Pourquoi le clic ne suffit plus à mesurer la publicité IA

La publicité par IA crée un problème de mesure pour les marketeurs. Les modèles d’achat familiers préservent des transactions publicitaires familières. Mais un assistant IA peut intervenir dans les questions, les comparaisons et les recommandations avant qu’un renvoi n’ait lieu, de sorte qu’un clic peut ne révéler qu’une partie du parcours qui mène le client à une décision.

Cette distinction modifie le problème de gestion. Une campagne de search payant peut exposer des signaux tels que la requête, l’impression, le clic et la conversion ultérieure sur des propriétés que l’annonceur peut mesurer. Un parcours médié par un assistant peut contenir d’autres interactions avant que le client n’atteigne l’annonceur. Les équipes marketing doivent distinguer les événements mesurables de l’influence qui peut intervenir plus tôt dans le parcours.

La publicité par IA peut rendre le clic moins informatif

Le CPC mesure un événement clair : quelqu’un a cliqué. Prenons le cas d’un client qui pose plusieurs questions à un assistant, affine une présélection, compare des produits, reçoit une recommandation, puis visite un annonceur une seule fois. L’annonceur pourrait enregistrer un seul renvoi alors même que plusieurs interactions antérieures ont contribué à façonner les exigences du client. Les seules données de clic ne peuvent pas décrire chaque interaction de ce parcours.

Le problème de gestion réside dans l’écart entre ce que les marketeurs peuvent observer et l’activité du client qui peut précéder un événement observable. Le CPC continue de mesurer l’économie des clics lorsque des clics se produisent. Les équipes marketing ont besoin d’autres éléments de preuve pour évaluer l’influence qui intervient plus tôt dans le parcours.

De la requête et du clic à un parcours partiellement visible

Le search payant fournit aux marketeurs des signaux opérationnels qui peuvent inclure des mots-clés, des requêtes, des impressions, des clics et des conversions. Les assistants IA peuvent ajouter des informations conversationnelles. Une personne peut décrire un problème, ajouter des exigences, rejeter une option, demander une comparaison et, finalement, solliciter une recommandation. Chaque étape peut en révéler davantage sur l’intention du client, tandis que l’annonceur peut ne voir qu’un renvoi plus tardif.

OpenAI indique qu’une publicité ChatGPT « prend en compte plusieurs signaux, notamment le contexte et l’intention de la conversation en cours, la landing page de la publicité, son titre, son texte, les indications contextuelles fournies par l’annonceur et, lorsque la personnalisation des publicités est activée, certains signaux issus de l’expérience plus large d’un utilisateur sur ChatGPT ». OpenAI a un intérêt commercial dans l’adoption de la publicité sur ChatGPT ; il s’agit donc de sa description de son propre système de sélection publicitaire.

L’enjeu stratégique porte sur la quantité de contexte pouvant éclairer la pertinence et sur le contenu de ce contexte. Une requête de recherche fournit une expression explicite de la demande. Une conversation peut révéler des besoins, des contraintes, des questions antérieures, des cas d’usage et des options que le client a rejetées. La stratégie marketing doit représenter ces besoins dans les informations et les messages fournis à un système d’IA.

Cela change l’endroit où l’influence peut s’exercer. Dans un parcours médié par un assistant, l’explication de la catégorie et la comparaison de produits peuvent avoir lieu avant qu’un client n’arrive sur le site d’un annonceur. Au moment où un renvoi se produit, le client peut avoir déjà formé un jugement sur les choix disponibles. L’annonceur n’a alors une visibilité directe que sur une partie du processus ayant conduit à la visite.

L’attribution doit distinguer les transactions de l’influence

L’attribution est le processus qui consiste à attribuer le mérite d’un résultat client à des interactions marketing antérieures. Le parcours décrit ci-dessus crée un problème précis : un seul renvoi mesuré peut suivre plusieurs interactions qui ont contribué à orienter le choix. Un rapport de clic enregistre l’événement de renvoi. Mesurer la contribution des interactions antérieures avec l’assistant exige des éléments de preuve sur ces interactions.

Cela distingue les métriques de transaction des métriques d’influence. Le CPC répond à une question définie sur le coût d’acquisition d’un clic. La mesure de l’influence cherche à déterminer comment des interactions antérieures ont contribué à la considération et au choix. Maintenir ces questions séparées évite qu’un événement observable ne tienne lieu de l’ensemble du processus de décision.

Cette distinction peut affecter l’allocation budgétaire. Un canal qui contribue à la comparaison ou à la recommandation peut recevoir peu de crédit lorsqu’un système de mesure attribue de la valeur principalement à une interaction observable plus tardive. La direction peut alors orienter l’investissement en fonction des événements que ses systèmes capturent plutôt qu’en fonction de l’ensemble du parcours qui a façonné le choix. Les dirigeants doivent tester dans quelle mesure les méthodes d’attribution peuvent relier les interactions médiées par un assistant aux résultats finaux.

Les données produit deviennent une composante de la stratégie publicitaire

La découverte de produits pilotée par un assistant peut rendre les données de catalogue pertinentes plus tôt dans la réflexion du client. Les prix, les spécifications, la disponibilité et d’autres informations produit structurées peuvent aider une machine à déterminer si un produit répond aux exigences exprimées. Lorsqu’un assistant utilise ces informations pour comparer des choix ou formuler des recommandations, la qualité du catalogue peut influer sur la manière dont il représente un produit.

Amazon décrit Rufus comme « un assistant d’achat expert entraîné sur le catalogue de produits d’Amazon et sur des informations provenant de l’ensemble du web afin de répondre aux questions des clients sur leurs besoins d’achat, les produits et les comparaisons, de formuler des recommandations sur la base de ce contexte et de faciliter la découverte de produits dans la même expérience d’achat Amazon que les clients utilisent régulièrement ». Amazon a un intérêt commercial à accroître l’activité d’achat au sein de sa propre marketplace ; les dirigeants doivent donc lire cela comme la caractérisation par Amazon de Rufus.

Pour les responsables marketing, ce modèle relie la qualité du catalogue à la génération de la demande. Une spécification obsolète ou un attribut mal structuré pourrait affecter l’évaluation par une machine de la capacité d’un article à satisfaire les exigences d’un client. Des informations produit lisibles par machine peuvent soutenir la représentation du produit pendant la découverte ainsi que l’exactitude d’une fiche e-commerce. Les équipes marketing, e-commerce et data partagent donc une dépendance à la même information.

La question de gestion plus large s’applique à l’ensemble de la découverte de produits pilotée par un assistant. Si les assistants consomment directement les données produit, une information de faible qualité peut affecter les entrées utilisées pour la comparaison et la recommandation. La performance marketing peut alors dépendre en partie de la qualité, de la structure et de la fraîcheur de données maintenues en dehors de la fonction d’achat média. Les dirigeants ont besoin d’une responsabilité clairement définie sur ces entrées lorsqu’elles deviennent une composante de décisions machine orientées client.

Une création moins coûteuse accroît la valeur de la sélection

Lorsque la génération d’assets exige moins d’effort de production, les équipes peuvent créer davantage de variantes dans le même workflow. Une plus grande part de la charge de gestion se déplace alors vers le choix des concepts, la décision sur les variations qui méritent des tests et la détermination des résultats qui justifient un déploiement plus large. Les équipes ont également besoin d’une orientation de marque claire et de standards d’évaluation. Une capacité de production accrue n’est utile que si l’organisation peut sélectionner et gouverner ce qu’elle produit.

La publicité conversationnelle augmente les enjeux, car un contexte plus riche crée davantage de situations appelant des messages adaptés. Les systèmes génératifs peuvent élargir l’ensemble des messages qu’une équipe peut produire pour ces situations. La sélection disciplinée peut alors devenir la capacité rare : décider quels besoins clients comptent, ce que la marque doit en dire et quel niveau de variation l’organisation peut évaluer de manière fiable.

Une plus grande pertinence crée un problème de contrôle plus difficile

Le contexte conversationnel peut permettre des productions plus adaptées tout en augmentant le nombre de facteurs impliqués dans une recommandation. Lorsqu’un système d’IA interprète les exigences d’un client, combine des informations et présente un produit dans une réponse générée, les annonceurs peuvent avoir besoin de moyens pour évaluer la manière dont leurs produits ont été représentés. La gouvernance s’étend alors à la fois aux informations fournies au système et aux enregistrements nécessaires pour reconstituer des productions ayant des conséquences.

Les systèmes agentiques soulèvent une question d’audit connexe lorsque plusieurs participants automatisés contribuent à une action. Si un agent agit pour un annonceur tandis qu’un autre assiste un client, la direction peut avoir besoin d’enregistrements montrant quelles informations ont influencé une recommandation, quelle politique a régi l’action et quelle partie était responsable de chaque étape. L’auditabilité signifie la capacité à inspecter et à reconstituer ces actions à partir d’enregistrements fiables.

Le framework présenté dans « Auditable Agents » transforme un problème large de gouvernance en tests opérationnels. La direction peut se demander si les équipes peuvent reconstituer l’action d’un agent, inspecter l’activité pertinente sur l’ensemble de son cycle de vie, vérifier le comportement au regard de la politique, identifier les parties responsables et se fier aux preuves conservées. Ces capacités deviennent importantes lorsque des systèmes automatisés échangent des recommandations ou entreprennent des actions qui affectent la manière dont les clients rencontrent une marque.

Points clés

• Mesurer au-delà du clic : les assistants IA peuvent façonner les exigences et les choix des clients avant qu’un renvoi n’ait lieu. Les responsables marketing doivent distinguer l’économie du clic des éléments de preuve d’une influence antérieure.
• Adapter l’attribution à des parcours partiellement visibles : les interactions avec un assistant peuvent contribuer à la considération sans apparaître dans les données de campagne conventionnelles. Les dirigeants doivent tester si les méthodes d’attribution peuvent relier ces interactions aux résultats finaux.
• Traiter les données produit comme un input marketing : les assistants peuvent utiliser les prix, les spécifications, la disponibilité et d’autres données structurées pour comparer des produits. Les équipes marketing, e-commerce et data doivent établir une responsabilité claire quant à leur qualité et leur fraîcheur.
• Faire de la sélection créative la priorité : l’IA générative peut réduire l’effort nécessaire pour produire davantage de variantes créatives. Les dirigeants doivent renforcer les tests, les standards de marque et les processus d’évaluation afin qu’une plus grande capacité de production se traduise par une publicité utile.
• Mettre en place des contrôles pour les décisions médiées par l’IA : des recommandations plus contextuelles et des interactions entre agents peuvent rendre plus difficile la reconstitution de la manière dont les produits ont été représentés ou les actions ont été menées. Les dirigeants doivent exiger des enregistrements fiables, des contrôles de politique et une responsabilité claire pour les activités automatisées ayant des conséquences.