Les spécialistes du marketing se méfient des connaissances de l’IA parce qu’ils ne peuvent pas voir d’où vient une conclusion et parce qu’agir sur une erreur confiante coûte cher. Dans une enquête GWI publiée le 2026 septembre auprès de plus de 450 spécialistes du marketing au Royaume-Uni, aux États-Unis et à Singapour, 72 % ont déclaré que leur organisation avait pris une décision importante sur les informations générées par l'IA qui s'est avérée erronée par la suite, mais seulement 37 % vérifient les informations générées par l'IA la plupart du temps. La solution consiste à rendre chaque conclusion de l’IA traçable à son échantillon, à ses preuves et à son raisonnement, afin qu’une personne puisse la vérifier avant que quiconque n’agisse en conséquence.
Points clés
- La méfiance est en partie méritée : la plupart des équipes marketing interrogées dans l'enquête de GWI ont déjà agi sur la base d'une idée de l'IA qui s'est avérée erronée, et la vérification reste l'exception.
- L'excès de confiance est également courant : dans l'étude de KPMG et de l'Université de Melbourne portant sur 47 pays, 66 % des employés s'appuient sur les résultats de l'IA au travail sans l'évaluer.
- Les recherches sur la confiance dans l’automatisation indiquent une fiabilité calibrée, et les gens acceptent les algorithmes imparfaits lorsqu’ils peuvent les inspecter et les ajuster.
- Une idée de l’IA est vérifiable lorsqu’elle énonce son échantillon, relie chaque affirmation aux preuves qui la sous-tendent, nomme son mécanisme et étiquette ce que le modèle a déduit.
- Nous auditons ci-dessous l’une des propres informations sur l’IA de SOMIN ; les contrôles ont détecté du bruit dans les preuves et un changement d'audience qui aurait induit un mémoire en erreur.
Pourquoi les spécialistes du marketing se méfient-ils des informations fournies par l’IA ?
Trois raisons reviennent sans cesse : l'information arrive sous la forme d'une boîte noire, ses erreurs sont fournies avec la même confiance que ses faits, et le coût d'un mauvais appel incombe au spécialiste du marketing, et non à l'outil.
Le coût n’est plus hypothétique. Dans l'enquête de GWI, 37 % des spécialistes du marketing ont déclaré qu'une mauvaise connaissance de l'IA avait entraîné des pertes financières, 35 % des plaintes des clients et 32 % des atteintes à leur réputation, et 44 % avaient refait le travail en raison de résultats inexacts. GWI vend des données d’enquête à utiliser dans des outils d’IA, elle a donc un intérêt dans la réponse, mais le modèle correspond à une recherche plus large.
KPMG et l'Université de Melbourne ont interrogé 48,000 personnes dans 47 pays pour leur étude mondiale 2025 sur la confiance dans l'IA. Un peu plus de la moitié (54 %) ont déclaré hésiter à faire confiance à l'IA, et 56 % des employés ont déclaré avoir commis des erreurs au travail à cause de celle-ci.
La psychologie ajoute une touche. Dans cinq études, Berkeley Dietvorst, Joseph Simmons et Cade Massey ont constaté que les gens perdent confiance dans un algorithme plus rapidement que dans un humain après avoir vu les deux commettre la même erreur, même lorsque l'algorithme était globalement plus précis. Ils ont appelé cela l’aversion aux algorithmes. Une erreur visible dans un aperçu de l’IA peut faire sombrer tout un outil aux yeux d’une équipe.
La méfiance est-elle un problème ou une réaction sensée ?
Les deux, selon ce à quoi cela mène. L’objectif n’est pas plus de confiance mais le juste montant. La revue 2004 de John Lee et Katrina See dans Human Factors a défini le problème comme une confiance appropriée : l'automatisation tourne mal lorsque les gens ne s'appuient pas sur elle de manière appropriée, lui faisant plus ou moins confiance que ses capacités ne le justifient.
Le marketing montre les deux échecs à la fois. L'étude de KPMG a révélé que 66 % des employés s'appuient sur les résultats de l'IA au travail sans les évaluer ni les valider, tandis que les données de GWI montrent que la plupart des spécialistes du marketing ne vérifient pas systématiquement les informations fournies par l'IA. Les équipes oscillent entre prendre un graphique à sa valeur nominale et regrouper un outil après une mauvaise décision.
Les mêmes chercheurs ont également trouvé une issue. Dans un suivi de 2018 dans Management Science, les gens étaient beaucoup plus disposés à utiliser un algorithme de prévision imparfait lorsqu'ils pouvaient modifier sa sortie, même légèrement, et leurs prévisions s'amélioraient. La confiance a augmenté avec le contrôle. Pour avoir un aperçu, le contrôle commence par la visualisation des preuves et la possibilité de modifier la conclusion.
Que disent les propres données de SOMIN sur la méfiance à l’égard de l’automatisation ?
Le moteur d'analyse de SOMIN a fait ressortir le même thème dans la catégorie de recherche d'audience. Dans une étude de juillet 2026 portant sur 229 articles payants de GWI, Nielsen, Milieu et Euromonitor, datée du 8 avril au 6 juillet 2026, elle a regroupé 51 dans une tension intitulée « Naviguer dans la complexité des informations sur les consommateurs dans un Marché axé sur le numérique » : les entreprises ont du mal à tirer des informations exploitables à partir de données abondantes, s'appuient sur des étiquettes générationnelles larges et craignent que les inexactitudes de l'IA nuisent à leur compréhension du marché. À partir de cette tension, il a construit cette chaîne :
- Persona: le stratège perspicace, un professionnel de l'analyse de marché et de la stratégie commerciale qui donne la priorité aux connaissances et aux décisions basées sur les données, construit à partir de 63 éléments de la même étude, dont 46 annonces GWI.
- Angle: La méfiance dans l'automatisation, que le modèle de SOMIN a classé sous la théorie de la confiance : la confiance se construit par la cohérence et la transparence, et l'IA utilisée sans communication claire l'érode. Dans la littérature de recherche, c'est le domaine de la confiance dans l'automatisation que Lee et See ont examiné.
- Insight : « La confiance naît dans le sol de la conversation, et non dans les données des algorithmes. »
Le propre marketing de la catégorie vend contre la même peur. Les publicités de GWI pour Agent Spark, qui intègrent les données d'enquête GWI dans les assistants IA, promettent des informations vérifiées provenant de consommateurs réels au lieu de contenu récupéré sur le Web. Sur les chaînes organiques de GWI, les 23 publications étiquetées avec un sujet d'IA ont généré en moyenne 83 engagements, soit près de trois fois la moyenne globale de GWI de 29, entre le 18 octobre 2025 et le 17 octobre 2026. L'étude sur la manière dont les sociétés d'études d'audience commercialisent leurs données présente une vision plus large.
Lorsque SOMIN a associé ces informations à son propre produit, les propositions reposaient sur une propriété plutôt que sur une fonctionnalité : chaque conclusion de l'IA peut être vérifiée par rapport aux publications qui la sous-tendent, et les balises conceptuelles remontent aux publications spécifiques qui les prouvent. C’est la norme que le reste de cet article s’applique, y compris à SOMIN.
Qu’est-ce qui rend un aperçu de l’IA vérifiable ?
Un aperçu de l’IA est vérifiable lorsqu’un collègue sceptique peut le retracer depuis la conclusion jusqu’aux preuves en quelques minutes. Le NIST AI Risk Management Framework donne des mots utiles pour les parties : la transparence répond à ce qui s'est passé, l'explicabilité répond à la manière dont un résultat a été atteint et l'interprétabilité répond au pourquoi. Le NIST répertorie la responsabilité et la transparence, ainsi que l’explicabilité et l’interprétabilité, parmi les caractéristiques d’une IA digne de confiance.
Pour un aperçu marketing, cela signifie quatre couches visibles :
- L'échantillon : sources, marques, plateformes, plage de dates et taille.
- Les preuves : des liens vers les publications, annonces ou lignes réelles derrière chaque réclamation, avec les décomptes.
- Le raisonnement : le mécanisme, nommé, avec une source pour la théorie.
- Le statut : une étiquette simple séparant ce qui a été observé de ce que le modèle a déduit.
Dans SOMIN Strategy, chaque personnage et chaque tension s'ouvrent sur la bibliothèque de contenu filtrée selon les publications ou les publicités qui se trouvent derrière. Ce lien est ce qui a rendu possible l’audit ci-dessous.
Comment auditer un insight IA en pratique ?
Nous avons analysé l'analyse « La confiance naît dans le sol de la conversation » à travers ces couches en octobre 2026.
| Vérification | Ce que nous avons trouvé | Verdict |
|---|---|---|
| Échantillon indiqué | 229 articles payants des bibliothèques publicitaires de GWI, Nielsen, Milieu et Euromonitor, 8 avril au 6 juillet 2026 | Passer |
| Preuve liée | La tension s'ouvre sur les 51 éléments derrière elle dans la bibliothèque de contenu | Passer |
| Preuves sur le sujet | Certains éléments étaient des publicités Nielsen recrutant des membres pour son panel informatique et mobile, qui ne disent rien sur la confiance dans l'insight. | Un peu de bruit : déposez les éléments hors sujet avant le briefing |
| Concentration | 31 des 51 articles provenaient de GWI | Le message d'un annonceur domine |
| L'angle correspond aux preuves | L’angle décrit les consommateurs qui se méfient des marques qui utilisent l’IA ; la preuve est que les sociétés de recherche vendent aux spécialistes du marketing | Changement d'audience : réécrire l'angle d'un acheteur professionnel |
| Théorie vérifiée | La « théorie de la confiance » est une étiquette large ; la recherche établie porte sur la confiance dans l'automatisation et l'aversion aux algorithmes | Récitez la recherche primaire |
Le verdict : l'analyse est une lecture juste de la façon dont se vend la catégorie de recherche d'audience, construite principalement sur les publicités d'une entreprise, et une hypothèse sur les acheteurs plutôt qu'une attitude mesurée. Il est utilisable une fois l’angle réécrit pour les spécialistes du marketing et les éléments hors sujet supprimés. Sans cet audit, cela aurait facilement pu devenir une constatation sur les consommateurs. Pour savoir comment les tensions et les angles s'emboîtent, voir Qu'est-ce qu'une tension de consommation.
Que doit inclure une liste de contrôle d’analyse de l’IA ?
Dix chèques en couvrent la majeure partie. Exécutez les cinq premiers sur chaque insight et les dix avant une décision qui modifie le budget.
- Indiquez l'échantillon sur une seule ligne : sources, marques, plateformes, dates et nombre d'articles.
- Liez chaque nombre à ses preuves, et montrez le dénominateur : 51 de 229 en dit plus qu'« un thème majeur ».
- Ouvrez un échantillon aléatoire de preuves, dix à vingt éléments, et comptez ceux qui sont hors sujet.
- Vérifiez la concentration. Si une marque ou un compte fournit la plupart des preuves, dites-le.
- Étiquetez ce qui est généré par le modèle. Les personnalités, les tensions et les idées produites par l'IA sont des hypothèses jusqu'à ce qu'elles soient vérifiées.
- Vérifiez la théorie par rapport à une source primaire. Supprimez des noms que vous ne trouvez pas dans la littérature de recherche.
- Vérifiez le public. Les preuves proviennent-elles des mêmes personnes dont parle la conclusion ?
- Enregistrez les preuves lors de l'exécution de l'analyse : identifiants de publication, liens et captures d'écran, car les publications sont supprimées et les publicités cessent de fonctionner.
- Recoupez les gros appels avec une source indépendante, comme une enquête, des données de ventes ou un petit test.
- Laissez le propriétaire modifier la conclusion, et enregistrez qui l'a modifiée, qui l'a signée et quand.
Il s'agit du jumeau au niveau de la perspicacité des vérifications de copie dans notre guide sur les hallucinations AI en marketing. L'IA explicable pour le marketing est également pour nous une question de recherche : le professeur Aleks Farseev et l'équipe SOMIN ont publié des articles à ce sujet dans ACM Multimedia et The Web Conference, et les articles sont répertoriés sur la page SOMIN search.
FAQ
Pourquoi les spécialistes du marketing ne font-ils pas confiance aux informations générées par l'IA ?
Principalement parce qu’ils ne peuvent pas voir les preuves derrière une conclusion et ont été brûlés par des erreurs sûres. Dans l'enquête 2026 de GWI, 72 % des spécialistes du marketing ont déclaré que leur organisation avait pris une décision importante basée sur une analyse de l'IA qui s'est ensuite révélée fausse.
Qu’est-ce que l’aversion aux algorithmes ?
Il s'agit de la tendance à perdre confiance dans un algorithme plus rapidement que dans un humain après l'avoir vu commettre une erreur, décrite par Dietvorst, Simmons et Massey dans 2015. Leurs travaux ultérieurs ont montré que laisser les gens ajuster la sortie d'un algorithme réduit l'effet.
Comment puis-je vérifier si un aperçu de l’IA est exact ?
Demandez l'échantillon, ouvrez une sélection aléatoire des articles ou des lignes derrière celui-ci, comptez ceux hors sujet et vérifiez si les preuves proviennent du public décrit par l'insight. Confirmez ensuite les grandes décisions contre une source indépendante.
Quelle est la différence entre l’IA explicable et vérifiable ?
L'IA explicable vous indique comment un résultat a été atteint. Un aperçu vérifiable va plus loin : il vous permet d’inspecter les preuves vous-même et de parvenir à votre propre point de vue, de sorte que vous ne vous fiez pas uniquement à l’explication.
Les spécialistes du marketing devraient-ils arrêter d’utiliser l’IA pour obtenir des informations sur l’audience ?
Non. L’IA est efficace pour regrouper de gros volumes de contenu et proposer rapidement des tensions. Traitez son résultat comme une hypothèse avec une trace écrite et confiez à une personne la responsabilité de le vérifier et de le signer.
Sources
- GWI : les spécialistes du marketing affirment qu'une mauvaise connaissance de l'IA a déjà coûté cher à leur organisation (2026 septembre)
- KPMG et l'Université de Melbourne : Confiance, attitudes et utilisation de l'intelligence artificielle, une étude mondiale 2025 (résumé)
- Dietvorst, Simmons et Massey (2015), Aversion pour les algorithmes : les gens évitent par erreur les algorithmes après les avoir vus se tromper, Journal of Experimental Psychology : General 144 (1)
- Dietvorst, Simmons et Massey (2018), Surmonter l'aversion pour les algorithmes, Management Science 64 (3)
- Lee et See (2004), Confiance dans l'automatisation : concevoir pour une fiabilité appropriée, Facteurs humains 46 (1)
- Centre de ressources sur l'IA du NIST : risques et fiabilité de l'IA
