Compétence Humaine comme Prérequis de l'IA en Publicité

L’IA publicitaire n’ajoute pas de compétence, elle la multiplie. La machine exécute à la vitesse et à l’échelle un travail que le praticien sait déjà évaluer, corriger et diriger ; retirez l’expertise, et l’outil ne produit pas un travail accéléré, mais un système probabiliste non supervisé qui décide sur un budget réel.

Le débat porte presque toujours sur l’outil ; la question qui décide du résultat est en amont, et elle est humaine : quelle compétence supervise ce que la machine produit. L’idée n’a pas de courant académique fondateur, elle vient du terrain : blogs et newsletters de PPC (pay-per-click), podcasts d’achat média, retours d’expérience d’agences. Riche en observations concrètes, pauvre en études longitudinales, ce corpus converge pourtant : dans les workflows IA qui fonctionnent, l’humain est l’auteur du jugement, pas un spectateur.

La page traite du prérequis humain de l’automatisation publicitaire : pourquoi la compétence précède l’outil, ce que l’IA générique ne sait pas faire sur un compte réel, et comment garder l’expertise dans la boucle. Elle ne couvre pas le paramétrage régie par régie, qui relève des pages dédiées.

L’essentiel en 4 points

• L’IA est un multiplicateur, pas un créateur de compétence : elle relève le plancher du marché sans toucher les experts.
• Sur un compte réel, elle échoue par manque de contexte, pas d’intelligence : sans ICP, marges et stratégie, ses recommandations sonnent juste et sont fausses.
• L’avantage se déplace de l’exécution vers le jugement et la collecte d’information.
• Le prérequis s’instrumente : read-only d’abord, approbation humaine avant écriture, fondamentaux avant tactiques automatisées.

L’IA amplifie la compétence, elle ne la crée pas

Le rapport de force est d’abord celui-ci : dans un workflow IA-PPC, c’est le praticien qui fait le gros du travail. Sur le blog de son agence ZATO, Kirk Williams décrit le mécanisme - l’IA accélère et étend un travail que le professionnel sait déjà évaluer, corriger et guider ; sans lui, un système probabiliste décide sur un compte vivant sans personne pour détecter l’erreur. Il nomme aussi le biais de cadrage : « n’importe qui peut faire ça » laisse l’expert corriger, et l’opérateur non expert croire à un substitut de l’agence.

Ryan Law a testé 37 usages de l’IA en marketing et en tire une formule : « The tool multiplies what you already bring; if you bring nothing, it multiplies nothing. » Andrew Faris, qui pilote la créa Meta de marques à huit chiffres, situe le geste décisif avant l’outil : la qualité de la réflexion sur la marque, le produit et la marge. L’IA opérationnalise les meilleures idées à l’échelle, elle ne tranche pas lesquelles retenir.

Le corollaire est une asymétrie, pas un nivellement : un bon marketeur devient décuplé parce qu’il dirige les agents avec une direction claire, quand un mauvais produit des sorties encore plus génériques - seules les personnes capables de bonnes publicités sans IA en font de bonnes avec. L’IA relève donc le plancher, pas le plafond : sur Google Ads, le smart bidding est un « average maker » qui rend les bons résultats accessibles à ceux qui n’en obtenaient pas, mais dépasser la moyenne exige d’apporter ce que l’IA n’a pas - tracking plein-funnel, liste clients, créa exceptionnelle, contexte business propriétaire.

Une nuance de praticien tempère l’enthousiasme : pour l’IPA, l’IA est un tremplin qui aide à sauter plus loin, mais il faut encore sauter soi-même et atterrir - l’output IA reste une matière première à retravailler, jamais un livrable livré tel quel.

Pourquoi l’IA générique échoue sur un compte réel

La défaillance de l’IA en publicité n’est pas un manque d’intelligence, c’est un manque de contexte. Les agents IA pour Google Ads s’appuient sur la connaissance agrégée, souvent périmée, des modèles de langage, sans la stratégie du compte : ils produisent des recommandations qui sonnent juste et sont fausses pour ce compte précis (limites d’enchères, objectifs de profit, ICP). Miles McNair en donne un cas : une recommandation d’ajustement des enchères par device et jour de semaine, aveugle au fait que le smart bidding était actif et la rendait inopérante.

Le diagnostic vaut d’être retourné : ce que l’entreprise attribue à l’IA est souvent un défaut de workflow ancien - mauvais indicateurs, structures obsolètes, négatifs non audités - que l’automatisation rend visibles sans les créer. Et la couche que l’IA ne substitue pas est contextuelle : en rétention, la connaissance de la marque, du client, du produit, des marges et de la saisonnalité reste le socle des arbitrages.

Ce que le métier du praticien devient

Si l’exécution passe à la machine, la valeur se déplace - pas vers l’outil, vers le jugement et le contexte. Sur Google Ads, l’expertise ne réside plus dans la manipulation d’interface : comprendre le business et le consommateur, puis laisser la machine pousser les boutons, devient le métier.

• La qualité du pilotage reste déterminante. Le cliché du media buying devenu inutile est faux : la publicité reste le premier ou deuxième poste de dépenses, et l’exercice est aussi difficile qu’il l’a jamais été.
• L’avantage bascule vers la collecte d’information. La sophistication technique de l’agent sera commoditisée : le durable, c’est la capacité à extraire du client le contexte inaccessible aux modèles.

Le prérequis n’est pas décoratif : au moins la moitié du dépannage Google Ads remonte au concept fondateur de l’ad rank, et les praticiens entrés à l’ère de l’automatisation sont démunis quand une campagne dévie de ce qu’on attend. Performance Max, AI Max et l’enchère automatique fonctionnent tant qu’ils font ce qu’on attend ; seule l’expertise fondamentale permet, quand ils dévient, de comprendre pourquoi et de reprendre le contrôle.

Le dispositif : garder l’expertise dans la boucle

Le prérequis humain s’instrumente, il ne tient pas par des intentions. Dans les workflows IA connectés au compte, les modèles génèrent des changements - règles, enchères, budgets - mais rien ne touche le compte avant approbation humaine. Autoriser un connecteur IA à gérer un compte ne fait pas de vous un expert : « You need to be capable of spotting bad recommendations before they’re applied. » D’où le read-only d’abord, et l’écriture bloquée tant que l’opérateur ne peut pas évaluer une recommandation avant de l’appliquer.

Le levier de productivité n’est pas de laisser faire, c’est de structurer la demande : la plupart des annonceurs s’arrêtent à la première étape d’un processus de dix, puis concluent que l’IA est inutile. L’usage efficace exige de définir les entrées, la sortie attendue et le processus intermédiaire, et de fournir le vrai objectif business.

L’IA n’a pas tenu la promesse du temps libéré : le paradoxe de Jevons s’applique, note The Google Pro - plus l’IA devient bon marché, plus on l’utilise, et le travail se déplace vers des boucles de révision qui n’existaient pas. La promesse de vitesse existe pourtant : selon D2C Diaries, un prompt peut produire une vidéo de 90 secondes quasi prête en quinze minutes, à condition d’avoir la compétence de prompt. Les deux lectures se rejoignent : l’IA comprime la production et gonfle la révision, et c’est le jugement qui départage ce qui mérite d’être révisé.

Si ta scale-up plafonne aujourd’hui

Le réflexe « l’IA va remplacer le media buyer » rate la vraie question : qui supervise la machine ? Concrètement :

• Auditer la compétence disponible avant de déléguer un compte à un agent. L’IA amplifie l’expertise présente, elle ne comble pas son absence.
• Ouvrir les connecteurs IA en read-only d’abord, et n’autoriser l’écriture qu’une fois capable d’évaluer une recommandation avant de l’appliquer.
• Fournir explicitement le contexte que l’algorithme n’a pas : ICP, marges, objectifs de profit, contraintes de stratégie d’enchère.
• Séquencer la formation : mécanique de plateforme (ad rank, quality score) avant les tactiques automatisées, sinon on forme des opérateurs incapables de débugger.
• Budgéter la révision humaine comme un coût structurel, pas comme une friction à éliminer.

Le paramétrage régie se règle dans Google Search Ads - Paramétrage et Meta Ads - Paramétrage.

Pour aller plus loin

• Abdication du Jugement face à l’IA - le versant adverse : ce qui se passe quand l’outil devient assez bon pour qu’on cesse d’évaluer.
• Créa Générative par l’IA - la doctrine d’usage côté création : l’IA amplifie une intention créative, elle ne la remplace pas.
• Rôle du Creative Strategist - où la compétence de jugement se loge dans l’organisation créative.
• IA et Fin du Clic - la mutation côté pilotage et mesure à l’ère des modèles de langage.
• Goodhart’s Law - le piège de l’outil qui optimise un proxy à la place de la valeur.

Sources

• Kirk Williams, The AI Competency Gap in PPC We Need to Solve, Quickly - le praticien fait le gros du travail dans un workflow IA-PPC, et le biais de cadrage « n’importe qui peut faire ça ».
• Ryan Law, 37 Proven Ways to Use AI in Marketing - « The tool multiplies what you already bring; if you bring nothing, it multiplies nothing. »
• Andrew Faris, The Counterintuitive Way I’m Thinking AI For Meta Ad Creative - le geste décisif se joue avant l’outil, dans la réflexion marque, produit et marge.
• Send It, How a 12-person team outputs like 100 people with AI - le bon marketeur décuplé qui dirige les agents, contre les sorties encore plus génériques.
• Andrew Faris, The Reason AI Ad Creative Is So Disappointing (With Alex Cooper) - seules les personnes capables de bonnes publicités sans IA en font de bonnes avec.
• The Google Pro, The AI Paradox: Why Google Ads Automation Isn’t Saving You Time (Inside Google Ads Ep. 127) - le smart bidding comme « average maker », le paradoxe de Jevons.
• Miles McNair, Where AI falls short for Google Ads (and how to fix it) - l’IA générique recommande des ajustements inopérants faute de connaître la stratégie du compte.
• IPA, The IPA Making Sense Podcast : Rik Moore - l’IA comme tremplin : sauter et atterrir reste à l’humain.
• Optmyzr, Can AI Agents Really Manage Google Ads Accounts? ft. Nils Rooijmans (PPC TH 128) - les agents s’appuient sur une connaissance agrégée périmée ; l’avantage durable est la collecte du contexte client.
• Optmyzr, Le Search payant en 2026 : 10 enseignements essentiels - les « problèmes IA » sont souvent de mauvais workflows préexistants que l’automatisation révèle.
• Send It, What Retention Marketers Will Actually Do in 2026 - la connaissance marque, client, produit, marges et saisonnalité reste irréductiblement humaine.
• Optmyzr, Claude ou ChatGPT pour le PPC ? Nous avons testé les deux - en workflow IA connecté, rien ne touche le compte avant approbation humaine.
• Jon Loomer, Meta Ads AI Connectors Get More Security Controls - « You need to be capable of spotting bad recommendations before they’re applied. »
• Optmyzr, Le guide du pionnier du PPC : Fred Vallaeys - l’usage efficace exige de définir les entrées, la sortie attendue et le processus intermédiaire.
• The Google Pro, Google Ads Has Changed. Have You?!? (Inside Google Ads Ep. 134) - la moitié du dépannage remonte à l’ad rank, incompris des praticiens entrés à l’ère de l’automatisation.
• The Google Pro, Google Ads Management: What to Do (and When to Do Nothing) (Ep. 129) - l’automatisation fonctionne tant qu’elle fait ce qu’on attend ; quand elle dévie, l’expertise fondamentale reprend la main.
• Andrew Faris, 9 Takeaways From Running Meta Ads For 8-Figure Brands In 2025 - le media buying n’est pas devenu inutile : la publicité reste le premier ou deuxième poste de dépenses.
• D2C Diaries, What’s actually working in paid social right now? - un prompt peut produire une vidéo de 90 secondes quasi prête en quinze minutes, compétence de prompt supposée.

ℹ️ À propos de cette page

Reaching Kibo explore les vrais moteurs de la croissance des scale-ups B2C - et comment les mettre en pratique. Cette page appartient à Basecamp, le playbook du projet.

Elle est rédigée par IA, d’après le cadre et la direction que je donne. Une erreur, un désaccord, une source à ajouter ? Écris-moi : romain@reachingkibo.com.