Brand safety et IA : détecter les risques sans surbloquer
Le nouvel enjeu n’est plus seulement d’éviter les contenus toxiques, mais de préserver l’efficacité média
La brand safety, ensemble des pratiques visant à empêcher qu’une publicité apparaisse dans un contexte susceptible de nuire à la marque, est entrée dans une phase plus complexe. Pendant des années, le sujet a été traité comme une question de blocage : exclure des mots-clés, éviter certaines catégories de sites, acheter des inventaires premium et réduire l’exposition aux environnements jugés risqués. Cette approche a permis de limiter certains incidents visibles, mais elle montre ses limites dans un web où les contenus sont plus fragmentés, plus multimodaux, plus conversationnels et de plus en plus produits ou modifiés par IA.
Le problème stratégique est désormais double. D’un côté, les marques doivent détecter plus vite des risques plus subtils : désinformation, discours polarisants, violence implicite, deepfakes, contenus générés automatiquement, commentaires toxiques, pages de faible qualité, made for advertising, c’est-à-dire sites construits principalement pour capter des impressions publicitaires plutôt que pour informer une audience. De l’autre, elles doivent éviter le surblocage, qui consiste à exclure trop largement des contenus pourtant sûrs ou pertinents. Ce surblocage dégrade le reach, c’est-à-dire la couverture d’audience, augmente les CPM, cost per mille, coût pour mille impressions publicitaires, limite l’accès à des contextes éditoriaux de qualité et peut réduire la performance sans améliorer réellement la sécurité.
L’IA change l’équation parce qu’elle permet de passer d’une logique de mots interdits à une lecture plus contextuelle. Les modèles de traitement du langage naturel, de vision par ordinateur et de classification multimodale peuvent analyser le sens d’un article, la tonalité d’une vidéo, la présence d’images sensibles, la structure d’une page ou la cohérence entre titre, contenu et métadonnées. Mais l’IA ne supprime pas l’arbitrage. Elle déplace la difficulté vers la gouvernance des seuils, la qualité des jeux d’entraînement, l’explicabilité des décisions, la mesure des faux positifs et la compatibilité avec les objectifs média.
Pour les professionnels du marketing, le sujet n’est donc pas de savoir s’il faut utiliser l’IA en brand safety. C’est déjà le cas dans la plupart des solutions de vérification, de pre-bid targeting, de contextual intelligence et de mesure post-bid. La vraie question est : comment détecter les risques avec suffisamment de précision sans priver la marque d’environnements utiles à la notoriété, à la considération et à la conversion ?
Comprendre la différence entre brand safety, brand suitability et performance média
La première erreur consiste à confondre brand safety et brand suitability. La brand safety vise à éviter les environnements objectivement dangereux ou inacceptables pour la majorité des marques : contenus illégaux, pornographie, incitation à la haine, terrorisme, violence extrême, fraude publicitaire, désinformation manifeste. La brand suitability, ou adéquation de marque, désigne un niveau plus fin : un contenu peut être sûr au sens strict, mais peu adapté à une marque donnée, à son secteur, à sa sensibilité réglementaire ou à sa stratégie de communication.
Cette distinction est essentielle. Une marque d’assurance peut vouloir éviter certains contenus liés aux catastrophes naturelles lorsqu’elle communique sur la sérénité familiale. Une marque média ou ONG peut au contraire considérer ces contextes comme légitimes si son message est informatif. Un acteur du divertissement peut accepter des environnements plus ironiques ou polarisants qu’une banque privée. Le risque n’est donc pas seulement dans le contenu ; il se situe dans la relation entre contenu, message, audience, moment et promesse de marque.
Les frameworks de marché ont progressivement intégré cette nuance. Le GARM Brand Safety Floor and Suitability Framework, largement utilisé comme référence par les annonceurs, agences et plateformes, distingue des niveaux de risque par catégories : violence, langage adulte, actualité sensible, contenu politique, alcool, drogues, armes, tragédies, etc. L’IAB Tech Lab Content Taxonomy propose également une classification standardisée des contenus pour améliorer l’activation contextuelle et la mesure. Ces référentiels sont utiles, mais ils ne remplacent pas une politique de marque explicite. Ils fournissent une grammaire commune ; ils ne décident pas seuls de l’appétence au risque.
La performance média complique encore l’arbitrage. Un ciblage trop restrictif peut améliorer artificiellement le taux de conformité, mais réduire la taille d’audience disponible, faire monter les prix d’enchère et concentrer l’achat sur quelques environnements sursollicités. Dans les campagnes programmatiques, c’est-à-dire l’achat automatisé d’espaces publicitaires à partir de données, d’enchères et de règles de diffusion, cette contrainte peut être coûteuse. Une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée, doit souvent arbitrer en temps réel entre qualité de contexte, prix, visibilité, probabilité de conversion et disponibilité d’inventaire.
Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, ajoute une contrainte opérationnelle : la décision doit être prise en quelques millisecondes, avec des signaux parfois incomplets. Les solutions de brand safety pre-bid filtrent l’inventaire avant l’achat ; les contrôles post-bid vérifient après diffusion. Les deux sont nécessaires. Le pre-bid limite l’exposition au risque, mais peut surbloquer. Le post-bid documente la réalité, mais intervient après l’impression. Une stratégie mature combine les deux et ajuste régulièrement ses règles à partir des écarts observés.
Pourquoi les listes de mots-clés surbloquent et sous-détectent en même temps
La keyword exclusion, exclusion de contenus à partir de mots-clés, reste l’un des outils les plus utilisés en brand safety. Elle est simple à comprendre, facile à déployer et rassurante pour des équipes non techniques. Mais elle produit deux erreurs symétriques : elle bloque des contenus sûrs et elle laisse passer des contenus risqués.
Le surblocage vient du manque de contexte. Le mot crise peut apparaître dans un article économique de grande qualité, une analyse sur la gestion de crise, une tribune sur la résilience des marques ou un contenu institutionnel sans danger. Le mot cancer peut être présent dans une campagne de prévention, une innovation médicale ou un témoignage éditorial sérieux. Le mot guerre peut figurer dans une analyse géopolitique premium. Bloquer ces mots indistinctement prive les marques d’environnements éditoriaux crédibles, souvent à forte attention, et peut pénaliser indirectement le financement de l’information.
La sous-détection est tout aussi problématique. Les contenus dangereux n’utilisent pas toujours les mots évidents. Les discours haineux peuvent employer des codes, de l’ironie, des images, des euphémismes ou des références communautaires. La désinformation peut se présenter sous une forme pseudo-scientifique, sans vocabulaire explicitement interdit. Les deepfakes et contenus synthétiques peuvent contourner les règles textuelles si l’analyse ne couvre pas l’image, l’audio et la cohérence de la source. Une liste de mots-clés ne comprend ni l’intention ni le sous-texte.
Les chiffres disponibles montrent que la brand safety n’est pas un problème marginal, mais qu’elle doit être traitée avec précision. Les rapports de qualité média publiés par Integral Ad Science ou DoubleVerify indiquent généralement des taux d’incidents de brand safety en environnement optimisé situés à des niveaux faibles, souvent autour de quelques points ou moins selon les marchés, formats et canaux. Mais ces moyennes masquent de fortes variations : vidéo sociale, user-generated content, inventaires ouverts, actualité chaude et contenus de longue traîne présentent des profils de risque très différents. Un taux global de 1 % peut sembler faible ; sur une campagne de 100 millions d’impressions, il représente tout de même un million d’expositions potentiellement problématiques.
Le coût du surblocage est plus rarement mesuré. Pourtant, il peut être significatif. Une marque qui exclut des centaines de termes liés à l’actualité peut perdre l’accès à une part importante d’inventaire premium. Cette rareté augmente les CPM, réduit la diversité contextuelle et peut dégrader la couverture sur certaines audiences. Dans un funnel, parcours allant de l’exposition à la considération puis à la conversion et à la fidélisation, cela affecte surtout le haut et le milieu de funnel : moins de reach qualifié, moins de répétition utile, moins d’association à des contenus à forte autorité.
La bonne pratique n’est donc pas d’abandonner les listes de mots-clés, mais de les repositionner. Elles doivent servir de garde-fous pour des risques évidents, pas de système principal de décision. Elles doivent être auditées, hiérarchisées, contextualisées et complétées par des modèles sémantiques. Une liste de 30 mots réellement critiques peut être plus utile qu’une liste de 3 000 termes hérités de crises passées et jamais nettoyés.
Ce que l’IA apporte réellement : contexte, multimodalité et scoring probabiliste
L’apport principal de l’IA est de transformer la brand safety en problème de classification contextuelle plutôt qu’en simple filtrage lexical. Les modèles de NLP, natural language processing, ensemble des techniques permettant à une machine d’analyser et de produire du langage, peuvent identifier le thème d’un contenu, sa tonalité, ses entités nommées, son niveau de subjectivité, la présence de propos discriminatoires, l’intensité émotionnelle ou la proximité avec des catégories sensibles. Contrairement aux listes statiques, ils peuvent différencier un article sur la prévention du suicide d’un forum incitant au passage à l’acte, ou une enquête journalistique sur la fraude d’un contenu promouvant une arnaque.
La vision par ordinateur ajoute une couche indispensable pour la vidéo, le social, le display natif et les formats rich media. Elle peut détecter des armes, du sang, de la nudité, des symboles extrémistes, des visages connus, des logos, des scènes d’accident ou des éléments visuels trompeurs. L’analyse audio peut repérer certains propos, intonations ou signaux de contenu sensible. La classification multimodale croise texte, image, son, métadonnées, URL, historique du domaine et signaux de page. C’est particulièrement important sur les plateformes où le texte de description ne reflète pas toujours le contenu réel.
L’IA permet aussi une logique de scoring. Plutôt que de classer un contenu en autorisé ou interdit, un modèle peut attribuer une probabilité de risque par catégorie. Par exemple : faible risque de violence, risque moyen d’actualité sensible, risque élevé de langage adulte. Ce scoring permet d’ajuster les seuils selon la campagne. Une campagne de marque corporate pourra appliquer des seuils stricts. Une campagne de recrutement dans les métiers de la cybersécurité pourra tolérer des contextes parlant d’attaques informatiques, à condition qu’ils soient éditoriaux et non promotionnels. Une campagne d’acquisition orientée CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, pourra accepter certains contextes de moindre prestige si la sécurité minimale est respectée et si l’incrémentalité est prouvée.
Mais l’IA n’est pas neutre. Elle dépend des jeux d’entraînement, des labels, de la langue, des cultures locales et des catégories définies par les fournisseurs. Un modèle entraîné majoritairement sur de l’anglais américain peut mal interpréter l’ironie française, les références politiques locales ou les tournures propres aux communautés en ligne. Un modèle trop sensible aux termes médicaux peut surbloquer des contenus de santé publique. Un modèle insuffisamment sensible aux images détournées peut sous-détecter des symboles ou mèmes à risque.
La maturité consiste donc à ne pas acheter l’IA comme une boîte noire. Les annonceurs doivent demander comment les catégories sont définies, à quelle fréquence les modèles sont mis à jour, quelles langues sont couvertes, quels types de contenus sont analysés, comment les faux positifs sont estimés, comment les décisions peuvent être auditées et quel niveau d’explicabilité est fourni. Une solution qui donne seulement un feu rouge ou vert est moins utile qu’un système capable de montrer les signaux ayant conduit à la décision.
Installer une politique de risque par campagne plutôt qu’un filtre unique pour toute la marque
Une erreur fréquente consiste à appliquer une politique de brand safety uniforme à toutes les campagnes. Cette approche simplifie la gouvernance, mais elle ignore la diversité des objectifs. Une campagne de notoriété TV connectée, une campagne display de retargeting, une activation social vidéo, une campagne B2B sur des médias spécialisés et une campagne retail media n’ont pas les mêmes risques ni les mêmes métriques de succès.
Le bon niveau de pilotage est la matrice risque-objectif. Elle croise quatre dimensions : sensibilité de la marque, objectif de campagne, canal et format, contexte éditorial. Une campagne de lancement produit grand public cherchera souvent une combinaison de reach, visibilité et sécurité élevée. Une campagne de performance pilotée au ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, acceptera davantage d’optimisation algorithmique, mais ne devrait pas sacrifier les seuils minimaux de sécurité. Une campagne d’influence ou social media devra intégrer le risque lié aux commentaires, aux contenus adjacents, à l’historique du créateur et aux réactions de communauté.
Cette matrice peut être traduite en niveaux opérationnels. Niveau 1 : brand safety floor, seuil minimal non négociable, excluant les contenus illégaux, haineux, frauduleux ou extrêmes. Niveau 2 : suitability stricte, pour les campagnes corporate, financières, santé, luxe ou enfance. Niveau 3 : suitability modérée, pour les campagnes de considération acceptant certains contextes d’actualité encadrée. Niveau 4 : contextual opportunity, où la marque cible volontairement certains thèmes sensibles mais pertinents, par exemple cybersécurité, climat, santé mentale ou crise énergétique, avec des contrôles éditoriaux renforcés.
Le pilotage par campagne évite deux écueils. Le premier est le laxisme : laisser les algorithmes d’achat optimiser uniquement le coût et la conversion, au risque d’apparaître dans des contextes indésirables. Le second est l’hyper-protection : bloquer tout contenu d’actualité, toute conversation sociale et toute nuance sémantique, au prix d’un appauvrissement média. L’enjeu est de documenter le risque acceptable, pas de prétendre le supprimer.
Un exemple concret : une banque lance deux campagnes. La première porte sur une offre patrimoniale premium. Elle exclut les contenus liés aux scandales financiers, à la criminalité, aux conflits violents, aux faillites et aux promesses de rendement douteuses. La seconde est une campagne pédagogique sur la prévention des fraudes en ligne. Elle doit précisément apparaître dans des contextes parlant de phishing, d’usurpation d’identité et de cybersécurité. Si la banque utilise la même liste d’exclusion pour les deux, elle empêchera la seconde d’atteindre les audiences les plus pertinentes. La brand suitability mature ne bloque pas mécaniquement le thème du risque ; elle vérifie si le traitement éditorial est compatible avec le message.
Mesurer le surblocage comme un coût média, pas comme un dommage collatéral
La plupart des tableaux de bord brand safety suivent les incidents : impressions bloquées, taux de risque, domaines exclus, catégories sensibles, taux de fraude, visibilité. Ces indicateurs sont nécessaires, mais insuffisants. Une gouvernance avancée doit également mesurer ce que la marque perd en bloquant trop : inventaire disponible, CPM additionnel, reach perdu, fréquence excessive sur les environnements restants, baisse de diversité contextuelle, impact sur la performance.
Le surblocage peut être analysé à travers plusieurs métriques. La première est le block rate, taux d’impressions éligibles refusées par les règles de sécurité ou d’adéquation. Un taux élevé n’est pas forcément mauvais si l’inventaire initial est peu qualifié, mais il doit être expliqué. La deuxième est le false positive rate, taux de contenus bloqués alors qu’ils auraient été acceptables après revue. Cette mesure exige des audits par échantillonnage, idéalement avec revue humaine. La troisième est l’opportunity cost, coût d’opportunité média, qui compare le prix, la couverture et la performance des inventaires bloqués à ceux effectivement achetés.
Une approche pragmatique consiste à créer des cohortes de test. Sur une partie contrôlée du budget, la marque compare plusieurs niveaux de suitability : strict, modéré, contextuel. Elle mesure ensuite les différences de CPM, visibilité, taux de complétion vidéo, engagement, CPA, conversions assistées, search marque et contribution au pipeline selon le cas. L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, doit être interprétée avec prudence : les environnements plus sûrs ou plus premium peuvent contribuer à la confiance sans être crédités au dernier clic. Des tests d’incrémentalité, qui estiment ce qui se serait passé sans exposition publicitaire, sont plus robustes pour arbitrer.
Un cas typique apparaît dans les campagnes d’actualité premium. Une marque exclut tous les contenus mentionnant guerre, crise, inflation, grève, accident, cyberattaque. Le taux d’incidents chute, mais le CPM augmente de 20 % à 35 % selon les places de marché, la couverture baisse et la campagne se concentre sur des contenus lifestyle moins pertinents pour une cible de décideurs. Après audit, l’équipe constate que de nombreux articles bloqués étaient des analyses économiques sérieuses, fortement consultées par l’audience cible. En remplaçant les exclusions larges par une classification de tonalité et de traitement éditorial, la marque récupère une partie du reach sans augmenter significativement le risque.
Le surblocage doit aussi être regardé comme un enjeu sociétal. Si les annonceurs excluent systématiquement les contenus d’information dès qu’ils abordent des sujets difficiles, ils fragilisent le financement du journalisme de qualité et favorisent des environnements plus neutres mais parfois moins utiles. La sécurité de marque ne doit pas conduire à une dépublicitarisation automatique de l’actualité. La nuance entre contenu sensible et traitement responsable est précisément l’un des domaines où l’IA, combinée à une validation humaine, peut créer de la valeur.
Combiner automatisation et revue humaine : la gouvernance reste le facteur différenciant
L’IA accélère la détection, mais la gouvernance décide du niveau de confiance. Une organisation mature définit clairement les responsabilités entre annonceur, agence média, ad tech, régie, plateforme et partenaires de vérification. Qui fixe les seuils ? Qui valide les listes d’exclusion ? Qui audite les faux positifs ? Qui tranche en cas de crise ? Qui documente les exceptions ? Sans réponse explicite, les réglages s’accumulent au fil des campagnes et deviennent illisibles.
Le premier pilier est le playbook de brand safety et suitability. Il doit inclure les catégories non négociables, les niveaux de tolérance par campagne, les mots-clés critiques, les catégories contextuelles autorisées, les environnements interdits, les règles propres aux marchés locaux, les exigences de mesure, les procédures d’escalade et les seuils d’alerte. Ce document ne doit pas être figé. Il doit être révisé après les crises, les audits, les changements réglementaires, les nouveaux formats et les retours de performance.
Le deuxième pilier est l’audit régulier des listes et modèles. Les équipes doivent analyser les domaines bloqués, les thèmes surreprésentés, les catégories générant le plus de faux positifs et les différences entre fournisseurs. Une même page peut être classée différemment par deux solutions selon leur taxonomie, leur modèle linguistique ou leur niveau d’accès au contenu. Cette divergence n’est pas nécessairement une erreur, mais elle doit être comprise. Les annonceurs les plus avancés mettent en place des revues trimestrielles où brand, média, data, juridique et communication comparent sécurité, performance et coût d’opportunité.
Le troisième pilier est l’humain dans la boucle. La revue humaine n’est pas scalable impression par impression, mais elle est indispensable pour entraîner, calibrer et corriger. Elle intervient sur les cas limites, les crises réputationnelles, les campagnes sensibles, les nouveaux marchés, les créateurs influents, les environnements politiques ou les catégories réglementées. L’objectif n’est pas de remplacer le modèle, mais d’améliorer ses seuils et d’éviter que des décisions automatiques produisent des effets non anticipés.
Le quatrième pilier est la transparence contractuelle. Les annonceurs doivent exiger des clauses sur la qualité d’inventaire, les rapports de brand safety, les remboursements éventuels, la fraude, la visibilité, les environnements exclus et les droits d’audit. Dans les environnements programmatiques ouverts, il faut aussi surveiller les MFA, made for advertising, et les chaînes d’approvisionnement trop opaques. Une impression techniquement sûre mais diffusée sur un site de très faible qualité peut rester destructrice pour l’efficacité média et la perception de marque.
Conclusion : réduire le risque sans réduire l’intelligence média
La brand safety pilotée par IA ne doit pas devenir une machine à bloquer. Son intérêt est précisément de permettre une lecture plus fine que les réflexes historiques : distinguer le mot du contexte, le thème du traitement, l’actualité sensible de l’environnement toxique, le risque réel du risque perçu. Pour les marques, l’objectif n’est pas le zéro risque absolu, rarement atteignable et souvent trop coûteux, mais un risque maîtrisé, documenté et cohérent avec les objectifs de campagne.
Une feuille de route actionnable peut se structurer en sept étapes. Premièrement, séparer clairement brand safety et brand suitability, avec un seuil minimal commun et des niveaux d’adéquation par campagne. Deuxièmement, auditer les listes de mots-clés pour supprimer les exclusions héritées, redondantes ou trop larges. Troisièmement, utiliser l’IA contextuelle et multimodale pour analyser texte, image, audio, métadonnées et qualité de domaine. Quatrièmement, définir des seuils de risque selon l’objectif : notoriété, considération, acquisition, retargeting, social, vidéo, retail media ou B2B. Cinquièmement, mesurer le surblocage avec des indicateurs de reach perdu, CPM additionnel, faux positifs et coût d’opportunité. Sixièmement, combiner pre-bid, post-bid, audits humains et tests d’incrémentalité pour éviter de confondre conformité et efficacité. Septièmement, installer une gouvernance transversale entre marketing, média, data, juridique et communication.
La réussite dépendra moins de la sophistication affichée des modèles que de la qualité des arbitrages. Une IA mal calibrée peut amplifier les biais d’une liste de mots-clés. Une politique trop prudente peut priver la marque de contextes éditoriaux stratégiques. Une politique trop permissive peut exposer à des incidents coûteux. Le point d’équilibre se trouve dans la capacité à mesurer simultanément deux risques : le risque de diffusion dans un environnement inapproprié et le risque de perdre de la valeur média en bloquant trop largement.
Dans un marché où les impressions sont achetées en temps réel, où les contenus synthétiques se multiplient et où l’attention devient plus rare, la brand safety ne peut plus être traitée comme un contrôle périphérique. Elle devient une composante du pilotage média. Les marques les plus avancées ne chercheront pas seulement à éviter les mauvaises pages ; elles construiront une intelligence contextuelle capable d’identifier les bons environnements, ceux qui protègent la réputation tout en renforçant la pertinence, la confiance et la performance.
