Pourquoi la publicité générée par IA gagne à être retravaillée

Le travail qui reste après l’automatisation peut faire partie de son rendement

Supprimer les dernières tâches humaines d’un workflow automatisé peut dégrader la performance de l’investissement. Chez Wonderful Dental, une entreprise d’e-commerce qui vend des produits dentaires, des personnes finalisent encore les publicités et relisent les réponses du service client parce que ce travail contribue au résultat. L’expérience de l’entreprise remet en cause une hypothèse budgétaire courante : les heures qui restent après l’automatisation constituent nécessairement la prochaine dépense à éliminer.

Une source interne de Wonderful Dental, qui préfère rester anonyme et possède une expérience créative, décrit cette expérience en s’appuyant sur son travail d’approbation publicitaire, de décisions d’automatisation et d’escalade du support. Cette personne a un intérêt direct à la réussite de l’approche : l’entreprise en bénéficie lorsque ses publicités sont plus performantes et que ses coûts de support baissent. Cette source qualifie l’approche de semi-automatisation, c’est-à-dire le fait de conserver délibérément un travail humain dont la suppression coûterait trop cher ou affaiblirait une capacité dont l’entreprise a besoin.

Conserver ce travail peut donner l’impression de laisser un projet inachevé, surtout lorsqu’un plan de développement énumère encore des améliorations possibles. Pourtant, un budget peut comptabiliser le temps créatif ou de relecture comme une dépense tout en négligeant ce que ce temps produit. La comparaison publicitaire de Wonderful Dental montre pourquoi ce travail compte : des personnes ont approuvé les deux approches, mais une seule impliquait une finalisation créative humaine substantielle.

La finalisation créative humaine a changé le résultat publicitaire

Wonderful Dental a comparé 20 publicités générées couvrant les images, les hooks (idées d’ouverture destinées à capter l’attention), les titres et le copy (texte publicitaire) à deux publicités finalisées par des personnes à partir de visuels générés par l’IA. Le lot entièrement généré semblait adapté à une diffusion payante : sa composition paraissait maîtrisée et son branding semblait approprié. « J’ai approuvé ces publicités », explique cette source. L’approbation faisait donc déjà partie du processus qui a moins bien fonctionné.

Le lot généré offrait aussi davantage de chances de trouver une publicité performante. Avec 20 variantes contre deux, il fournissait 10 fois plus de versions, y compris davantage de hooks et d’approches susceptibles d’attirer l’attention. Wonderful Dental indique avoir utilisé les mêmes canaux, les mêmes audiences et le même indicateur de performance que pour ses autres publicités. Malgré cet avantage numérique, les publicités entièrement générées ont été les moins performantes de tout ce que l’entreprise a diffusé sur une période de six mois.

Dans cette comparaison, cette source décrit les publicités de l’entreprise comme gagnantes de « 40 % » et décrit le lot généré comme étant « inférieur de 40 % en taux de clic ». Deux titres rédigés par des humains ont surpassé les 20 alternatives de l’IA en taux de clic, c’est-à-dire la part des personnes exposées à une publicité qui ont cliqué dessus. Le processus de production montre ce qui entrait dans les deux publicités finalisées par des humains.

Leur production a commencé par une automatisation importante. Wonderful Dental a entraîné un modèle d’image générative sur sa marque, ses produits et ses images existantes, puis a utilisé les indications de cette source pour produire plusieurs visuels. Le modèle a fourni une image de base que des personnes ont développée pour en faire une publicité avec un message et une présentation spécifiques.

Développer cette image exigeait des décisions que la seule approbation ne pouvait pas apporter. Des personnes ont rédigé le copy, retouché l’image dans Photoshop, sélectionné les polices, disposé le texte et choisi les appels à l’action, ou CTA, qui incitent les personnes exposées à passer à l’étape suivante. Elles ont ensuite acheté les espaces média selon le processus établi de l’entreprise. La direction créative, la connaissance de la marque, l’imagination et la rédaction publicitaire restaient donc partie intégrante de la production ; approuver une publicité finalisée revenait à évaluer des choix déjà faits.

Le maintien de ce travail a tout de même laissé à Wonderful Dental une économie de production importante. Un visuel de ce type coûtait auparavant des centaines de dollars et demandait des semaines ; le nouveau processus générait le matériau de départ en quelques minutes, suivies de quelques heures de nettoyage. Cette source identifie la réduction du temps de production comme le principal bénéfice. La finalisation humaine a préservé ce gain tout en contribuant à de meilleures performances publicitaires.

Cette source attribue la moindre performance du lot généré au fait que les personnes exposées reconnaissent désormais des schémas d’IA identifiables. « Je pense que si les 20 ont perdu, c’est que les gens le sentent maintenant », dit-elle, en pointant des caractéristiques récurrentes dans la composition, l’éclairage, la typographie et le copy. Selon son explication, les personnes exposées étaient moins habituées à ces caractéristiques il y a quelques années, mais une exposition répétée les a rendues plus faciles à reconnaître.

Cette familiarité crée un problème pour les entreprises qui utilisent des outils similaires pour produire des publicités soignées. À mesure que davantage d’entreprises génèrent des traitements comparables, les personnes exposées ont moins de raisons de remarquer une publicité en particulier. Cette source a perçu une finition IA générique dans les publicités générées de Wonderful Dental malgré l’utilisation du branding de l’entreprise. Reconnaître la marque et juger la publicité distinctive exigent donc deux appréciations distinctes.

Le coût de ces appréciations devient plus visible à mesure que la production initiale devient moins chère. « L’IA vous amène au milieu pour presque rien », explique cette source. Une première version acceptable devient peu coûteuse, tandis que la rendre utile pour une entreprise donnée demande toujours du temps. Supprimer ces heures restantes peut améliorer le budget de production tout en affaiblissant la publicité qu’il permet d’acheter.

Des premières versions moins chères créent aussi davantage de travail d’évaluation. Dans le design, l’écriture, la publicité, la photographie, la vidéo et le logiciel, cette source dit passer plus de temps à décider quel travail mérite d’être davantage développé à mesure que la production devient plus facile et plus soignée. Des versions supplémentaires aident parfois, mais elle donne l’exemple d’une première version solide suivie de 19 alternatives moins bonnes. Produire davantage de travail crée sa propre tâche de sélection.

Cette source appelle « goût » le jugement spécifique à l’entreprise nécessaire pour cette tâche. Il consiste notamment à reconnaître un travail qui a l’air professionnel mais ne convient pas à l’entreprise, un copy qui ressemble à celui de tout le monde, ou une image attrayante qui donne au produit une apparence bon marché. Ces jugements relient les choix créatifs à des conséquences business. Comme le dit cette source : « Mes 20 publicités étaient soignées. »

Pour Wonderful Dental, cela signifie continuer à utiliser l’IA pour les assets de base tout en conservant la rédaction publicitaire, la retouche et la mise en page humaines. Filtrer les schémas génériques avant l’achat média ajoute un contrôle supplémentaire, tandis que l’utilité et la performance publicitaires déterminent si le processus fonctionne. Cette source utilise les outils tous les jours et prévoit d’en accroître l’usage l’année prochaine. À mesure que son utilisation de l’IA augmente, l’entreprise préserve l’apport de la finalisation créative.

Automatiser de rares exceptions du support peut annuler les économies déjà réalisées

Le service client a donné à Wonderful Dental une autre raison de conserver du travail humain : aller plus loin dans l’automatisation pouvait coûter plus cher que ce que justifiait la tâche restante. L’entreprise recevait régulièrement des questions sur la localisation des commandes, l’adéquation des produits et les différences entre produits. Cette source donne comme exemples des clients demandant : « Où est ma commande ? », « Est-ce que je peux utiliser ce produit pour ça ? » et « Quelle est la différence entre ces deux produits ? » Même une réponse simple exigeait qu’un employé rassemble des informations avant de rédiger.

Rassembler ces informations signifiait retrouver le client, vérifier la commande, récupérer les détails de suivi, chercher dans la base de connaissances et composer une réponse. Les messages plus difficiles combinaient un problème de commande avec une question produit ou exigeaient une connaissance détaillée du produit. Comme de nombreuses réponses nécessitaient cette préparation, l’automatiser apportait un bénéfice immédiat.

Wonderful Dental a développé un outil interne de support, Robonos, pour connecter les systèmes de l’entreprise et rassembler une grande partie de ces informations. L’entreprise l’a entraîné sur les informations produit et sur des e-mails déjà envoyés afin que ses réponses reflètent la manière de communiquer de l’entreprise. En quelques semaines, il avait supprimé une grande partie du travail de support le plus simple. Les employés passaient moins de temps à chercher, transférer des informations et reformuler des réponses familières.

Une fois ce travail automatisé, les cas restants étaient plus difficiles à traiter de manière cohérente. Robonos rencontrait des commandes inhabituelles, des entrées manquantes dans la base de connaissances, des questions inédites et des divergences entre sources d’information internes. Certaines réponses étaient factuellement exactes mais adoptaient un ton qui ne convenait pas à l’entreprise. Chaque catégorie donnait à l’entreprise une raison d’ajouter davantage de règles, alors même que ces situations individuelles devenaient moins fréquentes.

Le coût de la poursuite de ces cas est devenu concret lorsque Wonderful Dental a payé un développeur pendant trois jours pour automatiser une situation qui se produisait deux fois par mois. Un employé pouvait traiter chaque occurrence manuellement en 60 secondes. « Nous appelions ça finir le travail. Nous dépensions de l’argent réel pour supprimer une minute de travail », explique cette source. Le fait de compléter le système avait déplacé la question de savoir si cette amélioration particulière justifiait l’effort de développement.

Les premiers succès ont contribué à faire paraître la poursuite du développement pertinente. Les premières améliorations avaient supprimé des heures de recherche, de copie et de reformulation répétitives, mais les changements ultérieurs traitaient des situations de plus en plus inhabituelles qui demandaient davantage d’efforts pour être comprises et mises en œuvre. Chaque exception nécessitait donc une nouvelle décision économique. Le fait de faire partie d’un système de support déjà utile n’établissait pas la valeur de son automatisation.

Le coût continuait aussi après le développement. Chaque nouvelle exception introduisait des règles, des obligations de maintenance et des possibilités de comportements inattendus, rendant l’outil plus difficile à anticiper pour les employés. Cette source indique que les surprises répétées ont réduit la confiance des employés et les ont conduits à le contourner, effaçant les gains de temps attendus. « Nous avons dépensé de l’argent pour construire la chose qui a annulé les économies », dit cette source.

Ces contournements faisaient du comportement des employés une partie du résultat de l’investissement. Le personnel consacrait des efforts à éviter un système censé lui faire gagner du temps ; une fonctionnalité supplémentaire pouvait donc ajouter à la complexité à l’origine du problème. Avant de commander davantage de développement, l’entreprise devait réévaluer le travail restant et le coût de son traitement. Cette réévaluation a aussi clarifié quelles responsabilités les personnes devaient conserver.

La relecture du support crée de la valeur en reconnaissant l’incertitude et en trouvant l’expertise

Wonderful Dental a conservé une étape de relecture dans laquelle Robonos rassemble les informations et prépare une réponse, puis une personne la lit, apporte occasionnellement des corrections et identifie les questions qui exigent une connaissance plus approfondie. Des informations dispersées entre systèmes, documents et employés peuvent être réunies en quelques secondes. Le relecteur exploite cet accès facilité tout en restant responsable de la reconnaissance de l’incertitude.

Reconnaître l’incertitude exige de savoir quand demander de l’aide. « La personne qui relit l’e-mail ne connaît souvent pas non plus la réponse », explique cette source. L’action utile du relecteur consiste à reconnaître cette limite et à transmettre la question à la bonne personne. Selon le sujet, il peut s’agir d’un dentiste, d’un spécialiste de la fabrication disposant d’une connaissance détaillée du produit, du chimiste de l’entreprise, d’une personne des opérations ou de cette source elle-même.

Une fois qu’un spécialiste a répondu, l’entreprise décide s’il faut ajouter la réponse à sa base de connaissances. Si la même question revient six mois plus tard, l’employé qui gère la boîte de réception peut réutiliser une réponse fondée sur une expertise spécialisée. Rendre explicites à la fois le chemin vers un expert et la décision d’enregistrer une réponse donne à l’entreprise un processus répétable pour améliorer le support.

Cette source indique que ce processus permet à des employés juniors de traiter un éventail plus large de questions et réduit les interruptions répétées des experts. L’objectif est d’éviter de poser 15 fois la même question à un spécialiste, en réservant principalement son intervention aux sujets réellement nouveaux. L’expertise reste répartie dans l’organisation, tandis que les réponses enregistrées en rendent une plus grande part accessible aux personnes qui traitent les messages clients.

Les questions sur les produits dentaires rendent cette répartition des responsabilités importante pour Wonderful Dental. Cette source veut qu’une personne reconnaisse un manque d’information avant que le système ne fournisse une réponse non étayée. La relecture apporte donc de la valeur même lorsque la plupart des brouillons nécessitent peu de corrections. « Une relecture courte n’est pas une relecture inutile », explique cette source.

Pour expliquer pourquoi la seule durée ne suffit pas, cette source donne l’exemple hypothétique d’un travail réduit de huit heures à 20 minutes. Si les minutes restantes consistent à copier des informations entre systèmes, une automatisation supplémentaire peut valoir la peine. Si elles consistent à lire, corriger et orienter des questions inhabituelles, l’entreprise est prête à les conserver. Ce qui se passe pendant ces minutes détermine s’il s’agit d’une dépense évitable ou d’une responsabilité qui mérite d’être financée.

Décider quoi automatiser ensuite selon la fréquence, le coût et la conséquence

La distinction entre copier des informations et relire une question inhabituelle donne à un budget d’automatisation un point de départ utile. La production répétitive ou le transfert d’informations peuvent justifier une automatisation supplémentaire ; les exceptions rares peuvent coûter plus cher à automatiser qu’elles ne consomment ; le jugement et l’escalade peuvent contribuer directement au résultat. Chaque catégorie exige une décision d’investissement distincte, car sa suppression modifie le workflow d’une manière différente.

Cette source formule l’évaluation financière autour de trois questions : « Combien de temps cela prend-il, combien coûte le travail restant, et combien coûterait sa suppression ? » Y répondre exige de connaître la fréquence de la tâche, le temps par occurrence, le coût salarial actuel et les économies de main-d’œuvre déjà réalisées. Le temps de relecture doit entrer dans le calcul, avec la mise en œuvre, la maintenance et la complexité introduite par des règles supplémentaires.

La fréquence peut modifier considérablement ce calcul. Cette source demande, à titre hypothétique, quelle dépense d’automatisation est justifiée pour 10 e-mails par jour par rapport à cent. Les coûts salariaux existants et le temps déjà restitué par le système influencent la réponse. Un investissement proposé de 20 000 dollars exige une évaluation du travail précis qu’il supprimerait et de l’amélioration opérationnelle qu’il achèterait.

Les autres exemples hypothétiques de cette source montrent à quel point cette évaluation peut aboutir à des résultats différents. Une tâche répétée des milliers de fois par jour peut justifier un développement qui ne fait gagner que quelques secondes par occurrence. Un workflow qui se produit 20 fois par jour, avec 10 minutes d’effort restant au total, peut faire de plusieurs mois de développement d’exceptions un mauvais arbitrage. La comparaison dépend de la charge restante et du coût complet de sa suppression dans les conditions propres à cette entreprise.

Le coût dépend aussi des conséquences d’un changement dans la répartition du travail. Dans le support, Wonderful Dental prend en compte la fréquence des questions inhabituelles, la durée de la relecture et le coût d’une réponse incorrecte. Dans la publicité, l’entreprise examine si les personnes reçoivent un asset de départ utile et si le travail finalisé est performant. La confiance des employés compte également, car un comportement imprévisible peut créer du travail supplémentaire ailleurs dans le processus.

Ces conséquences peuvent aider à fixer un seuil coût-fréquence pour développer le traitement des exceptions. Les dirigeants peuvent revoir ce seuil à mesure que changent la durée des tâches, le coût du travail restant et le coût d’une automatisation supplémentaire. De meilleurs modèles, une évolution de la demande, de meilleures connexions entre systèmes ou la disparition d’un contournement peuvent rendre un autre investissement pertinent. Une automatisation supplémentaire devient une candidate plus solide lorsque ces changements réduisent son coût complet tout en préservant le jugement dont l’entreprise a besoin.

Points clés à retenir pour les dirigeants

• Préserver la finalisation créative : Les deux publicités finalisées par des humains chez Wonderful Dental ont surpassé 20 alternatives entièrement générées en taux de clic. Les équipes marketing qui évaluent les économies de production liées à l’IA doivent tenir compte de la contribution à la performance de la rédaction publicitaire, de la retouche et de la mise en page.
• Tarifer individuellement les exceptions du support : Wonderful Dental a consacré trois jours de développeur à l’automatisation d’une tâche qui prenait une minute deux fois par mois. Les responsables du support qui évaluent une automatisation supplémentaire doivent intégrer dans leur calcul la fréquence des exceptions, les coûts de développement, la maintenance et les contournements des employés.
• Maintenir la relecture connectée à l’expertise : Les relecteurs humains créent de la valeur en reconnaissant les questions inhabituelles et en les orientant vers des spécialistes. Les responsables du support peuvent rendre ce processus répétable en définissant des chemins d’escalade et en enregistrant dans la base de connaissances des réponses de spécialistes réutilisables.
• Fixer un seuil économique pour une automatisation supplémentaire : Les responsables budgétaires doivent comparer la fréquence, le coût de main-d’œuvre et les conséquences de la tâche restante avec le coût complet de sa suppression. Revoir cette décision à mesure que changent la demande, les capacités des modèles et les coûts d’intégration.