L'IA dans le marketing : ce que les preuves établissent, et comment mener un pilote

Cet article éclaire la décision d'utiliser l'IA dans le marketing : où, selon quelles règles, et comment savoir si elle rapporte. Il s'en tient aux preuves : études contrôlées, normes et droit en vigueur en octobre 2026.

• Deux familles d'IA Les modèles prédictifs notent et prévoient (qui va probablement acheter ou partir, quand envoyer, combien enchérir). Les modèles génératifs produisent du texte, des images, du son et du code. La plupart des équipes utilisent désormais les deux, souvent dans des outils qu'elles ont déjà.
• Ce que montrent les preuves Dans une expérience contrôlée publiée dans Science, des professionnels dotés de ChatGPT ont mis 40 % de temps en moins sur des tâches d'écriture et produit un travail jugé de 18 % meilleure qualité¹. Des conseillers du service client épaulés par un assistant d'IA ont résolu 14 % de demandes de plus par heure, les plus grands gains allant aux débutants^2, 3.
• Ce qu'elles ne montrent pas encore Ces études mesurent le temps et la qualité jugée sur des tâches définies. Elles ne mesurent ni les ventes, ni la marque, ni les effets de long terme, et une expérience de terrain menée avec des consultants a montré des capacités inégales selon des tâches pourtant semblables⁴.
• Règles et risques Le profil IA générative du NIST nomme des risques comme la confabulation, les biais préjudiciables et la propriété intellectuelle⁶. Les obligations de transparence du règlement européen sur l'IA, dont le signalement des hypertrucages, s'appliquent depuis le 2 août 2026⁷, et la règle de la FTC interdit les faux avis, y compris générés par IA⁹.

L'IA prédictive n'est pas nouvelle en marketing : le scoring des leads, les audiences similaires et les enchères automatiques reposent depuis des années sur des modèles statistiques. Ce qui a changé, c'est l'IA générative, et désormais des agents qui enchaînent seuls plusieurs étapes. Parmi les 413 responsables martech interrogés par Gartner à la mi-2025, 81 % testaient des agents IA ou les avaient pleinement déployés ; 45 % d'entre eux estimaient que les agents proposés par les éditeurs n'atteignaient pas la performance promise, et la moitié déclaraient que leur organisation n'avait pas la maturité technique et data pour les déployer⁵. L'écart entre la promesse et la maturité est la première chose qu'un pilote doit tester.

Les tâches d'écriture. Shakked Noy et Whitney Zhang ont mené une expérience préenregistrée auprès de 453 professionnels diplômés du supérieur, dont la moitié, tirée au sort, a eu accès à ChatGPT pour des tâches d'écriture propres à leur métier. Le temps passé a baissé de 40 %, la qualité jugée a progressé de 18 %, et l'écart entre les meilleurs et les moins bons rédacteurs s'est réduit¹.

Les conversations de service. Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont étudié des conseillers du service client d'un grand éditeur de logiciels, équipés d'un assistant d'IA générative. Dans le document de travail, le nombre de demandes résolues par heure a augmenté de 14 % en moyenne, de 34 % pour les débutants et les moins qualifiés, avec un effet minime pour les plus expérimentés et les plus qualifiés² ; la revue du Bureau of Labor Statistics souligne que le gain venait surtout des conseillers récents et moins expérimentés³.

Des capacités inégales. Dans une expérience de terrain menée avec environ 750 consultants du Boston Consulting Group utilisant GPT-4, Fabrizio Dell'Acqua et ses coauteurs décrivent une « frontière technologique en dents de scie » : des tâches qui paraissent aussi difficiles aux experts peuvent tomber de part et d'autre de ce que l'IA sait bien faire⁴. Leçon pratique : les résultats obtenus sur une tâche ne se transposent pas à la suivante ; chaque usage demande son propre test.

Lisez ces résultats pour ce qu'ils sont : du temps et une qualité jugée sur des tâches définies, en conditions contrôlées. Aucun ne mesure si les clients ont acheté davantage ou pensé plus de bien d'une marque. Pour cela, utilisez les méthodes de mesurer l'efficacité : un test A/B ou un groupe témoin.

Le profil IA générative du NIST (NIST AI 600-1, juillet 2024), complément de son cadre de gestion des risques de l'IA, recense douze risques que l'IA générative crée ou aggrave⁶. Cinq comptent particulièrement pour les marketeurs.

• La confabulation, terme du NIST pour un contenu faux énoncé avec assurance, souvent appelé hallucination. Elle touche surtout le texte ; le risque marketing tient aux faits, prix, allégations ou citations inventés⁶.
• Les biais préjudiciables. Le NIST cite l'exemple de modèles texte-image qui sous-représentent les femmes, les minorités ethniques et les personnes handicapées quand on leur demande de représenter des métiers comme dirigeant d'entreprise ou juge⁶. Confrontez chaque série de personnes générées à votre public.
• La propriété intellectuelle. Le NIST range la propriété intellectuelle parmi les risques, y compris l'atteinte aux droits de tiers⁶. À qui appartient un contenu généré, et s'il peut porter atteinte à des droits, dépend du pays et des conditions de l'outil ; consultez votre conseil juridique avant que des contenus générés ne deviennent des actifs de la marque.
• Sécurité et cohérence de la marque. Un modèle ne connaît ni votre plateforme de messages ni votre registre d'allégations. Appuyez-le sur des contenus validés et relisez ce qu'il produit ; voir sécurité de la marque et cohérence et adaptation.
• La vie privée. Le NIST cite aussi la protection des données personnelles⁶. Les données personnelles des clients n'entrent dans un outil d'IA que dans le cadre d'un contrat et d'une base légale qui les couvrent ; voir consentement, identité et cookies.

Le règlement européen sur l'IA. Les obligations de transparence de l'article 50 s'appliquent depuis le 2 août 2026. Les personnes doivent être informées qu'elles interagissent avec un système d'IA, comme un agent conversationnel, sauf si c'est évident ; les déployeurs doivent signaler les hypertrucages et certains textes générés par IA publiés pour informer le public sur des questions d'intérêt général ; les fournisseurs doivent marquer les contenus générés dans un format lisible par machine, avec un délai jusqu'au 2 décembre 2026 pour les systèmes mis sur le marché avant août, une règle dont la Commission indique qu'elle repose sur la proposition d'Omnibus IA⁷. Le marquage lisible par machine intégré par le fournisseur ne suffit pas, à lui seul, à remplir l'obligation de transparence du déployeur⁷. Le code de bonnes pratiques de la Commission sur la transparence des contenus générés par IA, publié en juin 2026, comporte une partie pour les fournisseurs sur le marquage et une pour les déployeurs sur l'étiquetage ; y adhérer est volontaire, et ne pas le signer ne vaut pas en soi manquement⁸.

Avis et témoignages. Aux États-Unis, la règle définitive de la FTC d'août 2024 interdit les faux avis et témoignages, y compris ceux attribués à des personnes qui n'existent pas et ceux générés par IA, et permet à l'agence de demander des sanctions civiles contre les contrevenants en connaissance de cause⁹. Les priorités de contrôle évoluent : en décembre 2025, la FTC a rouvert puis annulé son ordonnance de 2024 contre Rytr, un service de rédaction d'avis par IA, en invoquant le plan d'action de l'administration sur l'IA¹⁰. L'ordonnance n'est pas la règle ; ne publiez jamais un avis ou un témoignage qu'un vrai client n'a pas donné.

Signalez par défaut l'usage de l'IA quand il importe au public : une personne de synthèse dans une publicité, un agent conversationnel qu'on pourrait prendre pour un salarié, une publication d'influenceur réalisée avec l'IA (voir transparence des influenceurs).

Le NIST range les actions qu'il propose sous les quatre fonctions du cadre de gestion des risques de l'IA : gouverner, cartographier, mesurer et gérer⁶. Dans une équipe marketing, cela veut dire une politique écrite et courte, portée par une personne qui a l'autorité nécessaire :

Placez cette politique à côté du circuit de validation décrit dans opérations marketing et gouvernance, nommez les rôles dans la matrice RACI de l'intégration et ajoutez les incidents liés à l'IA (une allégation fausse, une image biaisée, une fuite de consignes) à la check-list de communication de crise.

Rédigez le business case avant le pilote, avec la règle qui tranchera (« on étend si le temps par brief baisse sans hausse des erreurs ; sinon on arrête »). Gardez des humains responsables du début à la fin, et prévoyez de mesurer l'effet sur les résultats, pas seulement sur l'effort, avec le cadre de mesure.

Une entreprise illustrative, pas une société réelle : une marque d'électronique grand public dont la petite équipe contenu rédige les fiches produits en anglais, en arabe et en français.

• Tâche Les premiers jets des fiches produits, à partir de la fiche technique validée, dans les trois langues.
• Situation de départ Pendant quatre semaines, l'équipe note le temps par fiche, le nombre de corrections factuelles à la relecture et une note de qualité attribuée par la responsable de marque.
• Pilote Les quatre semaines suivantes, la moitié des nouveaux produits est rédigée avec un outil d'IA validé, appuyé sur la fiche technique et la plateforme de messages ; l'autre moitié de la manière habituelle. Chaque premier jet généré est relu par un rédacteur de langue maternelle.
• Règle On étend si le temps baisse sans hausse des corrections dans aucune langue ; on arrête pour toute langue où elles augmentent.
• Ce que l'équipe ne fait pas Elle ne génère ni avis clients, ni porte-parole de synthèse, ni allégations absentes de la fiche technique.

• Partir de l'outil plutôt que de la tâche Une licence sans tâche nommée finit au placard, le même travers que dans construire sa pile martech.
• Ne mesurer que l'effort Des premiers jets plus rapides ne sont pas des ventes en plus ; mesurez aussi le résultat.
• Se fier à un texte fluide La confabulation a l'air sûre d'elle⁶ ; faits, prix et citations doivent être vérifiés à la source.
• Croire qu'un succès se transpose La frontière est en dents de scie⁴ ; testez chaque nouvel usage.
• Prendre les promesses des éditeurs pour des résultats 45 % des responsables martech qui utilisent des agents les ont trouvés en deçà de ce qui était promis⁵.
• Pas de politique de transparence jusqu'à ce qu'un régulateur ou un journaliste en demande une.

1. Recensez où l'IA sert déjà dans votre équipe, y compris les fonctions intégrées aux outils existants.
2. Rédigez la politique en une page : outils validés, règles sur les données, relecture humaine, vérification des allégations et transparence.
3. Choisissez une tâche fréquente, bien définie et peu risquée, et mesurez sa situation de départ.
4. Menez un pilote avec un groupe témoin et des règles écrites de succès et d'arrêt.
5. Relisez chaque production pour les erreurs, les biais et la conformité à la marque, et consignez ce que vous trouvez.
6. Vérifiez les obligations de transparence dans chaque marché servi, à commencer par les règles européennes de l'article 50 sur les hypertrucages et les agents conversationnels.

• Les preuves : Noy et Zhang dans Science¹, Brynjolfsson, Li et Raymond² avec la revue du BLS³, et Dell'Acqua et ses coauteurs sur la frontière en dents de scie⁴.
• Adoption et maturité : l'enquête 2025 de Gartner auprès des responsables martech⁵.
• Risques et gouvernance : le profil IA générative du NIST⁶.
• Les règles : la FAQ de la Commission sur l'article 50⁷ et le code de bonnes pratiques⁸, la règle de la FTC sur les faux avis⁹ et sa décision Rytr¹⁰.
• À lire aussi : construire sa pile martech, opérations marketing et gouvernance, le modèle de brief créatif et l'introduction au contenu.