Greg Jarboe voit le programmatique ressurgir avec l’IA marketing

Greg Jarboe relie les promesses de l’IA marketing à celles du programmatique. Il rappelle avoir enseigné un cours intitulé « Programmatic Buying Foundations » il y a huit ans. Le programme promettait des publicités pertinentes, efficaces et mesurables à grande échelle. Son parcours reposait sur cinq étapes. Les équipes organisaient leurs données d’audience, concevaient les créations, exécutaient les campagnes, atteignaient plusieurs écrans, puis mesuraient les résultats. Des cas Mondelez, Campbell’s et Ford India illustraient cette méthode. Pour Jarboe, l’efficacité devait entraîner mécaniquement l’efficacité publicitaire et la mesure. Cette promesse constitue aujourd’hui le point de comparaison avec les outils marketing fondés sur l’IA.

Le programme incluait pourtant des modules sur la fraude publicitaire, la sécurité des marques et le RGPD. Les annonceurs devaient apprendre à repérer les inventaires frauduleux. Ils devaient aussi composer avec le manque de transparence, présenté comme une préoccupation majeure du secteur. Les règles de confidentialité rendaient les conversions après exposition et les conversions entre appareils plus difficiles à évaluer. L’automatisation censée fiabiliser la mesure imposait donc une formation consacrée à ses limites. Jarboe estime que le même décalage réapparaît avec l’IA marketing. L’outil réduit parfois une tâche visible, mais ajoute du contrôle, de la correction et de la maintenance. Cette charge reste rarement inscrite dans la promesse initiale.

Les études mesurent le temps rendu

METR a testé cette perception sur 246 tâches réelles réalisées par 16 développeurs expérimentés. Les participants pensaient que l’IA accélérerait leur travail d’environ 25 %. En pratique, ils ont terminé leurs tâches environ 20 % plus lentement avec l’assistance de l’IA. Ils estimaient pourtant, après l’expérience, avoir gagné du temps. Une enquête de BetterUp Labs et Stanford ajoute un autre indicateur. Plus d’un millier de travailleurs ont déclaré que la correction d’un contenu généré par IA prenait presque deux heures en moyenne. Dans une grande entreprise, cette charge pourrait dépasser 9 millions de dollars par an. Ces résultats illustrent l’écart entre temps perçu et temps réellement mobilisé.

Les organisations réinvestissent aussi une partie des gains annoncés. Les recherches de Workday indiquent que quatre heures sur dix économisées par l’IA sont ensuite consacrées à la reprise de productions faibles. Upwork a interrogé 2 500 dirigeants et travailleurs sur cette redistribution du temps. Une partie sert à vérifier et corriger les sorties. Une autre finance l’apprentissage des outils ou l’absorption de nouvelles tâches. Les données de HubSpot montrent que l’usage est déjà largement répandu chez les responsables marketing. Une majorité déclare également que son entreprise développe des outils internes plutôt que de les acheter. Selon Kevin Indig, ces systèmes créent alors une activité durable de construction et de maintenance.

Les équipes doivent compter la maintenance

Jarboe propose trois règles inspirées du programmatique et des données de Kevin Indig. Chaque outil interne doit avoir un responsable clairement nommé et une date d’arrêt ou de révision. Le standard ads.txt est cité comme exemple de responsabilité structurée face à la fraude publicitaire. Les équipes doivent ensuite mesurer les heures consacrées à construire, corriger et maintenir un outil. L’étude de METR montre que les déclarations subjectives sur le temps gagné peuvent être trompeuses. Enfin, Jarboe recommande de protéger le travail dont les résultats arrivent lentement. Il cite notamment la profondeur des contenus, les relations publiques numériques et les mentions reprises dans les réponses d’outils d’IA.

La comparaison reste centrée sur la comptabilité du travail. En 2018, le programmatique promettait de remplacer une partie de l’achat média manuel. Selon Jarboe, cette activité s’est aussi transformée en surveillance de la fraude, sécurité des marques et conformité. En 2026, les outils marketing internes fondés sur l’IA déplacent pareillement le travail vers la formulation des instructions, la construction et l’entretien des flux. Kevin Indig décrit cette charge comme une tâche invisible, qui réapparaît quand son responsable s’absente. L’analyse complète est publiée par le Search Engine Journal. Les données de METR documentent le décalage observé chez les développeurs. Pour aller plus loin, consultez notre guide sur réduire ses coûts grâce à l’IA.