Cas d’utilisation du marketing IA : ce qui fonctionne actuellement et ce qui vous attend en 2027

Si vous êtes en train d’évaluer les solutions de marketing IA, la présélection vous paraîtra sans doute familière. Chaque grand fournisseur propose une IA agentique pour les segments prédictifs, du contenu génératif, l’optimisation du moment de l’envoi et une orchestration plus ou moins travaillée du parcours. Mais une question permet de les distinguer et la plupart des cadres d’évaluation ne l’incluent pas : à quelles données opérationnelles les agents IA ont-ils véritablement accès ?

En général, l’IA pour le marketing fonctionne sur une vue partielle du client. La majorité des outils marketing IA ont accès aux données comportementales : clics, ouvertures, sessions Web. Ils n’ont pas accès aux achats que le client a effectués, aux articles qu’il a renvoyés, au potentiel retard avec lequel sa commande a été envoyée ou à son niveau de fidélité.

Résultat : vos prédictions sont superficielles, votre personnalisation n’est pas adaptée, et l’orchestration du parcours client que vous avez configurée continue à envoyer des e-mails concernant des abandons de panier à un client qui a acheté le produit en magasin deux jours auparavant.

Les cas d’utilisation du marketing IA qui génèrent des gains de chiffre d’affaires mesurables ont tous une chose en commun : un accès aux données opérationnelles relatives au commerce, aux commandes, aux stocks, au traitement et aux systèmes de service.

Voici ce à quoi ils correspondent en pratique, les résultats qu’ils offrent et la méthode pour évaluer si votre pile actuelle est capable de les prendre en charge.

Le marketing IA applique l’intelligence artificielle pour comprendre les clients, créer et personnaliser les expériences, automatiser les décisions et générer des résultats. En traitant l’IA comme une capacité unique, vous vous retrouvez avec des pilotes déconnectés qui ne se combinent pas.

L’article The Future of Customer Engagement: 4 Shifts Defining the Next Era (L’avenir de l’engagement client : les 4 tournants qui définissent la prochaine ère) mappe quatre couches distinctes. En déterminant où vous vous trouvez, c’est le moyen le plus rapide de mettre en place une stratégie cohérente :

• Calculs avancés. Tests A/B, attribution du chiffre d’affaires, enseignements sur le cycle de vie. La couche fondamentale qui met en avant ce qui fonctionne.
• IA ciblée. Machine Learning pour déterminer la meilleure démarche, optimisation du moment de l’envoi et prédiction de l’attrition. C’est la couche où la plupart des équipes les plus matures se trouvent aujourd’hui.
• IA générative. Création de contenus, traduction et accélération des campagnes. C’est la couche que la plupart des équipes pilotent de manière active.
• IA agentique. IA qui vise un objectif marketing et se coordonne sur les différents systèmes sans nécessiter d’intervention humaine à chaque étape – la prochaine frontière.

Une équipe qui utilise l’IA générative sans IA ciblée sous-jacente produit des contenus plus rapidement, mais sans savoir à qui les adresser. Une équipe qui pilote l’IA agentique sans données connectées automatise des décisions qui ne prennent pas en compte l’intégralité du profil du client.

C’est la question d’évaluation que la plupart des comparatifs de fournisseurs ignorent.

Un modèle de prédiction d’attrition entraîné sur les données d’engagement par e-mail est capable de vous dire quels clients ont arrêté d’ouvrir les e-mails.

En revanche, un modèle de prédiction d’attrition entraîné sur l’engagement par e-mail, l’historique des achats, le comportement en matière de retours, le statut des commandes et les interactions de service peut vous dire qui sont les clients qui partent et pourquoi.

53 % des marques déclarent que l’intégration entre la CX et l’ERP est une priorité, mais 59 % indiquent qu’elles ne sont pas encore allées jusqu’au bout (étude 2026 menée par SAP et Foundry auprès des DSI). Cet écart explique pourquoi de nombreux investissements dans le marketing IA stagnent : les modèles sont sophistiqués, mais les données qui les sous-tendent sont superficielles.

Lorsque vous évaluez des cas d’utilisation de marketing IA, chaque solution dispose de l’IA. La question à se poser est la suivante : à quelles données l’IA a-t-elle accès ?

1. Anticiper le comportement des clients grâce aux données opérationnelles

Une marque de vente directe dans le domaine de la beauté mène une campagne de reconquête auprès des clients qui n’ont effectué aucun achat depuis 90 jours. Une même offre est envoyée au même moment avec un même message à 400 000 personnes. Certains des clients s’apprêtaient à effectuer un nouvel achat, ce qui fait que la remise vient grignoter la marge. D’autres sont partis il y a trois mois et ne reviendront pas.

Les scores de probabilité d’achat, les signaux de propension à l’attrition et les modèles d’affinité des produits viennent remplacer les approximations. Mais la qualité de ces prédictions dépend entièrement des données qui les sous-tendent.

Les fonctionnalités de prédiction de SAP Engagement Cloud s’appuient sur des données client opérationnelles : ce qu’une personne a acheté et a renvoyé, la façon dont elle est impliquée au niveau du commerce, du service et de la fidélité, les schémas de renouvellement de commandes et le stade du cycle de vie. Ce sont sur ces éléments que les fonctionnalités d’identification d’audience de Joule s’appuient lorsqu’elles établissent des segments prédictifs.

Sur le plan commercial, ça fait la différence. D’après l’indice de fidélité client 2025, la vraie fidélité a reculé de cinq points de pourcentage depuis 2024. C’est la plus grande baisse annuelle depuis la création de l’indice. Elle est désormais à 29 %, et 28 % des clients ont changé de marque par lassitude. Une campagne de reconquête menée pendant que le client se rappelle encore de vous porte ses fruits. Six mois après, vous vous retrouvez en concurrence avec des inconnus.

2. Personnaliser les expériences client au-delà des clics

Le programme e-mail d’un détaillant de mode envoie la même campagne de « nouveaux arrivages » à deux millions d’abonnés chaque mardi. Le client qui vient tout juste d’acheter un manteau d’hiver reçoit le même e-mail que le client qui a passé une semaine à chercher des baskets.

La majorité des moteurs de personnalisation fonctionnent à partir des données comportementales : les articles sur lesquels une personne a cliqué, les pages qu’elle a consultées, la durée de sa visite sur la page. Ce sont des informations utiles, mais partielles. Il manque ce que la personne a acheté et gardé, ce qu’elle a renvoyé, l’expérience de service qu’elle a vécue, et si sa dernière commande est arrivée dans les délais.

La personnalisation de SAP Engagement Cloud couvre la segmentation prédictive et dynamique, les recommandations de produits en fonction de l’affinité visuelle et de l’historique d’achat, la sélection dynamique de contenus, les offres personnalisées, la meilleure démarche, l’optimisation du moment de l’envoi et la préférence en matière de canaux. Les fonctionnalités de recommandation de produits et de personnalisation de contenus de Joule s’appuient sur des données opérationnelles, afin que la recommandation et le message qui l’accompagne reflètent la relation client dans son ensemble.

D’après le rapport 2026 sur l’indice de l’engagement mondial, 58 % des clients estiment que la plupart des e-mails marketing qu’ils reçoivent ne sont pas pertinents. L’écart entre ce que les marques envoient et ce que les clients souhaitent s’atténue lorsque la personnalisation est guidée par la réalité des achats, pas uniquement par le comportement de navigation.

Puma a multiplié par 5 le chiffre d’affaires issu des campagnes e-mail en six mois, grâce à la segmentation IA prédictive de SAP Engagement Cloud, plus une croissance de 50 % de la base de données en connectant les programmes de recommandation infusés par l’IA.

3. Générer et optimiser le contenu marketing

Une équipe marketing du cycle de vie a besoin de 47 variantes d’e-mails pour un lancement de produit : trois segments de cycle de vie, quatre canaux, des versions en plusieurs langues, des variantes de tests A/B. Il n’y a que deux personnes dans l’équipe. Et le lancement a lieu dans trois semaines.

L’IA générative gère la production : des textes d’e-mails et des lignes d’objet adaptés aux segments, des descriptions de produits et des variations de contenu selon l’audience et le canal, une personnalisation des actifs visuels, la localisation et des tests multidimension pilotés par l’IA suivant un rythme qu’aucune équipe ne pourrait tenir si elle procédait manuellement.

D’après le rapport de SAP sur l’IA dans le Retail, 54 % des spécialistes marketing déclarent avoir des taux d’ouverture plus élevés lorsque les lignes d’objet des e-mails sont rédigées par l’IA. Mais l’impact sur le chiffre d’affaires se révèle pleinement lorsque le contenu généré par l’IA est combiné avec des audiences sélectionnées par l’IA et des moments optimisés par l’IA grâce à des tactiques prédéfinies dans SAP Engagement Cloud.

Voici la distinction pratique à faire pour l’évaluation : un outil d’IA générative autonome crée du contenu plus rapidement. Une fonctionnalité d’IA générative intégrée au sein d’une solution d’automatisation marketing crée un contenu adapté en fonction du destinataire, du moment où le destinataire recevra le contenu et de ce que le destinataire a déjà consulté. Les fonctionnalités de génération de contenus de Joule gèrent les enseignements sur les e-mails ainsi que la génération, afin que votre équipe puisse affiner la sélection du contenu en fonction des données de performances.

D’après une étude de BCG et de SAP, le chiffre d’affaires par campagne augmente de 15 %, tandis que le nombre d’heures ETP passées sur la création de contenus diminue de 44 % lorsque ces fonctionnalités sont déployées ensemble, et non comme des outils isolés.

4. Orchestrer les parcours clients avec des signaux concrets

Un client ajoute une paire de bottes à son panier vendredi soir. Le lundi matin, il reçoit un e-mail concernant son abandon de panier, une notification push, un SMS et une publicité de reciblage. Or, il a acheté les bottes en magasin le samedi.

Chaque message envoyé après l’achat est intempestif et vient éroder la confiance accordée à la marque. Le système marketing n’avait aucun enregistrement de l’achat réalisé en magasin, car il n’avait accès ni aux données de commerce, ni aux données du point de vente.

L’orchestration du parcours optimisée par l’IA détermine les moments auxquels interagir avec le client et ceux où il est préférable de le laisser tranquille, le canal à utiliser, le contenu ou l’offre à lui proposer, si une incitation est nécessaire, le plafonnement de la fréquence et la suppression des messages en temps réel. Mais la qualité de ces décisions dépend de celle des données sur lesquelles elles se basent.

SAP Engagement Cloud connecte les données relatives au commerce, aux commandes, aux stocks, au traitement et au service. Les fonctionnalités d’orchestration du parcours de Joule se coordonnent sur ces sources de données en temps réel, afin que vos campagnes s’adaptent aux interactions qui ont eu lieu sur les différents points de contact, y compris celles hors de la portée du système marketing.

Toujours d’après l’étude de SAP et de Foundry, 74 % des marques indiquent que la visibilité et la répartition des stocks sont les facteurs qui ralentissent le plus l’exécution de la CX. Les campagnes de météo-marketing, les notifications de retour en stock basées sur des données réelles et la suppression d’un parcours en fonction des achats confirmés dépendent toutes d’une même condition : le système marketing doit avoir accès aux signaux opérationnels.

Molton Brown a bénéficié d’une hausse annuelle de son taux de conversion de 22 % grâce à des campagnes stratégiques ayant tiré parti d’un engagement personnalisé, optimisé par l’IA et basé sur des données unifiées de SAP Commerce Cloud et SAP Engagement Cloud.

5. Passer de l’automatisation aux agents IA

Votre équipe marketing se réunit pour examiner les performances hebdomadaires. Les taux d’ouverture sont fournis dans un tableau de bord, les taux de clics dans un autre, et les données de conversion n’ont pas encore été synchronisées. L’équipe fait le point sur les campagnes de la semaine précédente après les faits. Avant que l’un des membres ne se rende compte que l’e-mail promotionnel du vendredi enregistre de mauvaises performances, quelque 200 000 clients l’ont déjà reçu, et la possibilité d’effectuer un suivi s’est déjà envolée.

Joule met en place des agents IA qui travaillent pour atteindre des objectifs marketing définis, dans le cadre des autorisations définies par l’équipe marketing. Les spécialistes marketing décrivent ce qu’ils souhaitent accomplir, et Joule coordonne l’exécution. (Pour en savoir plus sur le fonctionnement du marketing agentique et ses avantages pour les équipes marketing, consultez  What Is Agentic Marketing? A Guide for Marketers [Qu’est-ce que le marketing agentique ? Un guide destiné aux spécialistes marketing].)

En pratique, voilà ce que cela implique :

• Identification des audiences permettant de créer et d’affiner des segments en fonction des objectifs de campagnes et des signaux de performance
• Activation des campagnes sur les différents canaux en fonction de l’audience, du timing et des décisions relatives au contenu coordonnées par l’IA
• Personnalisation du contenu et des actifs visuels pour ajuster les textes, les images et les offres au moment de l’envoi
• Enseignements sur les e-mails qui font ressortir les schémas de performance et recommandent des mesures pendant que les campagnes sont en cours
• Orchestration des parcours qui redirige les clients sur les points de contact en fonction des signaux comportementaux et opérationnels en temps réel

Ces fonctionnalités font partie de SAP Business Suite et sont connectées aux commandes, aux stocks, au traitement, à la fidélité et au service. Cette connexion est ce qui permet au marketing agentique intégré de se distinguer des outils d’IA imbriqués qui sont capables de générer du contenu, mais qui n’ont pas accès à la réalité commerciale d’un client.

Le partenariat de SAP avec Google Cloud va encore plus loin, avec l’intégration de Google BigQuery qui permet aux données externes en direct (conditions météo, signaux de demande régionale) de déclencher des workflows de campagne automatisés en temps réel. Le playbook sur la personnalisation décrit des cas d’utilisation spécifiques en détail, notamment les campagnes de météo-marketing et les notifications de retour en stock basées sur des données de stock en direct venant de l’ERP.

De nouvelles fonctionnalités d’agent seront lancées au cours du 4e trimestre 2026 et du 1er trimestre 2027. Les unités d’IA achetées aujourd’hui s’appliquent automatiquement aux nouvelles fonctionnalités mises en ligne.

Ce qui change en 2027 : le principal changement concerne les tâches mono-agent qui passeront à une coordination multi-agent. Aujourd’hui, les Joule Agents gèrent l’identification des audiences ou la génération de contenus comme des fonctionnalités individuelles. Au cours de l’année 2027, les agents se coordonneront sur ces tâches selon un ordre bien défini : identification d’une audience, génération de contenus pour cette audience, sélection du canal et du moment opportun, activation de la campagne, et enfin, ajustement en fonction des performances, le tout, dans un seul et même workflow.

Pour les spécialistes marketing, cela signifie que l’intervalle qui sépare la définition des objectifs à atteindre de la mise en ligne et de l’optimisation de la campagne passe de plusieurs jours à quelques heures. Dans les entreprises utilisant SAP ERP, les agents auront accès à des signaux opérationnels qu’aucun outil marketing autonome ne peut consulter, ce qui signifie que les campagnes qu’ils coordonneront se baseront dès le départ sur les données relatives aux stocks, au traitement et aux commandes.

Les Sharks de San José, qui font partie d’une entreprise de sport et de divertissement disposant de plusieurs sites, ont atteint un taux de renouvellement des abonnements annuels de 87 % et une croissance du chiffre d’affaires de 30 % en connectant les ventes, l’engagement, le commerce, le CDP et l’analytique avec SAP afin de favoriser un engagement des fans piloté par l’IA sur l’ensemble du cycle de vie des clients.

Pour sélectionner un cas d’utilisation de marketing IA, il faut d’abord s’interroger sur les données exploitées. Voici comment :

Déterminez les données auxquelles votre système marketing peut accéder concrètement.

• Achats effectués
• Retours
• Transactions en magasin
• Tickets de service
• État de la fidélisation

Si votre IA s’appuie uniquement sur les clics dans les e-mails et les sessions Web, les prédictions et la personnalisation stagneront, quel que soit le degré de sophistication des modèles. L’étude de McKinsey sur le bilan de l’IA en 2025 révèle que seulement 39 % des entreprises seraient capables de relier l’IA à un impact sur leurs bénéfices et la plupart d’entre elles ont indiqué un chiffre inférieur à 5 %. L’écart entre l’adoption de l’IA et l’impact de l’IA sur le chiffre d’affaires est le stade où la plupart des entreprises marketing se retrouvent bloquées actuellement.

Mappez votre maturité actuelle en matière d’IA sur les quatre couches. La plupart des équipes effectuent des calculs avancés et pilotent l’IA générative. L’écart concerne généralement l’IA ciblée (prédictions, meilleure démarche) et l’infrastructure de données qui la sous-tend.

Organisez vos cas d’utilisation en fonction de l’état de préparation des données. Voici une hiérarchisation pratique :

• Commencer par : le contenu généré par l’IA (couche 3). Ici, la dépendance aux données est minimale et la rentabilisation, très rapide. Génération de lignes d’objet, variations de contenu, localisation.
• Progresser vers : la segmentation prédictive et la personnalisation (couche 2). Ici, des données connectées sur les achats et le cycle de vie sont nécessaires. L’impact sur le chiffre d’affaires est plus élevé, mais uniquement lorsque le socle de données est bien en place.
• Évoluer dans : l’orchestration des parcours et l’IA agentique (couches 2 à 4). Des données opérationnelles en temps réel provenant du commerce, des commandes et du service sont nécessaires. Les cas d’utilisation correspondants sont ceux qui présentent la plus forte valeur ajoutée, mais ce sont aussi ceux qui dépendent le plus des données.

Commencez par le cas d’utilisation dont la mesure de référence est la plus claire. Comparez les approches assistées par l’IA aux approches existantes en ce qui concerne le chiffre d’affaires, la conversion et la rétention. Suivez les recettes incrémentales venant des campagnes pilotées par l’IA, et non pas les métriques d’adoption de l’IA.

Renseignez-vous auprès de votre fournisseur en ce qui concerne les données opérationnelles. La solution peut-elle accéder aux données de l’ERP, du commerce, des stocks et du service de manière native ? Ou nécessite-t-elle une couche d’intégration distincte qui apporte latence et complexité ? La réponse à ces questions détermine si votre marketing IA s’appuie sur une vue intégrale ou partielle du client.

L’utilisation de l’IA dans le marketing s’accompagne de risques bien concrets qui évoluent avec l’adoption :

• Qualité des données. L’IA amplifie tout ce qui se trouve dans les données, y compris les erreurs et les écarts. 92 % des marques déclarent qu’une amélioration de la qualité des données est le moyen le plus efficace de réduire le coût de possession total lié à la CX (étude 2026 menée par SAP et Foundry auprès des DSI).
• Confidentialité, consentement et réglementation. D’après le rapport 2024 sur l’IA dans le Retail, 70 % des clients s’inquiètent du fait que l’IA utilise leurs données personnelles pendant les achats. Seulement 11 % déclarent avoir une grande confiance dans les services de Retail optimisés par l’IA. Le RGPD, la loi de l’UE sur l’intelligence artificielle et les réglementations régionales évolutives imposent des exigences spécifiques quant à la façon dont l’IA traite les données clients, la façon dont les décisions automatisées sont divulguées et les mécanismes de consentement qui sont requis. La gouvernance et la gestion du consentement sont des obligations réglementaires, pas des aspects facultatifs.
• Préjugés. Les modèles prédictifs entraînés sur des données historiques peuvent répliquer et renforcer les préjugés existants dans le ciblage et l’engagement.
• Hallucinations. L’IA générative produit un contenu plausible qui peut être en réalité erroné. Chaque demande générée par l’IA doit être contrôlée par un œil humain.
• Cohérence de la marque. Un contenu généré par l’IA à grande échelle peut dévier de la Brand Voice en l’absence de garde-fous. D’après le rapport 2026 sur l’indice de l’engagement mondial, 85 % des marques établies ont mis en place des garde-fous clairs concernant l’IA.
• Automatisation excessive. Lorsqu’un client s’attend à ce qu’un humain prenne une décision et que cette dernière est automatisée, cela nuit à la relation. La stratégie, le jugement et la Brand Voice restent des tâches humaines.