L’IA dans la gestion du PPC : ce qu’elle fait déjà bien et où elle échoue encore
L’automatisation a pris en charge les enchères, la correspondance et l’assemblage des annonces. Où cela fonctionne, où cela perd de l’argent en silence et quel travail est resté aux humains — écrit par des gens qui ont dû se construire leur propre outil pour cela.
- L’automatisation est bonne pour optimiser vers un objectif donné. Elle est mauvaise pour décider si cet objectif est le bon.
- Les modèles de langage font gagner le plus de temps sur les textes, la lecture des rapports et la routine du flux — pas sur les décisions.
- Le plus grand risque n’est pas qu’une machine se trompe, mais que personne ne demande pourquoi cela s’est produit.
En cinq ans, le spécialiste PPC qui ajustait les enchères à la main est devenu quelqu’un qui fixe des objectifs, surveille les entrées et contrôle les sorties. C’est un changement utile et irréversible. Il a aussi accumulé beaucoup d’imprécisions dans les deux sens — que « l’IA le fait déjà toute seule » et que « l’automatisation ne fait que dépenser ».
Ce texte est une tentative de partage sobre : ce que l’automatisation fait déjà mieux qu’un humain, ce qu’elle fait moins bien, et ce qui en découle pour le travail dans le compte.
Ce que l’automatisation fait mieux qu’un humain
- Les enchères en temps réel. Estimer, à partir de dizaines de signaux, la probabilité de conversion pour une enchère précise est une tâche que les humains n’ont jamais bien faite. Ce débat est clos depuis longtemps.
- La correspondance des requêtes. Reconnaître que « chaussures de trail » et « chaussures pour courir en forêt » sont la même chose, le système le fait mieux que n’importe quelle liste de mots clés.
- Combiner les ressources. Tester quel titre va avec quelle requête est de la combinatoire, pas de la créativité.
- Surveiller les anomalies. Remarquer qu’une campagne a dépensé le triple un mardi, c’est exactement du travail de machine — et au-delà de quelques comptes, le seul moyen d’attraper un problème à temps. Nous avons construit ClientDeck pour cela, parce qu’une vérification matinale manuelle de dix comptes ne fonctionne pas.
Où elle échoue
Tous les cas ci-dessous ont un dénominateur commun : le système optimise vers ce que vous avez marqué comme succès et n’a aucun moyen de savoir que ce n’en est pas un.
- Une conversion mal définie. Mesurez l’ajout au panier et vous aurez des paniers. L’algorithme n’a aucune raison de supposer que vous vouliez des commandes.
- Des marges différentes. Le système ne voit pas que la catégorie A gagne cinq fois plus que la catégorie B. Avec un objectif unique, il envoie l’argent là où ça se vend le plus facilement. Voir marge par catégorie.
- Des demandes non qualifiées. En génération de leads, il optimise sur les formulaires remplis et non sur les contrats — jusqu’à ce que vous renvoyiez ce qui est advenu de la demande. Voir conversions hors ligne.
- L’incrémentalité. L’algorithme s’attribue volontiers des gens qui auraient acheté de toute façon. Il n’a aucune raison de ne pas le faire ; pour lui, ce sont des conversions peu chères. Voir incrémentalité.
- La capacité de l’entreprise. Il ne sait jamais que vous êtes en rupture de stock ou que le commercial ne suit pas les appels.
- Le rendement marginal. Il optimise vers l’objectif que vous avez fixé, pas vers le profit maximal. La différence entre les deux est exactement le sujet de l’article sur le budget.
L’automatisation répond à merveille au « comment ». Elle n’a pas d’avis sur le « quoi » et le « pourquoi » — et ce sont eux qui décident de l’argent.
Les modèles de langage au quotidien
Autre chose que l’automatisation dans la plateforme : des outils comme ChatGPT ou Claude qu’un spécialiste utilise dans son travail. Voici notre répartition sur la base de ce qui a marché chez nous :
| Tâche | Comment cela se passe | À surveiller |
|---|---|---|
| Variantes de titres et descriptions | Bien ; il en produira des dizaines qui méritent un test | Caractéristiques produit inventées et formulations interdites dans les secteurs réglementés |
| Nommage et rangement de la structure | Bien ; routine sans risque | Rien de substantiel |
| Nettoyer et enrichir un flux | Bien pour les titres et descriptions | Jamais pour le prix, la disponibilité et les identifiants |
| Lire un rapport et repérer des motifs | Bien comme premier passage | Vérifiez les conclusions dans les données ; les modèles confirment volontiers votre hypothèse |
| Analyser des termes de recherche et proposer des exclusions | Bien pour un pré-tri | La décision finale revient à quelqu’un qui connaît l’assortiment |
| Décisions de budget | Mal | Le modèle ne connaît ni votre marge, ni votre capacité, ni votre saison si vous ne les lui dites pas |
| Interpréter la significativité statistique | Mal | Erreurs fréquentes sur ce qu’un test a réellement démontré |
Nous ne laissons jamais un modèle effectuer des changements qui prennent effet sans validation humaine. Chaque changement dans un compte a un motif consigné, un résultat attendu, le nom de celui qui l’a validé et une date de revue. Ce n’est pas de la méfiance envers les machines — c’est la même règle que nous nous appliquons.
Ce qu’il faut craindre et ce qu’il ne faut pas craindre
Ne craignez pas que l’automatisation renchérisse un compte toute seule. Elle devient chère quand elle reçoit le mauvais objectif ou les mauvaises données, et c’est une décision humaine.
Craignez qu’avec le temps personne ne demande plus pourquoi quelque chose se produit. L’état le plus dangereux d’un compte n’est pas « l’algorithme s’est trompé », mais « personne ne sait ce qui a changé ni qui l’a validé ». Avec des boîtes noires comme Performance Max et AI Max, ce risque est plus grand que jamais, parce que les chiffres ont l’air bons même quand ils ne signifient rien.
La défense pratique est ennuyeuse et elle fonctionne :
- Un historique des changements auquel on peut revenir.
- Une vérification régulière face aux vraies commandes, pas face à l’interface de la plateforme.
- La marque séparée du reste, pour que le rapport soit lisible.
- Une fois par an, une expérimentation qui vérifie combien de tout cela est réellement supplémentaire.
Ce qui est resté aux humains
La liste complète, telle que nous la voyons aujourd’hui : décider ce qui compte comme succès et ce que cela vaut. Connaître la marge et la capacité de l’activité. Décider ce qu’un client peut coûter. Construire une mesure digne de confiance. Écrire une offre qui mérite de la publicité. Et savoir dire « pas ça » quand les chiffres ont l’air bons.
Aucun système ne fait encore rien de tout cela, parce que ce ne sont pas des problèmes d’optimisation. Ce sont des décisions sur l’argent d’une entreprise.
Ce qu’il faut retenir
L’automatisation a déplacé le travail en PPC de la configuration au briefing. C’est un changement pour le mieux, mais il augmente le coût d’une erreur : un objectif mal fixé se voit aujourd’hui plus vite et à plus grande échelle qu’avant. Le meilleur investissement en « IA pour le PPC » n’est donc pas de nouveaux outils, mais des données de conversion solides, la connaissance de sa propre marge et de la discipline dans la consignation des changements.
Questions fréquentes
L’IA va-t-elle remplacer le spécialiste PPC ?
Elle a déjà remplacé la part du travail qui consistait à fixer des enchères et à faire correspondre des mots clés à la main — ce débat est clos. Elle n’a pas remplacé la décision de ce qui compte comme succès et de ce que cela peut coûter : l’automatisation optimise vers un objectif donné mais n’a aucun moyen de savoir que l’objectif est mauvais. Le travail qui reste aux humains, c’est définir la valeur de conversion, connaître la marge et la capacité de l’activité, construire une mesure fiable et savoir dire que quelque chose ne doit pas être fait.
Pour quoi puis-je utiliser ChatGPT ou un outil similaire en PPC en toute sécurité ?
Cela marche bien pour les variantes de titres et de descriptions, pour ranger le nommage et la structure, pour nettoyer titres et descriptions d’un flux produits, pour un premier passage dans un rapport et pour pré-trier des termes de recherche en vue d’exclusions. Nous ne le recommandons pas pour les décisions de budget, parce qu’il ne connaît ni votre marge, ni votre capacité, ni votre saison, ni pour interpréter la significativité statistique, où les modèles se trompent souvent. Avec les flux, ne laissez jamais un modèle toucher au prix, à la disponibilité ou aux identifiants produits.
Comment garder le contrôle de campagnes automatisées ?
Avec quatre choses, dont aucune n’est technique. Tenez un historique des changements avec le motif, le résultat attendu et le nom de celui qui a validé, pour pouvoir revenir en arrière. Vérifiez les résultats face aux vraies commandes de votre propre système et non face à l’interface de la plateforme. Séparez les requêtes de marque, sinon le rapport est illisible. Et au moins une fois par an, vérifiez par expérimentation quelle part du résultat est réellement supplémentaire — avec des boîtes noires comme Performance Max, les chiffres ont l’air bons même quand ils ne signifient rien.
- Google Ads AI Max For Search In 2026: Setup, Real Performance Data, GroasSource de cas documentés où l’automatisation sans garde-fous a augmenté le coût par conversion. Blog d’agence.
- Explaining incrementality, PPC LandContexte sur les raisons pour lesquelles l’automatisation s’attribue des conversions qui auraient eu lieu sans la publicité.