Les médias payants basculent dans une nouvelle phase d’automatisation : sur Google comme sur Meta, les plateformes poussent des campagnes automatiques capables d’arbitrer enchères, audiences, formats et créations en continu. Derrière la promesse d’une optimisation ROI plus rapide, une inquiétude s’installe chez les équipes acquisition : à mesure que les interfaces se simplifient, que les signaux se raréfient et que les modèles décident « dans la boîte noire », quelles marges de manœuvre restent-il vraiment sur la publicité digitale ? La question est devenue opérationnelle depuis les premiers retours d’annonceurs publiés en 2025 sur l’usage intensif de l’IA dans l’achat média, en particulier avec les dispositifs Advantage+ de Meta et l’extension de logiques similaires dans l’écosystème Google. Dans les agences, le sujet ne se résume plus à « activer l’IA » : il s’agit de définir une gouvernance, une mesure robuste et des garde-fous, pour que les algorithmes publicitaires optimisent ce qui compte réellement pour le business, et pas seulement ce qu’ils savent mesurer le plus facilement.
Meta et l’IA dans l’achat média : des gains revendiqués, un contrôle qui se déplace
Meta a multiplié depuis 2025 les mises en avant de son IA (dont le modèle Andromeda) pour automatiser davantage la diffusion publicitaire via Advantage+. Pour l’annonceur, le changement le plus visible tient au transfert d’une partie des décisions — ciblage, placement, rythme de dépense — vers la machine, avec une logique d’apprentissage à grande échelle.
Dans ses communications et tests pilotes, Meta a notamment mis en avant des résultats attribués à cette automatisation : une extension de sélection dans les catalogues produits pouvant atteindre +14 % de ROAS dans certains cas, et des performances agrégées en omnicanal évoquant jusqu’à -15 % de CPA et +12 % de ROAS selon les marchés et la maturité data. Le distributeur American Eagle a aussi été cité par Meta avec un +48 % de ROAS sur une cible 18-24 ans dans le cadre de ces dispositifs.
Sur le terrain, ce sont surtout les paramètres de pilotage qui changent. Les équipes passent moins de temps sur des réglages fins, et davantage sur la qualité des entrées : catalogue, événements de conversion, cohérence des UTMs, et liens entre exposition et vente. Le levier de contrôle annonceurs migre ainsi de l’interface vers la donnée, et vers la définition d’objectifs stables, faute de quoi l’algorithme risque d’optimiser des métriques secondaires.
Des formats qui rapprochent diffusion et conversion, sans régler la question de l’attribution
Meta a également testé des formats orientés efficacité : publicités omnicanales « drive to store », expériences Shops Ads dans certains pays (dont l’Australie et Taïwan mentionnés lors d’essais), liens multiples sur Instagram (« site links ») ou encore publicités dans les notifications Facebook, réservées aux personnes ayant déjà interagi.
Meta a associé les « site links » à une baisse de 4,5 % du CPA sur Facebook et à un gain de 3 % de CTR, en citant notamment Nissan avec +39 % de pages vues. Mais ces indicateurs reposent sur l’attribution de plateforme : dès que l’on compare social, retail media et search, la mesure devient le point de friction. L’automatisation avance, mais le débat se déplace vers la preuve d’incrémentalité.
Google, privacy et reporting : la transparence se réduit, la donnée first-party devient la clé
Chez Google aussi, l’évolution de l’achat média repose sur une gestion des enchères de plus en plus pilotée par des modèles, et sur des campagnes pensées pour maximiser les signaux disponibles. Dans le même temps, les limitations de suivi liées à la privacy — et la gestion du consentement dans l’UE — continuent de réduire la granularité exploitable pour certains annonceurs, ce qui rend le contrôle plus coûteux à reconquérir.
Dans ce contexte, plusieurs cabinets et agences, dont Converteo, ont popularisé une approche dite de « pilotage à la valeur » : l’idée est de ne plus optimiser uniquement sur une conversion brute, mais sur une valeur business retraitée. Cette valeur peut correspondre à la marge, à une disponibilité de stock, à une performance magasin, ou à une qualification plus fine côté lead.
Le point commun : avec moins de leviers directement actionnables dans les plateformes, la différenciation se joue sur données et analytics. Une partie des arbitrages s’effectue désormais en amont, dans l’infrastructure data, comme le décrivent les travaux sur la mise en place d’une infrastructure marketing digital capable d’alimenter proprement les plateformes.
Du « réglage campagne » au « réglage système » : l’exemple des conversions valorisées
Un e-commerçant peut, par exemple, continuer à déclarer une vente comme conversion, tout en injectant une valeur différente selon la marge, le niveau de stock ou l’objectif de conquête. Le résultat attendu n’est pas une « magie » algorithmique, mais un alignement : l’outil d’achat apprend sur un signal plus proche de la réalité économique.
Cette bascule suppose toutefois un pont technique entre le datalake et les comptes publicitaires, ainsi qu’un cadrage juridique sur le partage de données. La stratégie marketing ne se limite plus au plan média : elle inclut la gouvernance des indicateurs, la déduplication, et la capacité à relier une transaction à un identifiant exploitable côté plateforme.
Quelles marges de contrôle restent aux annonceurs ? Gouvernance, tests et garde-fous
La marge de manœuvre ne disparaît pas, mais elle change de nature. Là où les équipes optimisaient historiquement en segmentant manuellement, en ajustant des enchères au mot-clé ou en pilotant placement par placement, l’avantage se construit davantage sur la qualité des signaux, sur l’architecture de compte, et sur la discipline de test.
Les premières organisations qui ont industrialisé leurs expérimentations depuis 2025 décrivent une même difficulté : sans protocole, il devient impossible d’isoler l’effet réel de l’automatisation d’un simple changement de créas, de saisonnalité ou de mix produit. À ce titre, les approches qui documentent les mécanismes d’exploitation des données dans les campagnes reviennent souvent dans les discussions entre annonceurs et agences.
Dans la pratique, le contrôle s’exerce à trois niveaux. D’abord sur l’objectif (ce que l’on demande à l’algorithme d’optimiser). Ensuite sur les actifs (catalogues, créations, pages d’atterrissage, offre). Enfin sur la mesure : incrémentalité, cohérence des fenêtres d’attribution, et rapprochement online/offline quand l’omnicanal est central.
Le paradoxe est là : plus les campagnes automatiques montent en puissance, plus la performance dépend d’un cadrage rigoureux côté annonceur. L’IA peut réduire le gaspillage et accélérer l’exécution, mais la différence se fait surtout sur la capacité à définir les bons signaux, au bon endroit, et à temps. C’est dans ce déplacement du contrôle, de l’interface vers le système, que se joue désormais l’efficacité des médias payants.
