Contexte et objectifs
Honeyjar, présentée au Startup Battlefield 200 de TechCrunch Disrupt 2026, vise à rendre l’expertise des meilleurs professionnels des relations publiques accessible à toutes les entreprises. Les fondatrices, Michelle Masek (CEO) et Nadia Jamshidi (CCO), cumulent plusieurs décennies d’expérience en communication d’entreprise et en agence. Elles ont constaté que les processus de rédaction d’annonces, de recherche de journalistes et de suivi médiatique restent largement manuels, ce qui freine la réactivité des fondateurs et des équipes internes.
Architecture technique présumée
Le produit repose sur plusieurs modules : un générateur de texte alimenté par un grand modèle de langage (LLM) pour créer des communiqués et des e‑mails de pitch, un moteur de recherche qui agrège les profils de journalistes à partir de bases publiques et de réseaux sociaux, et un système d’analyse de flux d’actualités et de mentions sociales. Les données collectées sont indexées dans une base de connaissances permettant de croiser les signaux (thèmes d’actualité, couverture précédente) avec le contexte de l’entreprise cliente. Un composant de recommandation, entraîné sur les décisions de jugements de PR‑pros via le « Comms Lab », propose le moment optimal pour publier ou contacter un média.
Analyse des impacts opérationnels
Lors de l’ouverture de la liste d’attente, Honeyjar a enregistré 10 000 inscriptions en 24 heures, indiquant un fort intérêt du marché. Les premiers testeurs – Nextdoor, Coco Robotics, Bloomberg Beta et les agences Mission North et Full Picture – permettent d’évaluer la capacité du système à générer des pitches adaptés à des secteurs variés. Le modèle de génération de texte conserve le ton du client, mais la décision d’envoi reste manuelle, ce qui limite le risque d’automatisation totale et préserve la responsabilité éditoriale.
Limites et enjeux futurs
Le succès dépend de la fraîcheur des bases de journalistes ; les changements de postes ou de coordonnées peuvent rapidement rendre les listes obsolètes, imposant une mise à jour continue. Le filtrage des contenus générés doit éviter les répétitions et les messages trop génériques, problème déjà observé dans d’autres solutions de rédaction IA. Enfin, la dépendance à un LLM entraîne des coûts de calcul et des exigences de conformité aux politiques de données, notamment lorsqu’il s’agit de traiter des informations sensibles d’entreprise.
