Stratégie marketing : comment combiner intelligence humaine et intelligence artificielle
Les outils d’intelligence artificielle peuvent aujourd’hui produire des textes, analyser des campagnes, suggérer des ajustements budgétaires et repérer des tendances qu’une personne aurait difficilement trouvées à la main. Ils peuvent le faire rapidement et, dans certains cas, avec une précision impressionnante.
Cela ne veut pas dire qu’ils prennent nécessairement de bonnes décisions marketing.
Dans Google Ads, par exemple, une stratégie d’enchères peut atteindre l’objectif qui lui a été confié tout en générant des résultats décevants pour l’entreprise. Le nombre de formulaires augmente, le coût par conversion diminue et, pourtant, l’équipe commerciale reçoit surtout des demandes peu qualifiées.
Rien n’indique forcément un dysfonctionnement de l’algorithme. Il travaille avec les signaux disponibles.
Le problème se trouve souvent en amont : dans la définition de la conversion, dans la valeur qu’on lui attribue ou dans l’absence de données sur ce que deviennent réellement les prospects.
Je constate que les discussions sur l’IA en marketing s’arrêtent souvent trop tôt. Elles expliquent ce que les outils peuvent automatiser, puis rappellent que l’humain demeure important pour la créativité, l’empathie et la stratégie.
Ce n’est pas faux. C’est simplement trop général pour aider un dirigeant ou un gestionnaire marketing à décider ce qu’il peut réellement déléguer.
La question qui m’intéresse davantage est la suivante :
Dans quelles conditions une intelligence artificielle devrait-elle observer, recommander ou agir sans validation préalable?
Pour y répondre, je regarde surtout quatre choses : l’objectif confié à l’outil, les informations dont il dispose, les conséquences possibles d’une erreur et la personne qui devra expliquer la décision.
Automatiser une tâche n’est pas la même chose que déléguer une décision
Certaines tâches se prêtent très bien à l’automatisation. Elles sont répétitives, mesurables et encadrées par des règles relativement stables.
Classer des termes de recherche, détecter une hausse inhabituelle du coût par clic ou regrouper des conversions par source ne demande pas nécessairement une longue réflexion stratégique chaque fois que l’opération est effectuée.
Une décision marketing est souvent plus ambiguë.
Faut-il augmenter le budget d’une campagne qui génère plus de prospects, même si leur qualité semble diminuer? Faut-il élargir le ciblage pour soutenir la croissance, au risque de diluer le positionnement? Une publicité qui attire beaucoup l’attention mérite-t-elle davantage d’investissement si son message crée de mauvaises attentes?
Ces questions ne possèdent pas toujours une réponse parfaitement mesurable.
L’IA peut contribuer à les analyser. Elle peut produire des scénarios, comparer des résultats et révéler des tendances. Mais elle ne connaît pas automatiquement les priorités internes, la capacité opérationnelle de l’entreprise ou les compromis que le dirigeant est prêt à accepter.
Il faut aussi se rappeler qu’un système automatisé n’est jamais complètement neutre. Il poursuit un objectif choisi par quelqu’un, à partir de données sélectionnées par quelqu’un, dans un environnement technique qui possède ses propres limites.
Même lorsqu’une décision semble être prise par la machine, une série de décisions humaines ont déjà eu lieu avant.
L’IA est particulièrement forte lorsqu’il faut traiter beaucoup de signaux
Je n’ai aucune nostalgie pour l’époque où chaque enchère publicitaire devait être ajustée manuellement. Dans plusieurs contextes, les systèmes automatisés font un meilleur travail que l’humain.
Ils peuvent examiner simultanément une quantité considérable de signaux : appareil utilisé, moment de la journée, localisation, historique de recherche, type d’audience, probabilité de conversion et bien d’autres éléments.
Une personne ne pourrait pas recalculer efficacement chaque enchère pour chaque impression. Elle finirait par utiliser des règles beaucoup plus simples, parfois avec plusieurs heures de retard sur ce qui se passe réellement.
L’IA est également utile pour repérer des changements dans de grands ensembles de données. Une baisse progressive du taux de conversion, une hausse inhabituelle dans une région ou un écart entre deux segments peuvent être détectés plus rapidement.
Le système peut toutefois signaler qu’un changement existe sans être capable d’en déterminer la cause réelle.
Une campagne peut perdre en efficacité parce qu’un concurrent a modifié son offre. Elle peut aussi être affectée par un problème sur le site, une mauvaise configuration du suivi, une variation saisonnière ou un changement dans la qualité des recherches.
Le même symptôme peut avoir plusieurs explications.
C’est généralement là que le travail devient intéressant.
Le premier problème est souvent l’objectif
Une intelligence artificielle ne décide pas spontanément de ce qui possède de la valeur pour l’entreprise. Elle optimise ce qui lui est présenté comme important.
Dans une campagne de génération de prospects, une soumission de formulaire peut être considérée comme une conversion. Sur le plan du suivi, c’est logique. Mais cette conversion peut représenter plusieurs réalités :
- une demande provenant d’un client potentiel sérieux;
- une sollicitation commerciale;
- une candidature;
- une personne située hors du territoire desservi;
- un prospect à la recherche d’un service que l’entreprise n’offre pas;
- un formulaire automatisé ou indésirable.
La plateforme voit une action enregistrée. L’entreprise voit parfois une heure perdue.
Le problème devient plus visible lorsque l’algorithme commence à apprendre. S’il reçoit davantage de signaux provenant de conversions faciles à générer, il peut chercher d’autres personnes présentant des caractéristiques similaires.
La campagne semble alors progresser. Le coût par conversion diminue. Le volume augmente. Les équipes commerciales, de leur côté, ne constatent aucune amélioration.
J’ai rarement vu une organisation manquer complètement d’indicateurs. J’en ai vu plusieurs manquer d’une définition commune de ce qu’est une bonne conversion.
Avant de confier davantage d’autonomie à une plateforme, il faut donc clarifier ce qu’elle doit chercher à produire.
Cela peut impliquer de distinguer plusieurs types de conversions, de transmettre des données hors ligne, d’attribuer des valeurs différentes aux résultats ou d’exclure certains événements de l’optimisation.
Ces ajustements sont moins spectaculaires qu’une nouvelle fonctionnalité d’IA. Ils ont souvent plus d’impact.
L’outil ne possède pas tout le contexte de l’entreprise
Les plateformes publicitaires connaissent très bien ce qui se passe dans leur propre environnement.
Elles savent qu’une personne a vu une annonce, qu’elle a cliqué, qu’elle est revenue sur le site et qu’elle a rempli un formulaire. Selon la configuration utilisée, elles peuvent aussi connaître la valeur d’une vente ou le statut ultérieur d’un prospect.
Elles ignorent toutefois une partie importante de la réalité.
La campagne peut générer des demandes pendant une période où l’équipe n’a plus la capacité de répondre rapidement. Le produit le plus vendu peut être celui qui offre la marge la plus faible. Une entreprise peut chercher à réduire sa dépendance envers un type précis de clientèle, même si ce segment demeure rentable à court terme.
Ces informations existent parfois dans un CRM, un logiciel comptable ou simplement dans la tête du propriétaire. Elles ne sont pas toujours accessibles au système qui prend les décisions publicitaires.
Une recommandation automatisée peut donc être parfaitement cohérente avec les données disponibles et tout de même être mal adaptée à la situation.
Cela arrive aussi dans des contextes beaucoup plus simples.
Une plateforme observe qu’un budget est limité et recommande de l’augmenter. Techniquement, la recommandation se tient : la campagne pourrait probablement obtenir davantage de conversions.
Mais l’entreprise n’a peut-être aucun intérêt à recevoir davantage de demandes cette semaine.
Une décision n’est jamais meilleure que le contexte sur lequel elle repose.
Ce que je confie facilement à l’automatisation
Je ne pense pas que chaque action automatisée doive être soumise à une longue validation humaine. Ce serait irréaliste et, dans plusieurs cas, contre-productif.
Certaines tâches peuvent être largement automatisées lorsque leurs conséquences sont limitées et faciles à vérifier.
Par exemple :
- consolider des données provenant de plusieurs sources;
- produire une première version d’un rapport;
- détecter une variation inhabituelle;
- regrouper des termes de recherche;
- identifier des annonces ou des pages dont la performance se détériore;
- générer des variantes qui seront révisées avant publication.
Dans ces situations, l’IA réduit le temps consacré à la préparation. Elle permet au spécialiste de se concentrer plus rapidement sur l’interprétation.
Je suis plus prudent lorsqu’une action touche directement le budget, la qualité des prospects, la promesse publicitaire ou l’expérience du client.
La différence ne vient pas uniquement de la complexité de la tâche. Elle vient surtout des conséquences possibles si le système se trompe.
Le coût d’une erreur devrait influencer le niveau d’autonomie
Une erreur dans un résumé interne peut être corrigée en quelques minutes.
Une hausse automatique de budget peut coûter plusieurs milliers de dollars avant d’être remarquée. Une publicité maladroite peut circuler assez longtemps pour nuire à la crédibilité d’une organisation. Une mauvaise classification peut exclure des requêtes importantes pendant plusieurs semaines.
Le degré de supervision devrait varier selon le risque.
| Niveau d’autonomie | Ce que fait l’IA | Intervention humaine | Exemple |
|---|---|---|---|
| Assistance | Organise ou prépare l’information | L’humain analyse et décide | Résumer un rapport de performance |
| Recommandation | Propose une action | Validation avant exécution | Suggérer un déplacement de budget |
| Exécution encadrée | Agit dans des limites définies | Surveillance régulière | Ajuster des enchères avec des seuils |
| Automatisation étendue | Exécute sans validation individuelle | Audit périodique | Classifier des données à faible risque |
Cette grille n’a rien d’absolu.
Une modification de budget de 20 % peut être banale pour une grande entreprise et préoccupante pour une petite organisation. Le niveau de risque dépend du montant, mais aussi de la vitesse à laquelle l’équipe peut détecter et corriger le problème.
Il dépend également de la qualité des données. Une automatisation peut fonctionner correctement pendant plusieurs mois, puis devenir moins fiable après une modification du site, du suivi ou de l’offre.
Le fait qu’un système ait bien fonctionné hier ne constitue pas une garantie pour demain.
Google Ads : l’automatisation déplace le travail humain
Dans Google Ads, l’IA est déjà présente dans les enchères, le ciblage, la création publicitaire et l’attribution.
Chercher à tout contrôler manuellement n’est pas toujours souhaitable. Ce serait même parfois une mauvaise utilisation du temps.
Le rôle du spécialiste consiste de moins en moins à décider combien offrir pour chaque clic. Il consiste davantage à préparer le système pour que ses décisions aient une valeur réelle.
Cela demande notamment de choisir les bonnes conversions, de contrôler la qualité du suivi, de comprendre ce qui est transmis à la plateforme et de comparer les résultats publicitaires avec les données commerciales.
Je porte une attention particulière aux campagnes dont les indicateurs semblent s’améliorer sans que personne soit capable d’expliquer ce qui arrive aux prospects après leur conversion.
Une baisse du coût par acquisition peut être positive. Elle peut aussi signaler que la campagne a trouvé une nouvelle façon de générer des conversions moins coûteuses et moins intéressantes.
Il faut aller voir.
Cela peut vouloir dire écouter des appels, examiner les demandes, discuter avec l’équipe de vente ou analyser les données du CRM. Ces tâches sont moins automatisables, mais elles répondent à la question qui compte vraiment : la campagne contribue-t-elle aux résultats de l’entreprise?
L’interface publicitaire n’est qu’une partie de la réponse.
Meta Ads : une action mesurée ne dit pas tout sur le message
Sur Meta, l’automatisation peut trouver rapidement des personnes susceptibles de cliquer, de regarder une vidéo ou de remplir un formulaire.
Cette capacité est utile. Elle ne permet pas toujours de comprendre pourquoi les gens réagissent.
Une publicité peut obtenir beaucoup d’attention parce qu’elle est claire et pertinente. Elle peut aussi attirer l’attention parce qu’elle exagère, provoque ou crée une attente que l’entreprise ne pourra pas satisfaire.
La plateforme observe le comportement. Elle ne mesure pas parfaitement la confiance, la perception de la marque ou la qualité de la relation qui commence.
Les commentaires sous une publicité sont parfois révélateurs. Le taux de clic semble bon, mais les réactions montrent que le message est mal compris. Le formulaire génère beaucoup de demandes, mais les prospects s’attendent à un prix ou à un service complètement différent.
Dans ce cas, augmenter le budget peut amplifier le mauvais problème.
L’intervention humaine consiste notamment à regarder ce que les statistiques résument mal : la nature des réactions, les questions posées, la qualité des conversations et la cohérence entre la publicité et ce qui se passe après le clic.
GA4 et GTM : la précision technique peut donner une fausse impression de compréhension
GA4 et Google Tag Manager permettent de mesurer presque tout ce qui se passe sur un site.
Un clic sur un bouton, une profondeur de défilement, un téléchargement, une lecture vidéo ou une soumission de formulaire peuvent devenir des événements dans un rapport.
Le fait de pouvoir mesurer une action ne signifie pas nécessairement qu’elle mérite de devenir un indicateur de performance.
Un utilisateur peut faire défiler une page jusqu’à 90 % sans avoir réellement lu le contenu. Un clic sur un numéro de téléphone ne signifie pas que l’appel a eu lieu. Une visite de la page de confirmation ne représente pas toujours une demande valide.
Le suivi peut être techniquement parfait et stratégiquement peu utile.
Je vois parfois des tableaux de bord très détaillés qui donnent l’impression que le parcours client est parfaitement compris. Pourtant, personne ne sait quelles demandes deviennent des ventes, quels clients restent rentables ou pourquoi certaines campagnes attirent de meilleurs dossiers.
Le problème n’est pas un manque de données. Il se trouve dans le lien entre la mesure et la décision.
L’IA peut aider à résumer les résultats ou à repérer des variations. Elle ne peut pas décider seule quels comportements représentent une progression réelle dans le parcours client.
Création de contenu : l’IA rend la production plus facile, pas nécessairement la réflexion
L’intelligence artificielle générative peut être très utile pour préparer un plan, explorer des angles, résumer une documentation ou produire une première version.
Elle réduit la friction devant la page blanche.
Elle peut aussi produire des textes qui semblent corrects sans apporter grand-chose. Les phrases sont fluides, les idées sont raisonnables et la structure est impeccable. Mais le lecteur a déjà lu la même chose ailleurs.
C’est probablement l’un des risques les plus discrets de l’IA : augmenter la quantité de contenu moyen.
Pour éviter cela, la révision ne devrait pas se limiter à corriger les erreurs ou à améliorer le style. Il faut se demander ce que l’auteur apporte réellement au sujet.
Une observation de terrain, une contradiction, une limite ou une position assumée ont souvent plus de valeur que trois paragraphes parfaitement rédigés.
Le « je » n’est pas obligatoire partout. Mais l’article doit laisser apparaître une personne qui a rencontré le problème, qui a dû faire des choix et qui accepte de ne pas tout simplifier.
Dans le cas présent, je ne crois pas que la bonne question soit de savoir si l’IA peut rédiger une stratégie marketing. Elle peut certainement aider à en produire une version plausible.
La question est plutôt de savoir qui vérifiera si cette stratégie correspond à l’entreprise, à son marché et à ses contraintes réelles.
Qui peut expliquer la décision?
Lorsqu’une recommandation automatisée touche peu de choses, une explication détaillée n’est pas toujours nécessaire.
Mais lorsqu’une décision affecte un budget important, la qualité des prospects ou la réputation d’une marque, quelqu’un devrait être capable d’expliquer ce qui s’est passé.
Cette explication n’a pas besoin de reproduire chaque calcul du modèle. Elle devrait au moins répondre à quelques questions simples :
- Quel objectif était poursuivi?
- Quelles données ont été utilisées?
- Quelles limites avaient été définies?
- Comment la décision sera-t-elle évaluée?
- Qui peut interrompre le processus?
Lorsque personne ne connaît les réponses, la supervision repose surtout sur l’espoir que l’outil continuera à bien fonctionner.
Ce n’est pas très solide.
La responsabilité humaine ne signifie pas qu’une personne doit approuver chaque microdécision. Elle signifie qu’une personne comprend suffisamment le système pour reconnaître un résultat incohérent, demander une explication et intervenir lorsque c’est nécessaire.
Les signes qu’une entreprise délègue peut-être trop
Une automatisation excessive ne se manifeste pas toujours par une catastrophe évidente. Elle apparaît parfois graduellement.
Les indicateurs continuent de bouger, mais personne ne sait vraiment pourquoi. Les recommandations des plateformes sont appliquées presque automatiquement. Les rapports deviennent plus détaillés alors que la compréhension commerciale demeure floue.
Il peut aussi y avoir un décalage entre les départements. Le marketing célèbre une baisse du coût par conversion pendant que les ventes se plaignent de la qualité des demandes. La plateforme atteint ses objectifs, mais les personnes qui parlent aux prospects ont une tout autre lecture de la situation.
Un autre signe est l’absence de limites claires.
Qui surveille les budgets? Quels changements exigent une validation? À partir de quel écart faut-il intervenir? Est-ce qu’une personne reçoit une alerte lorsque le volume de conversions augmente soudainement?
Sans règles concrètes, la supervision devient une idée rassurante plutôt qu’un mécanisme réel.
Construire une collaboration utile entre l’humain et l’IA
Je ne crois pas qu’il soit nécessaire de tracer une frontière rigide entre le travail humain et celui de l’intelligence artificielle.
Cette frontière change selon la maturité de l’entreprise, la qualité des données, les outils disponibles et les conséquences d’une erreur.
Une petite organisation qui possède peu de données et aucun CRM ne devrait pas confier le même niveau d’autonomie qu’une entreprise capable de retourner rapidement la valeur de chaque vente à ses plateformes publicitaires.
La collaboration peut aussi évoluer.
Au départ, l’IA peut simplement préparer l’information et produire des recommandations. Lorsque les données deviennent plus fiables et que l’équipe comprend mieux le système, certaines actions peuvent être automatisées dans des limites précises.
Il faut cependant continuer à vérifier que l’objectif demeure pertinent.
Une campagne peut poursuivre efficacement pendant des mois une définition du succès qui ne correspond plus aux priorités de l’entreprise. L’offre a changé, les marges ont diminué ou la capacité opérationnelle s’est déplacée vers un autre service.
L’automatisation ne remarquera pas toujours ces changements d’elle-même.
Une méthode simple pour évaluer un cas d’usage
Lorsqu’une entreprise envisage d’utiliser l’IA pour une nouvelle tâche marketing, je commencerais par les questions suivantes :
Quel résultat l’outil doit-il produire?
Il faut éviter les objectifs vagues comme « améliorer la performance ». Quelle performance, selon quel indicateur et avec quelles limites?
Quelles informations importantes lui manquent?
L’outil connaît-il la valeur réelle des prospects, les contraintes de capacité, les marges et les résultats hors ligne?
Que se passe-t-il s’il se trompe?
L’erreur sera-t-elle visible et facile à corriger? Peut-elle affecter un budget, un client ou la réputation de l’entreprise?
Qui regardera le résultat?
Une personne précise doit être responsable de la surveillance, même lorsque l’action est automatisée.
Ces questions ne rendent pas l’utilisation de l’IA plus compliquée. Elles évitent surtout d’automatiser trop rapidement une décision que l’entreprise ne comprend pas encore très bien.
L’objectif n’est pas de conserver toutes les décisions entre des mains humaines
Une organisation qui refuse toute automatisation risque de perdre du temps sur des tâches que la technologie peut accomplir plus rapidement et avec moins d’erreurs.
À l’inverse, une organisation qui délègue trop rapidement peut obtenir une machine très efficace pour produire des résultats mal définis.
Il faut accepter que le partage des responsabilités ne soit pas toujours propre.
L’IA peut analyser, recommander et agir. L’humain peut aussi se tromper, mal interpréter les données ou résister inutilement à une recommandation pertinente.
La supervision humaine n’est pas une garantie de qualité. Elle permet toutefois de réintroduire du contexte, de remettre l’objectif en question et d’assumer la décision.
C’est déjà beaucoup.
Une stratégie marketing appuyée par l’IA devient réellement intéressante lorsque la technologie aide à mieux observer et à mieux exécuter, sans faire disparaître la capacité de comprendre ce qui est poursuivi.
Le défi n’est pas de trouver un équilibre parfait entre l’humain et la machine. Cet équilibre n’existe probablement pas.
Il faut plutôt savoir quelles décisions peuvent avancer seules, lesquelles méritent une vérification et lesquelles devraient rester sous responsabilité humaine.
Cette réponse changera selon le contexte. Elle devra aussi être revue régulièrement.
C’est moins spectaculaire qu’une promesse d’automatisation complète. C’est généralement plus utile.
Besoin de clarifier la place de l’IA dans ta stratégie marketing?
Foire aux questions
Elle peut analyser des données, proposer des scénarios et produire une première structure. Elle ne connaît toutefois pas automatiquement les priorités de l’entreprise, ses contraintes ou les compromis acceptables. Une personne doit donc évaluer et assumer la stratégie proposée.
Les tâches répétitives, réversibles et faciles à vérifier sont généralement de bonnes candidates : consolidation de données, détection d’anomalies, classification, production de rapports préliminaires ou génération de variantes. Les décisions qui affectent fortement le budget, la réputation ou la relation client demandent davantage de supervision.
L’IA peut gérer les enchères et analyser un grand nombre de signaux. Le spécialiste doit s’assurer que les conversions utilisées représentent une valeur commerciale réelle, vérifier la qualité des prospects et comparer les résultats de la plateforme avec les données de vente.
Parce que l’algorithme optimise les signaux qu’il reçoit. Si toutes les soumissions de formulaire sont considérées comme équivalentes, il peut apprendre à générer davantage de formulaires faciles à obtenir, même si ces demandes ont peu de valeur pour l’entreprise.
Oui, lorsqu’elle encourage des messages uniformes, une personnalisation intrusive ou une attention excessive aux comportements mesurables. Elle peut aussi libérer du temps pour mieux comprendre les clients lorsque les tâches répétitives sont automatisées intelligemment.
La durée dépend du budget, du volume de trafic et de la fréquence des conversions.
Une campagne doit généralement accumuler suffisamment de clics et de conversions pour distinguer une tendance d’une simple variation aléatoire. Une entreprise dont le cycle de vente dure plusieurs semaines doit également attendre les résultats commerciaux réels avant de conclure.
