Media buying assisté par IA : garder le contrôle du ROAS

L’automatisation des achats média déplace le contrôle, elle ne le supprime pas

Le media buying assisté par IA est devenu la norme opérationnelle de nombreux plans d’acquisition. Performance Max chez Google, Advantage+ chez Meta, bidding automatisé dans les DSP, demand-side platforms, plateformes permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée, ou optimisations créatives dynamiques promettent toutes une même chose : allouer le budget plus vite, sur davantage de signaux, avec une granularité impossible à reproduire manuellement. Pour les directions marketing, la question n’est plus de savoir si l’IA doit intervenir dans l’achat média. Elle est de savoir comment garder le contrôle du ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses publicitaires, lorsque les décisions d’enchère, d’audience, de placement et parfois de création sont de plus en plus déléguées aux plateformes.

Le sujet est stratégique car les budgets sont sous contrainte. Gartner estimait les budgets marketing moyens à 7,7 % du chiffre d’affaires en 2024, contre 9,1 % l’année précédente. Dans le même temps, les coûts média restent volatils, la mesure individuelle se fragilise sous l’effet des restrictions cookies et des environnements fermés, et les plateformes captent une part croissante de la décision opérationnelle. L’IA peut améliorer la vitesse d’apprentissage et la productivité des équipes, mais elle peut aussi optimiser un mauvais objectif, amplifier des biais d’attribution ou augmenter les dépenses sur des conversions qui auraient eu lieu sans publicité.

Le paradoxe est donc clair : plus les systèmes d’achat média deviennent performants techniquement, plus le pilotage business doit être rigoureux. Une campagne automatisée peut afficher un ROAS élevé tout en détruisant de la marge si elle pousse trop de remises, cible des clients déjà acquis ou favorise des produits à faible contribution. À l’inverse, une campagne au ROAS apparent modeste peut créer une demande incrémentale, recruter de nouveaux clients à forte LTV, lifetime value, valeur économique attendue d’un client sur toute sa relation avec la marque, ou accélérer un cycle de décision B2B. Garder le contrôle ne signifie pas reprendre chaque enchère à la main. Cela signifie définir les bons objectifs, fournir les bons signaux, encadrer l’automatisation et mesurer l’effet réel au-delà des dashboards plateformes.

Comprendre ce que l’IA optimise réellement dans l’achat média

Les systèmes de media buying assistés par IA combinent plusieurs couches d’optimisation. La première concerne l’enchère. Dans le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, l’algorithme évalue la probabilité qu’une impression contribue à l’objectif défini, puis ajuste le prix d’achat. La deuxième concerne l’audience : les plateformes identifient des signaux de similarité, de propension ou d’intention à partir des comportements observés. La troisième concerne les placements : inventaires vidéo, social, display, search, shopping, native ou retail media peuvent être arbitrés dynamiquement. La quatrième concerne la création : formats, textes, visuels, vidéos et combinaisons d’assets peuvent être testés automatiquement.

Cette sophistication ne doit pas masquer une règle fondamentale : un algorithme optimise ce qu’on lui demande d’optimiser, pas nécessairement ce qui crée le plus de valeur pour l’entreprise. Si l’objectif est une conversion last click, l’IA cherchera les profils et contextes les plus susceptibles de produire cette conversion mesurée. Si l’objectif est un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, elle réduira le coût de la conversion enregistrée, quitte à favoriser des audiences déjà proches de l’achat. Si l’objectif est un ROAS court terme, elle peut privilégier les clients récurrents, les paniers élevés mais peu marginés, ou les recherches de marque faciles à convertir.

Le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, est donc déterminant. Une campagne haut de funnel ne doit pas être jugée avec les mêmes seuils qu’une campagne de capture de demande. Une campagne de retargeting ne doit pas être évaluée comme une campagne de prospection. Une activation retail media sur des mots-clés marque ne joue pas le même rôle qu’une campagne vidéo destinée à créer de la préférence. Or l’automatisation tend parfois à aplatir ces différences, surtout lorsque tous les leviers sont regroupés dans une même campagne multi-inventaires.

La première responsabilité des équipes marketing consiste donc à clarifier le rôle attendu de chaque dispositif. Création de demande, capture de demande, réactivation, cross-sell, drive-to-store, génération de leads ou conquête de nouveaux clients ne relèvent pas des mêmes signaux ni des mêmes horizons de mesure. Une IA qui excelle sur la capture de demande peut être médiocre pour développer un marché si elle n’est alimentée que par des conversions immédiates. Inversement, une campagne de notoriété optimisée trop tôt sur une conversion rare risque d’étrangler l’apprentissage et de réduire la couverture utile.

Reprendre la main sur le ROAS en partant de la marge et de la valeur client

Le ROAS est un indicateur utile, mais il est insuffisant lorsqu’il est pris isolément. Un ROAS de 5 signifie que 1 euro investi génère 5 euros de chiffre d’affaires attribué. Cela ne dit rien de la marge, du coût logistique, des remises, des retours, du coût de service, de la qualité du client recruté ou de la probabilité de réachat. Dans un contexte d’achat média automatisé, cette limite devient critique car les algorithmes sont très efficaces pour trouver les poches de revenu attribuable, pas toujours les poches de profit incrémental.

Une entreprise e-commerce peut par exemple observer qu’une campagne automatisée génère un ROAS de 650 %. Le chiffre semble excellent. Mais si 40 % des ventes concernent des produits en promotion avec une marge brute faible, si le taux de retour est supérieur à la moyenne et si une grande partie des acheteurs sont des clients existants qui auraient probablement acheté via email ou direct, la rentabilité réelle peut être bien inférieure. À l’inverse, une campagne de prospection à 250 % de ROAS peut être acceptable si elle recrute des primo-acheteurs à forte rétention et si la marge future compense le coût initial.

Le pilotage avancé doit donc passer d’un ROAS revenu à un ROAS économique. Plusieurs niveaux peuvent être utilisés. Le premier est le ROAS marge, calculé sur la marge brute plutôt que sur le chiffre d’affaires. Le deuxième est le ROAS net, intégrant remises, retours, frais de plateforme et coûts variables. Le troisième est le ROAS LTV, qui relie le coût d’acquisition à la valeur attendue du client sur plusieurs mois ou années. Le quatrième est le ROAS incrémental, qui mesure la part de revenu ou de marge qui n’aurait pas été générée sans la campagne.

Cette logique suppose de transmettre aux plateformes des signaux de valeur plus riches. Dans Google Ads, Meta ou certaines DSP, il est possible d’optimiser sur des valeurs de conversion, des événements qualifiés, des segments de nouveaux clients ou des imports offline. En B2B, un lead ne devrait pas avoir la même valeur selon qu’il s’agit d’un étudiant, d’une PME hors cible ou d’un compte stratégique avec budget actif. En retail, une vente ne devrait pas être valorisée de la même manière selon la marge produit, le statut nouveau client, la probabilité de retour ou le canal de retrait. Plus l’objectif envoyé à l’algorithme ressemble à la valeur business réelle, moins l’IA optimise un proxy trompeur.

Un framework simple peut aider : définir pour chaque campagne une métrique primaire, une métrique de garde-fou et une métrique de valeur différée. Pour une campagne de prospection, la métrique primaire peut être le coût par nouveau client, la garde-fou le taux de marge nette, et la valeur différée le réachat à 90 jours. Pour une campagne B2B, la métrique primaire peut être le coût par lead qualifié, la garde-fou le taux de rejet commercial, et la valeur différée le pipeline créé. Cette triade évite de laisser le ROAS court terme devenir l’unique juge de paix.

Donner à l’IA des données propres, fraîches et gouvernées

L’IA média dépend fortement de la qualité des signaux entrants. Les plateformes parlent souvent de machine learning, ensemble de méthodes permettant à un système d’apprendre des régularités à partir de données, mais la qualité d’apprentissage reste conditionnée par les événements, les audiences, les conversions et les valeurs qui lui sont fournis. Un tracking incomplet, des doublons de conversion, une mauvaise hiérarchie d’événements ou des imports CRM tardifs peuvent conduire l’algorithme à apprendre sur une représentation déformée du business.

La première brique est la fiabilité des conversions. Il faut distinguer micro-conversions et conversions business. Une visite de page, un ajout au panier, un téléchargement de livre blanc ou une inscription newsletter peuvent aider l’apprentissage, mais ne doivent pas être confondus avec une vente, un rendez-vous qualifié ou une opportunité commerciale. Dans les campagnes à faible volume, les micro-conversions peuvent servir de signaux intermédiaires, mais elles doivent être pondérées. Optimiser une campagne B2B sur le téléchargement d’un guide peut augmenter fortement le volume de leads tout en dégradant la qualité commerciale si l’événement n’est pas relié à la progression réelle dans le cycle d’achat.

La deuxième brique est la fraîcheur. Les signaux offline, CRM ou magasin arrivent souvent avec retard. Or une optimisation automatisée apprend en continu. Si les conversions qualifiées remontent dix jours après le clic, l’algorithme risque d’optimiser sur des signaux plus rapides mais moins pertinents. Les équipes doivent donc arbitrer entre rapidité et qualité du signal. Un modèle hybride peut consister à envoyer rapidement un signal de qualification initiale, puis à réinjecter ensuite les valeurs consolidées : marge, statut nouveau client, opportunité créée, vente conclue, retour produit.

La troisième brique est l’identité. Les restrictions de tracking rendent plus difficile le rapprochement entre exposition média et résultat business. Les solutions server-side, les conversions API, les clean rooms, environnements sécurisés permettant de rapprocher des données sans exposer les données personnelles brutes, et les données first-party, données collectées directement par la marque auprès de ses audiences, deviennent centrales. Mais elles doivent être mises en œuvre dans le respect du consentement, de la minimisation et de la transparence. Une donnée plus exploitable n’est pas automatiquement une donnée légitime.

La quatrième brique est la gouvernance des événements. Les équipes doivent documenter la définition exacte de chaque conversion, sa source, sa fenêtre de remontée, sa valeur, son propriétaire et ses limites. Un changement de formulaire, de politique de consentement, de tag manager ou de CRM peut modifier brutalement les signaux envoyés aux plateformes. Sans journal de changements, les variations de performance sont interprétées comme des effets média alors qu’elles viennent parfois d’un problème de mesure.

Encadrer les plateformes : budgets, inventaires, audiences et exclusions

Garder le contrôle du ROAS ne signifie pas refuser l’automatisation, mais installer des garde-fous. Les systèmes IA cherchent de la flexibilité : plus ils disposent d’inventaires, d’audiences et de budgets, plus ils peuvent explorer. Mais cette flexibilité doit être proportionnée au risque business. Laisser une campagne automatisée arbitrer sans contrainte entre marque, non-marque, retargeting, prospection et inventaires display peut produire une performance apparente élevée mais peu lisible. Le budget se déplace alors vers les zones les plus faciles à attribuer.

Le premier garde-fou concerne la séparation des rôles. Il est souvent pertinent de distinguer les campagnes de marque, les campagnes de conquête, les campagnes de retargeting, les campagnes de fidélisation et les campagnes produits à marge spécifique. Cette séparation n’a pas pour but de brider l’IA, mais d’éviter que des objectifs hétérogènes soient mélangés. Une campagne qui combine un search marque très performant et de la prospection display peut afficher un ROAS global flatteur tout en masquant une prospection déficitaire.

Le deuxième garde-fou est budgétaire. Les stratégies d’enchères automatisées fonctionnent mieux avec du volume, mais les budgets doivent être plafonnés pendant les phases d’apprentissage. Les équipes peuvent utiliser des paliers : test contrôlé, montée progressive, seuil de rentabilité, puis extension. Une hausse brutale de budget peut dégrader le ROAS si l’algorithme doit élargir trop rapidement les audiences ou les placements. À l’inverse, un budget trop faible peut empêcher l’apprentissage statistique. Le bon niveau dépend du volume de conversions, de la valeur moyenne, de la saisonnalité et de la largeur de l’audience.

Le troisième garde-fou concerne les inventaires. Dans le programmatique, la qualité d’inventaire reste déterminante : brand safety, visibilité, fraude, contexte éditorial, fréquence et duplication d’exposition. Les rapports de l’ANA aux États-Unis ont régulièrement mis en évidence les pertes de valeur dans la chaîne programmatique, liées notamment à l’opacité des intermédiaires et à la qualité variable des impressions. L’IA peut optimiser des enchères, mais elle ne garantit pas seule la qualité média. Les listes d’exclusion, les places de marché privées, les deals directs, les seuils de viewability et les contrôles anti-fraude restent nécessaires.

Le quatrième garde-fou est la gestion des audiences. Les audiences lookalike, similaires aux clients existants, peuvent être efficaces, mais elles tendent parfois à reproduire le passé. Les exclusions sont aussi importantes que les inclusions : clients récents, candidats non qualifiés, visiteurs déjà convertis, zones non desservies, produits indisponibles, segments à faible marge. Dans certaines campagnes, exclure les clients existants permet de mesurer plus proprement l’acquisition. Dans d’autres, il faut au contraire les adresser, mais avec un objectif de réachat ou de montée en gamme distinct.

Mesurer l’incrémentalité plutôt que croire l’attribution plateforme

L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, est nécessaire pour piloter au quotidien, mais elle ne prouve pas la causalité. Les plateformes attribuent souvent les conversions qu’elles observent dans leur propre environnement, avec leurs fenêtres, leurs modèles et leurs limites. Elles peuvent revendiquer une vente après une impression ou un clic, sans démontrer que cette vente n’aurait pas eu lieu autrement. Dans un contexte d’IA, ce biais est amplifié : l’algorithme apprend sur les conversions attribuées, puis cherche davantage de situations similaires, même si une partie d’entre elles est peu incrémentale.

L’incrémentalité désigne la part de résultat qui n’aurait pas été générée sans l’action marketing. C’est le concept central pour contrôler le ROAS réel. Plusieurs méthodes sont disponibles. Les holdouts, groupes volontairement non exposés servant de comparaison, permettent de mesurer l’écart entre exposés et non exposés. Les tests géographiques comparent des zones activées et des zones témoins. Les tests temporels, plus fragiles, observent les variations avant-après en contrôlant la saisonnalité. Le MMM, marketing mix modeling, modélisation statistique estimant la contribution des leviers marketing à partir de séries temporelles agrégées, peut compléter l’analyse sur des horizons longs.

Un exemple illustre l’enjeu. Une marque de mode observe un ROAS plateforme de 800 % sur une campagne de retargeting automatisée. Un test holdout montre que le groupe exposé convertit à 12 %, contre 10,5 % pour le groupe non exposé comparable. L’effet incrémental existe, mais il est de 1,5 point, bien inférieur à ce que suggère l’attribution brute. Après prise en compte des remises et des retours, la campagne reste rentable sur les paniers supérieurs à 120 euros, mais ne l’est pas sur les paniers faibles. La décision pertinente n’est pas de couper le retargeting, mais de le limiter aux segments où l’uplift et la marge justifient la pression média.

La mesure doit aussi distinguer nouveaux clients et clients existants. Un ROAS élevé sur clients existants peut être acceptable si l’objectif est la fidélisation, mais il ne doit pas être présenté comme de l’acquisition. Les plateformes proposent de plus en plus des optimisations vers les nouveaux clients, mais la définition de nouveau client doit être alignée avec le CRM. Est-ce un client jamais vu, un client inactif depuis 12 mois, un prospect sans achat mais déjà lead, un foyer ou un individu ? Une ambiguïté de définition suffit à fausser le pilotage.

Enfin, il faut intégrer l’horizon temporel. Certaines campagnes IA améliorent la performance à court terme en concentrant les dépenses sur les utilisateurs déjà mûrs. D’autres créent un effet plus lent sur le search brand, la visite directe, les ventes assistées ou le pipeline. Un pilotage mature combine donc reporting quotidien, analyse hebdomadaire des signaux de qualité, mesure mensuelle des cohortes et tests d’incrémentalité réguliers. Le ROAS ne doit pas être un chiffre figé, mais un indicateur contextualisé par le rôle de la campagne et le niveau de preuve disponible.

Organiser le contrôle humain : nouvelles compétences, nouveaux rituels

L’IA transforme le rôle des media buyers. La valeur se déplace de l’ajustement manuel des enchères vers la définition des objectifs, l’architecture des campagnes, la qualité des signaux, l’interprétation des tests et la gouvernance de la rentabilité. Les équipes qui se contentent de surveiller les dashboards plateforme risquent de devenir dépendantes de boîtes noires. Celles qui développent une compétence hybride média, data, finance et privacy peuvent au contraire tirer parti de l’automatisation sans perdre la maîtrise.

Un rituel efficace consiste à mettre en place une revue hebdomadaire structurée autour de quatre questions. Premièrement, l’algorithme optimise-t-il toujours le bon objectif ? Deuxièmement, les signaux de conversion sont-ils complets, stables et alignés avec la valeur business ? Troisièmement, la performance provient-elle de la conquête, de la capture de demande ou de la réactivation ? Quatrièmement, les résultats observés sont-ils probablement incrémentaux ou simplement attribués ? Ces questions obligent à dépasser le commentaire de CPA ou de ROAS.

La gouvernance doit aussi inclure la finance. Trop de décisions média sont prises sur le chiffre d’affaires attribué alors que la rentabilité dépend de la marge, de la logistique, des remises et du cycle client. Un seuil de ROAS cible doit être calculé à partir de l’économie réelle. Si une catégorie a 40 % de marge brute et 10 % de coûts variables additionnels, le ROAS de rentabilité immédiate ne sera pas le même que pour une catégorie à 65 % de marge. Si l’entreprise accepte une acquisition déficitaire à court terme pour recruter des clients à forte LTV, cette hypothèse doit être explicitement validée et mesurée.

Les équipes créatives doivent également être intégrées. L’IA média ne compense pas une proposition de valeur faible. Les plateformes peuvent tester des centaines de combinaisons, mais elles ne remplacent pas une stratégie de message. Un bon dispositif associe signaux d’audience et hypothèses créatives : preuve sociale pour les prospects froids, démonstration produit pour les profils en considération, garantie ou réassurance pour les abandonnistes, offre de montée en gamme pour les clients actifs. L’automatisation de l’achat doit s’accompagner d’une discipline de test créatif, sinon l’algorithme optimise la diffusion d’assets moyens.

Conclusion : déléguer l’exécution, pas la responsabilité économique

Le media buying assisté par IA n’est ni une menace à rejeter ni une solution autonome. C’est une couche d’exécution puissante qui peut améliorer l’allocation budgétaire, réduire le temps opérationnel et exploiter des signaux impossibles à traiter manuellement. Mais elle ne sait pas, seule, arbitrer entre chiffre d’affaires, marge, acquisition réelle, valeur client, pression publicitaire et construction de marque. Ces arbitrages restent de la responsabilité des équipes marketing.

Une feuille de route actionnable peut se structurer en sept étapes. Premièrement, définir le rôle de chaque campagne dans le funnel : création de demande, capture, retargeting, réactivation, fidélisation ou drive-to-store. Deuxièmement, remplacer le ROAS chiffre d’affaires par des indicateurs plus économiques : marge, net revenue, nouveaux clients, LTV et incrémentalité. Troisièmement, fiabiliser les signaux envoyés aux plateformes : conversions hiérarchisées, valeurs pondérées, imports CRM, fraîcheur et documentation. Quatrièmement, encadrer l’automatisation par des garde-fous sur budgets, inventaires, audiences, exclusions et séparation des objectifs. Cinquièmement, tester l’incrémentalité avec holdouts, tests géographiques, cohortes ou MMM, plutôt que de croire uniquement l’attribution plateforme. Sixièmement, installer des rituels de pilotage associant marketing, data, finance, CRM, création et juridique. Septièmement, maintenir une part d’exploration contrôlée pour éviter que l’IA ne reproduise uniquement les audiences et messages du passé.

Le point critique est de ne pas confondre automatisation et abandon du jugement. Les plateformes optimisent à grande vitesse, mais elles optimisent dans le cadre qu’on leur donne. Si ce cadre est pauvre, le résultat sera une performance apparente : ROAS élevé, CPA bas, volume confortable, mais contribution économique incertaine. Si ce cadre est robuste, l’IA devient un levier de précision : elle accélère les apprentissages, identifie les poches de valeur, ajuste la pression média et libère du temps pour les décisions stratégiques.

Garder le contrôle du ROAS, en 2025, ne consiste donc pas à revenir au media buying manuel. Cela consiste à reprendre le contrôle des définitions, des données, des tests et des seuils économiques. Les marques qui réussiront ne seront pas celles qui opposent humain et algorithme. Ce seront celles qui sauront déléguer l’exécution aux systèmes automatisés tout en conservant la maîtrise de ce qui compte vraiment : la marge incrémentale, la qualité client, la confiance dans la mesure et la capacité à investir dans la demande future.