Depuis quelques mois, la publicité automatisée franchit un cap: les assistants conversationnels ne se contentent plus d’afficher des indicateurs, ils traduisent des questions en actions. L’arrivée d’un agent IA chez Amazon Ads et le test en bêta de Google Advisor illustrent une inflexion nette: l’intelligence artificielle se positionne désormais au cœur du pilotage quotidien des campagnes marketing. Pour des équipes déjà submergées par la Analyse de données, la promesse est séduisante: gagner du temps, réduire les erreurs, et accélérer l’Optimisation des campagnes sans multiplier les tableaux de bord.
Mais jusqu’où cette gestion autonome peut-elle aller, dans un secteur où chaque plateforme dispose de ses règles, de ses métriques et de ses intérêts économiques? Les acteurs du marché observent que l’automatisation progresse surtout sur l’exécution, tandis que la stratégie — arbitrer entre canaux, mesurer l’impact réel sur les ventes et la marge — reste un angle mort. En toile de fond, un changement de métier se dessine pour les annonceurs et les agences: la valeur se déplace vers l’orchestration cross-canal, la création et la mesure, là où les agents intégrés aux plateformes peinent encore à sortir d’une logique « en silo ».
Amazon Ads Agent et Google Advisor accélèrent l’automatisation marketing des campagnes
L’agent conversationnel d’Amazon Ads s’inscrit dans une tendance: interroger ses performances en langage naturel, plutôt que naviguer entre menus et reportings. Connecté à Amazon Marketing Cloud et à Amazon DSP, l’outil vise des usages très opérationnels, comme repérer des segments performants, ajuster le rythme de diffusion sur un grand nombre de campagnes, ou produire des requêtes complexes pour exploiter les données disponibles. En pratique, un e-commerçant peut demander de faire remonter les audiences qui surperforment sur une catégorie, puis transformer cette lecture en recommandations de Ciblage publicitaire et en modifications de structure.
Du côté de Google, Google Advisor, testé en bêta et conçu autour de Gemini, se présente comme un conseiller intégré à Google Ads. L’objectif affiché est de relier les variations de performance à des causes identifiables: changements d’enchères, saisonnalité, pression concurrentielle, ou encore évolutions de paramètres et de politiques. Cette couche explicative, qui dépasse le simple signalement d’une baisse de conversions, s’appuie sur des briques de Machine learning et de génération de texte pour formuler un diagnostic compréhensible et proposer des actions correctrices.
Du reporting à l’action: pourquoi l’IA conversationnelle change la routine des équipes
La différence avec les dashboards traditionnels tient à la capacité à transformer une question métier en séquence d’exécution. Plutôt que d’ouvrir plusieurs vues pour vérifier une hypothèse, l’utilisateur peut demander ce qui a bougé, sur quelle période et sur quels segments, puis enchaîner sur un ajustement. Cette logique rapproche la Personnalisation et l’optimisation du quotidien, parce qu’elle réduit le coût — en temps et en expertise — des itérations.
Dans un contexte où Amazon, Google et Meta concentrent une large part de l’attention et des budgets, l’argument est aussi organisationnel: moins de manipulations, plus de cohérence dans les ajustements, et une documentation automatique des décisions. Le mouvement est clair: l’Automatisation marketing avance par couches, en commençant par la mécanique.
Gestion autonome: les limites quand chaque agent reste enfermé dans sa plateforme
La principale limite observée tient à la portée. Un agent d’Amazon optimise Amazon, un agent de Google affine Google, mais aucun ne répond, à lui seul, à la question la plus stratégique pour un annonceur: comment répartir un budget entre plusieurs canaux pour maximiser la rentabilité globale? Cette contrainte n’est pas seulement technique; elle vient aussi de la fragmentation des données et des modèles d’attribution propres à chaque environnement.
Dans les faits, une hausse de performance sur un levier peut masquer une cannibalisation ailleurs. Un annonceur peut améliorer son ROAS sur Search tout en dégradant ses ventes sur une marketplace, ou déplacer des conversions déjà acquises via un autre canal. Sans vision unifiée, l’Analyse de données devient un puzzle: chaque plateforme raconte une partie de l’histoire, avec ses propres définitions et fenêtres de conversion. La promesse de gestion autonome se heurte alors à un problème simple: optimiser une partie ne garantit pas d’optimiser le tout.
Un enjeu structurel: l’optimisation locale ne garantit pas la rentabilité globale
Cette tension est renforcée par l’économie des plateformes publicitaires, dont le modèle repose sur l’investissement publicitaire. Dans ce cadre, un agent intégré peut naturellement pousser des recommandations qui augmentent la pression d’enchères ou étendent les audiences sur son périmètre, sans arbitrer l’intérêt d’un transfert budgétaire vers un autre canal. L’écart d’objectifs apparaît ici comme un fait structurant du marché.
Le constat est aussi partagé côté agences. Ted Iobst, président de l’agence Stellar, résume l’évolution: « Les plateformes automatisent désormais les tâches opérationnelles à faible valeur ajoutée […]. Les agences ne peuvent plus se différencier uniquement par leur efficacité opérationnelle. Les gagnants seront les entreprises qui remontent l’entonnoir — vers la stratégie, l’intelligence créative, l’orchestration cross-canal et la mesure véritable. » Pour le secteur, l’enjeu se déplace: moins d’exécution, plus d’arbitrage et de preuve.
Orchestration cross-canal: vers une IA pilotée par les ventes réelles et la mesure
Face à ces limites, plusieurs acteurs de l’adtech défendent une approche indépendante, centrée sur la performance globale plutôt que sur celle d’un seul levier. La société SteerFox explique développer un agent IA orienté cross-canal, avec un principe: s’appuyer sur des données de ventes et de transactions, plutôt que sur des signaux uniquement publicitaires. L’entreprise précise que cet agent est encore en développement et n’est pas disponible à grande échelle à ce stade.
Dans la réalité d’un e-commerçant, le besoin ressemble souvent à une enquête: une campagne Google Shopping peut doper un produit déjà fort, mais réduire la marge globale si elle déplace des ventes organiques ou si elle entraîne une pression sur les stocks. Une hausse de budget social peut générer des conversions, mais concentrées sur des références à faible marge, invisibles dans une lecture strictement publicitaire. Ce sont ces effets de vases communicants, entre canaux et entre catégories, qui rendent l’Optimisation des campagnes plus complexe que la seule amélioration d’un indicateur local.
Quand l’IA libère du temps, la stratégie redevient le vrai terrain de différenciation
L’intérêt de ces agents, qu’ils soient intégrés aux plateformes ou construits par des tiers, tient à leur capacité à absorber la complexité opérationnelle. À mesure que l’automatisation progresse, le rôle des équipes évolue: définir les objectifs, cadrer la mesure, valider la cohérence économique et préserver la qualité créative. Une question s’impose alors: si la machine exécute, qui garantit que la trajectoire sert la rentabilité et la marque?
La frontière se dessine: les agents conversationnels rendent l’exécution plus rapide et plus accessible, mais la performance durable dépend toujours d’une lecture transverse, d’une mesure robuste et d’un arbitrage éclairé. Autrement dit, la publicité automatisée avance vite, mais la bataille se joue encore sur la stratégie.
