Vue d’ensemble
La littérature scientifique sur le marketing et l’intelligence artificielle s’est fortement accélérée depuis 2018-2019, puis a connu une seconde vague avec l’IA générative à partir de 2023. Les travaux convergent autour d’une idée centrale : l’IA ne constitue pas seulement un outil d’automatisation, mais une transformation des capacités marketing, notamment dans la connaissance client, la personnalisation, la création de contenu, la relation client, la tarification, la prédiction de la demande et la mesure de performance.
Deux articles structurants ressortent dans le corpus. D’abord, Verhoef et al. (2019), sur la transformation digitale, situe l’IA dans une reconfiguration plus large des modèles d’affaires, des interactions client et des capacités organisationnelles. Ensuite, Dwivedi et al. (2019) proposent une perspective multidisciplinaire sur les opportunités et risques de l’IA pour la recherche, la pratique et les politiques publiques. La littérature plus récente, notamment depuis 2023, déplace l’attention vers l’IA générative, les chatbots avancés, les assistants conversationnels, les influenceurs virtuels et les tensions liées à la confiance, à la vie privée et à l’authenticité.
Principaux axes de recherche
A. Personnalisation, recommandation et ciblage
L’un des premiers usages marketing de l’IA concerne la personnalisation : recommandations de produits, segmentation comportementale, scoring client, personnalisation des messages et optimisation des parcours. Les fondements techniques s’appuient sur le machine learning, le clustering, le filtrage collaboratif et l’analyse prédictive.
Les recherches montrent que la personnalisation peut améliorer l’engagement, la satisfaction et la conversion, mais qu’elle produit aussi un effet ambivalent souvent appelé « paradoxe de la personnalisation ». Plus les messages sont pertinents, plus ils peuvent être perçus comme intrusifs. Les travaux récents sur le commerce électronique et le tourisme numérique analysent précisément cette tension entre valeur perçue, réactance psychologique et préoccupations de confidentialité.
Constat dominant : l’efficacité de la personnalisation dépend moins de la sophistication algorithmique seule que de la perception de contrôle, de transparence et de légitimité par le consommateur.
B. IA générative et production de contenu marketing
Depuis 2023, une partie importante de la littérature porte sur ChatGPT, les grands modèles de langage et les outils génératifs. Ces technologies sont étudiées pour la rédaction publicitaire, la génération d’idées, la production d’images, la création de variantes de campagnes, le SEO, les emails personnalisés, les scripts de vente, les réponses client et la création de contenu social media.
Dwivedi et al. (2023) soulignent que l’IA générative modifie la répartition des rôles entre humains et machines : les marketeurs deviennent davantage éditeurs, superviseurs, stratèges et garants de cohérence de marque. La valeur ne vient pas seulement de la production rapide de contenu, mais de la capacité à intégrer l’IA dans un processus contrôlé : brief, génération, évaluation, validation, diffusion et apprentissage.
Tension majeure : l’IA générative augmente la productivité créative mais soulève des risques de banalisation du contenu, d’erreurs factuelles, de biais, de perte d’authenticité et d’atteinte à la propriété intellectuelle.
C. Expérience client, chatbots et agents conversationnels
La littérature sur les chatbots précède l’IA générative, mais les grands modèles de langage ont renouvelé ce champ. Les recherches distinguent généralement trois dimensions :
- la performance fonctionnelle : rapidité, précision, disponibilité ;
- la dimension relationnelle : empathie perçue, anthropomorphisme, fluidité ;
- la confiance : sécurité, transparence, fiabilité et possibilité d’intervention humaine.
Les études montrent que les consommateurs acceptent mieux les agents IA pour des tâches simples, répétitives ou informationnelles. Pour les situations émotionnelles, complexes ou à fort enjeu, l’intervention humaine reste souvent préférée. Les travaux récents sur l’anthropomorphisme des chatbots et sur l’aversion aux services IA suggèrent que l’apparence humaine ou le ton conversationnel peuvent renforcer l’engagement, mais aussi accroître les attentes et donc la déception en cas d’échec.
Conclusion partielle : l’IA améliore l’expérience client quand elle réduit l’effort client, mais elle peut la dégrader lorsqu’elle remplace prématurément le jugement humain.
D. IA, CRM et connaissance client
L’IA est également étudiée comme infrastructure de CRM augmenté. Les systèmes de CRM intégrant l’IA permettent d’analyser des volumes importants de données transactionnelles, comportementales et conversationnelles. Les applications incluent :
- prédiction du churn ;
- scoring de leads ;
- recommandation d’actions commerciales ;
- segmentation RFM enrichie ;
- analyse des sentiments ;
- identification d’opportunités de cross-sell et up-sell ;
- automatisation du service client.
La littérature insiste sur le passage d’un CRM descriptif à un CRM prescriptif. L’enjeu n’est plus seulement de savoir ce qu’un client a fait, mais de prédire ce qu’il pourrait faire et de recommander l’action marketing la plus pertinente.
Limite récurrente : la qualité des résultats dépend fortement de la qualité, de l’intégration et de la gouvernance des données.
E. Publicité algorithmique, médias sociaux et influence
L’IA transforme la publicité digitale par l’optimisation automatique des enchères, la création dynamique de messages, la sélection d’audience et l’attribution. Les recherches sur les médias sociaux mobilisent aussi l’analyse de sentiment, la détection d’influence, la classification de contenus et la prédiction de viralité.
Un sous-champ émergent concerne les influenceurs virtuels et les avatars générés par IA. La question centrale est celle de l’efficacité comparative avec les influenceurs humains. Les études récentes suggèrent que les influenceurs virtuels peuvent être efficaces dans certains contextes, notamment lorsque la cohérence esthétique, le contrôle de marque et l’innovation sont valorisés. Toutefois, leur efficacité dépend de l’authenticité perçue, de la congruence avec la marque et du type de produit.
Point clé : l’IA permet un contrôle accru de la communication, mais ce contrôle peut entrer en tension avec les attentes d’authenticité des publics.
Cadres théoriques mobilisés
La littérature combine plusieurs cadres théoriques :
- Technology Acceptance Model et UTAUT : pour expliquer l’adoption de l’IA par les consommateurs, employés ou organisations.
- Théorie de la confiance : pour comprendre l’acceptation des recommandations, chatbots ou services automatisés.
- Privacy calculus : arbitrage entre bénéfices de personnalisation et coûts perçus en matière de données personnelles.
- Service-dominant logic : IA comme ressource intégrée dans la co-création de valeur.
- Théorie de la réactance psychologique : résistance face à une personnalisation trop intrusive.
- Théorie de l’anthropomorphisme : effets de l’humanisation des agents IA.
- Resource-based view et dynamic capabilities : IA comme capacité organisationnelle permettant avantage concurrentiel et transformation marketing.
Résultats empiriques dominants
Les résultats empiriques sont globalement favorables à l’IA, mais nuancés.
L’IA tend à améliorer la performance marketing lorsqu’elle est utilisée pour des tâches à forte intensité de données : prédiction, segmentation, recommandation, automatisation, optimisation média. Les gains sont moins automatiques dans les tâches créatives, relationnelles ou stratégiques, où la supervision humaine reste déterminante.
Les études montrent aussi que l’acceptation client dépend fortement du contexte. Les consommateurs acceptent plus facilement l’IA lorsqu’elle est utile, rapide, peu risquée et clairement identifiée. À l’inverse, l’IA est moins bien acceptée lorsqu’elle intervient dans des situations sensibles, opaques ou émotionnelles.
Enfin, la littérature récente souligne que les bénéfices de l’IA sont conditionnés par les capacités internes de l’organisation : maturité data, compétences analytiques, intégration CRM, gouvernance, culture d’expérimentation et clarté stratégique.
Risques, limites et enjeux éthiques
Les principaux risques identifiés sont les suivants :
| Risque | Description | Impact marketing |
|---|---|---|
| Biais algorithmique | Reproduction ou amplification de discriminations présentes dans les données | Ciblage injuste, exclusion de segments |
| Opacité | Difficulté à expliquer les recommandations ou décisions | Perte de confiance |
| Intrusion perçue | Personnalisation trop précise ou non consentie | Réactance, rejet de la marque |
| Hallucinations génératives | Production d’informations fausses par les IA génératives | Risque réputationnel et juridique |
| Dépendance technologique | Sur-automatisation des décisions marketing | Perte de compétence humaine |
| Standardisation créative | Contenus générés similaires entre marques | Affaiblissement de la différenciation |
| Protection des données | Collecte et traitement massif d’informations personnelles | Risques réglementaires et réputationnels |
La littérature recommande donc une approche d’IA responsable : transparence, explicabilité, consentement, contrôle humain, audit des biais, sécurité des données et alignement avec les valeurs de marque.
Évolution récente : de l’IA analytique à l’IA générative
On peut distinguer trois phases dans la recherche :
Phase 1 : IA analytique et prédictive
Elle se concentre sur le clustering, la recommandation, la prédiction de comportement, l’analyse de sentiment et la segmentation.
Phase 2 : IA interactive
Elle porte sur les chatbots, assistants virtuels, interfaces conversationnelles et automatisation du service client.
Phase 3 : IA générative et agentique
Elle concerne la création de contenu, les copilotes marketing, les agents autonomes, la génération multimodale, la personnalisation en temps réel et l’orchestration de campagnes.
La tendance actuelle est le passage d’outils spécialisés à des systèmes intégrés capables d’assister plusieurs étapes du processus marketing : insight, stratégie, création, activation, mesure et optimisation.
Lacunes de recherche
Plusieurs zones restent insuffisamment étudiées.
Premièrement, beaucoup d’articles mesurent l’intention d’usage ou la perception, mais moins souvent la performance réelle à long terme. Il manque des études longitudinales sur l’effet de l’IA sur la fidélité, la valeur vie client et la rentabilité.
Deuxièmement, les recherches sur l’IA générative sont encore souvent conceptuelles ou exploratoires. Il faut davantage d’études empiriques comparant la créativité humaine, la créativité assistée par IA et la créativité entièrement générée par IA.
Troisièmement, la littérature traite encore insuffisamment les PME, alors que les capacités, budgets, données et compétences y sont très différents de ceux des grandes entreprises.
Quatrièmement, les travaux sur les pays émergents restent dispersés. Les effets de culture, de confiance institutionnelle, de maturité numérique et de réglementation méritent davantage d’attention.
Cinquièmement, l’impact environnemental de l’IA marketing est encore peu intégré dans les modèles de performance, alors que les systèmes génératifs peuvent être coûteux en calcul.
Références clés
Dwivedi, Y. K. et al. (2019). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management.
- Dwivedi, Y. K. et al. (2023). “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI. International Journal of Information Management.
- Verhoef, P. C. et al. (2019). Digital transformation: A multidisciplinary reflection and research agenda. Journal of Business Research.
- Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science.
- Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). How artificial intelligence will change the future of marketing. Journal of the Academy of Marketing Science.
- Puntoni, S., Reczek, R. W., Giesler, M., & Botti, S. (2021). Consumers and artificial intelligence: An experiential perspective. Journal of Marketing.
- Su, X., & Khoshgoftaar, T. M. (2009). A survey of collaborative filtering techniques. Advances in Artificial Intelligence.
- Taboada, M. et al. (2011). Lexicon-Based Methods for Sentiment Analysis. Computational Linguistics.
- Jordan, M. I., & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science.
- Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science.
Synthèse
La recherche sur le marketing et l’IA montre que l’IA devient une capacité centrale de la fonction marketing. Elle transforme la manière dont les entreprises comprennent les clients, produisent des contenus, automatisent les interactions, personnalisent les offres et mesurent la performance.
Cependant, la littérature invite à dépasser une vision purement technologique. Les effets de l’IA dépendent de facteurs humains, organisationnels et éthiques : confiance, transparence, qualité des données, contrôle humain, culture d’entreprise et acceptabilité sociale.
La conclusion générale est donc la suivante : l’IA crée de la valeur marketing lorsqu’elle augmente les capacités humaines plutôt que lorsqu’elle les remplace mécaniquement. Les recherches les plus prometteuses portent aujourd’hui sur les modèles hybrides humain-IA, la personnalisation responsable, l’IA générative contrôlée, les agents conversationnels fiables et la gouvernance éthique des systèmes marketing automatisés.
