Les recherches de Metricool suggèrent que les interactions publiques traditionnelles peuvent diminuer même si l’engagement global augmente, poussées par des actions moins visibles telles que les clics, les balayages, les vues et les appuis sur les liens. Comment les marques devraient-elles s’adapter lorsqu’un certain nombre des signaux les plus significatifs d’attention deviennent de plus en plus invisibles au public ?

Les “j’aime” et les commentaires n’ont jamais été un excellent proxy pour l’attention, et ils s’améliorent. La plupart de l’intérêt réel se produit aujourd’hui quelque part où personne d’autre ne peut le voir. Quelqu’un fait défiler chaque diapositive d’une présentation, regarde une vidéo jusqu’à la fin, capture quelque chose pour l’envoyer à un ami en privé. Rien de tout cela n’apparaît publiquement. Tout cela est une attention réelle, potentiellement plus précieuse qu’un double-clic réflexe.

Les marques doivent donc se sentir à l’aise en traitant le taux de complétion, le taux de balayage et le taux de clic comme des chiffres clés, et non comme des notes en bas de page enterrées sous les “j’aime”. Le changement pratique est de poser une question différente : pas “quel est l’engagement que nous avons obtenu”, mais “quel est l’attention que nous avons réellement gagnée”, en sachant que la plupart de ce deuxième chiffre ne sera jamais visible pour qui que ce soit à l’extérieur de votre propre tableau de bord.

En regardant vers l’avenir, attendez-vous que l’IA reste une collection d’assistants utilisés par les professionnels des médias sociaux, ou va-t-elle évoluer en une couche opérationnelle qui planifie continuellement des campagnes, alloue des ressources, interprète les performances et recommande des décisions sur toutes les plateformes ?

Une couche opérationnelle, et plus tôt que la plupart des gens ne le pensent. Le modèle “demander à l’IA une chose à la fois” est une phase, et non la destination. Ce que nous construisons réellement, c’est l’IA qui se trouve sous tout le flux de travail, comme regarder les performances sur toutes les plateformes en continu, capter ce qui fonctionne avant qu’un humain ne le remarque, et recommander la prochaine étape.

Recommander, et non décider. Je ne pense pas que l’état final soit l’IA qui exécute des campagnes sans que personne ne regarde. Je crois que c’est l’IA qui fait le suivi implacable dont aucune équipe n’a les heures, et qui remet à une personne une courte liste utile au lieu d’un mur de tableaux de bord. Les professionnels qui s’en sortent bien dans ce monde ne seront pas ceux qui luttent contre la couche, mais ceux qui deviennent bons pour la pointer.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Metricool.