"L'IA prédit votre ROAS à 95% de précision" : vraiment ?

Difficile de passer une semaine sur LinkedIn sans croiser un post promettant qu'une IA peut désormais prédire le ROAS d'une campagne avant même son lancement, avec une précision impressionnante affichée en gros caractères. La promesse est séduisante : imaginer pouvoir savoir, avant de dépenser un euro, si une campagne va être rentable. La réalité, en 2026, est plus nuancée - et c'est important de le dire clairement plutôt que d'entretenir le mythe.

Il existe une vraie différence entre ce que le machine learning des plateformes publicitaires fait déjà très bien (et depuis longtemps), et ce que l'IA générative peut apporter de nouveau sur ce terrain. Confondre les deux mène à des attentes irréalistes et, potentiellement, à de mauvaises décisions budgétaires basées sur une confiance excessive envers un chiffre qui n'est, au fond, qu'une estimation probabiliste.

Cet article démêle ce qui relève du fait établi de ce qui relève de la promesse marketing, et propose une façon réaliste d'utiliser l'IA pour améliorer ses prévisions sans se bercer d'illusions.

Ce qui existe déjà et fonctionne : le machine learning natif des plateformes

Google et Meta investissent depuis des années dans des systèmes de machine learning prédictif entraînés sur des volumes de données considérables : historique de conversion, comportement utilisateur, signaux contextuels multiples. Performance Max côté Google et Advantage+ côté Meta s'appuient sur ces systèmes pour ajuster automatiquement le ciblage, les enchères et la diffusion des créas en fonction de probabilités de conversion calculées en temps réel.

Ces systèmes fonctionnent réellement bien sur leur périmètre : ils prédisent, à l'échelle d'une impression individuelle, la probabilité qu'un utilisateur donné convertisse, et ajustent la diffusion en conséquence. C'est une prédiction fine, mais locale - elle porte sur une décision d'affichage ponctuelle, pas sur le ROAS global d'une campagne sur un mois entier.

La confusion commence quand on assimile cette capacité prédictive locale et éprouvée à une capacité de prédiction globale du ROAS futur d'une campagne, qui est un problème d'une toute autre nature.

Pourquoi prédire un ROAS exact est structurellement difficile

Le ROAS d'une campagne sur les semaines à venir dépend de variables qu'aucun modèle, aussi sophistiqué soit-il, ne peut connaître à l'avance avec certitude : l'évolution du marché et de la concurrence, la saisonnalité propre au secteur, la qualité d'une nouvelle créa qui n'a pas encore été testée, un changement de contexte macroéconomique, ou même une actualité qui change soudainement le comportement des consommateurs.

Un modèle prédictif, aussi entraîné soit-il sur l'historique, fait implicitement l'hypothèse que le futur ressemblera au passé. C'est une hypothèse raisonnable à court terme et sur un environnement stable, mais elle s'effondre dès qu'un facteur externe significatif change - ce qui arrive plus souvent qu'on ne le pense en publicité digitale.

C'est cette incertitude structurelle, pas un manque de puissance de calcul, qui explique pourquoi aucune IA sérieuse ne devrait promettre une prédiction de ROAS à un pourcentage de précision fixe et impressionnant. Les acteurs les plus honnêtes du secteur parlent en fourchettes probabilistes, pas en chiffres exacts.

Ce que l'IA générative apporte réellement de nouveau

Si l'IA générative comme Claude ou ChatGPT ne prédit pas un ROAS exact, elle apporte trois choses différentes et réellement utiles pour améliorer la qualité des prévisions et des décisions budgétaires.

La première est l'analyse de tendances historiques à grande échelle : croiser plusieurs mois de données de plusieurs campagnes pour identifier des patterns saisonniers ou des corrélations que l'œil humain repère difficilement sur un simple tableau de chiffres. C'est une base solide pour construire une prévision, même imparfaite.

La deuxième est la détection de signaux faibles avant-coureurs : une légère hausse de la fréquence d'affichage, un ralentissement du taux de clic sur une audience spécifique, une baisse progressive du taux de conversion sur trois semaines - des signaux individuellement peu alarmants mais qui, combinés, annoncent souvent une dégradation de performance avant qu'elle ne devienne visible dans le ROAS global.

La troisième, et peut-être la plus sous-estimée, est l'aide à challenger une prévision avec du bon sens business : demander à l'IA de lister les hypothèses qui pourraient invalider une prévision optimiste (nouvelle concurrence, fin d'une promotion saisonnière, fatigue créative prévisible) force à considérer des scénarios qu'un excès de confiance ferait facilement ignorer.

Un exemple concret de raisonnement IA appliqué à un cas de campagne

Imaginons une campagne e-commerce qui affiche un ROAS de 4 sur les huit dernières semaines, stable. Une approche naïve consisterait à projeter ce même ROAS sur le trimestre suivant. Une approche assistée par IA, bien menée, va plutôt croiser cet historique avec d'autres signaux : la campagne a-t-elle bénéficié d'une période de soldes qui ne se reproduira pas, le catalogue produit a-t-il changé, la fréquence d'affichage a-t-elle commencé à grimper sur les dernières semaines (signe de fatigue publicitaire à venir) ?

Une IA bien prompée sur ce cas produira typiquement une réponse nuancée du type : "le ROAS de 4 observé inclut une période de soldes qui représente 30% de la période analysée ; en excluant cette période, le ROAS sous-jacent est plutôt de 2,8 ; attendez-vous à un ROAS plus proche de cette seconde valeur en dehors des périodes promotionnelles, sauf changement de stratégie créative." C'est ce niveau de nuance, pas un chiffre unique affiché avec une fausse assurance, qui constitue une prévision réellement utile.

Les pièges à éviter avec les prédictions IA

• Faire une confiance aveugle à un chiffre unique : toute prévision de ROAS devrait être présentée avec une fourchette et les hypothèses sous-jacentes, jamais comme une certitude absolue.

• Ignorer les biais de l'historique utilisé : une prévision basée sur une période atypique (soldes, lancement produit, événement exceptionnel) donnera une projection biaisée si elle n'est pas explicitement corrigée.

• Présenter une prévision IA à un client sans contexte : annoncer un chiffre précis à un client crée une attente qui, si elle n'est pas atteinte, entame la confiance - mieux vaut présenter une fourchette avec les facteurs de risque identifiés.

• Confondre prédiction locale et prédiction globale : le fait que Performance Max prédise bien la probabilité de conversion d'une impression individuelle ne garantit rien sur le ROAS global d'une campagne sur un mois.

Comment utiliser l'IA de façon réaliste pour ses prévisions

La bonne pratique consiste à utiliser l'IA comme un outil d'aide à la décision qui enrichit le jugement humain, pas comme un oracle qui le remplace. Concrètement, cela veut dire demander systématiquement une fourchette plutôt qu'un chiffre unique, faire lister explicitement les hypothèses et les facteurs de risque qui pourraient invalider la prévision, et croiser la prévision IA avec la connaissance terrain du compte que seul le media buyer qui le suit au quotidien possède réellement.

Cette approche nuancée n'est pas moins impressionnante qu'une promesse de précision à 95% - elle est simplement plus honnête, et in fine plus utile pour prendre de bonnes décisions budgétaires. Un client qui comprend qu'une prévision est une fourchette probable plutôt qu'une certitude fera de meilleurs arbitrages budgétaires qu'un client à qui on a vendu une fausse précision.

Ce que ça dit du rôle du media buyer face à ces outils

Cette question de la prédiction du ROAS illustre bien la posture à adopter face à l'IA en media buying de façon générale : ni rejet ("l'IA ne sert à rien pour prévoir") ni confiance aveugle ("l'IA sait mieux que moi"), mais un usage critique qui exploite la capacité de l'IA à traiter beaucoup de données rapidement, tout en gardant le jugement humain sur l'interprétation finale et la communication au client. C'est cette posture, plus que la maîtrise technique d'un outil précis, qui distingue un media buyer qui utilise bien l'IA d'un media buyer qui se fait simplement impressionner par elle.

Comment présenter une fourchette de ROAS à un client sans perdre sa confiance

Annoncer une fourchette plutôt qu'un chiffre unique peut sembler moins rassurant pour un client habitué à des promesses précises - mais c'est aussi ce qui protège la relation de confiance sur la durée, à condition de bien le formuler. La différence se joue dans la façon de présenter cette incertitude, pas dans le fait de la cacher.

Plutôt que d'annoncer "le ROAS prévu est de 3,5", une formulation plus honnête et tout aussi professionnelle consiste à dire "sur la base de l'historique et hors événements exceptionnels, nous anticipons un ROAS entre 3 et 4, avec un scénario central autour de 3,5". Cette formulation communique la même information utile tout en évitant l'engagement sur un chiffre unique qui, s'il n'est pas atteint au centime près, entame la crédibilité.

• Expliquer les facteurs de risque identifiés : mentionner explicitement ce qui pourrait faire dévier la prévision (saisonnalité, nouvelle concurrence) rassure paradoxalement plus qu'un silence sur ces sujets, car cela démontre une vraie maîtrise du dossier.

• Revenir régulièrement sur la prévision : ajuster la fourchette au fil des semaines à mesure que de nouvelles données arrivent montre un suivi actif plutôt qu'une prévision figée une fois pour toutes.

• Documenter les prévisions passées : garder une trace des fourchettes annoncées et des résultats réels permet, avec le temps, de démontrer au client la fiabilité de la méthode plutôt que de simplement l'affirmer.

Cette transparence méthodologique, bien expliquée, devient souvent un argument de différenciation plutôt qu'une faiblesse : les clients qui ont déjà été déçus par des promesses trop précises et non tenues apprécient particulièrement un interlocuteur honnête sur les limites de l'exercice.

Un dernier repère : se méfier de son propre biais de confirmation

Un piège plus subtil que la confiance aveugle envers l'IA consiste à ne lui poser que des questions qui confirment ce qu'on pense déjà, sans chercher activement à se contredire. Un media buyer convaincu qu'une campagne va bien performer aura tendance à demander à l'IA de confirmer cette impression plutôt que de lui demander explicitement de chercher les signaux contraires. Prendre l'habitude de demander systématiquement à l'IA "quels éléments dans ces données pourraient indiquer que je me trompe" est un réflexe simple qui limite ce biais et rend les prévisions globalement plus fiables sur la durée.

Passez au Media Buying IA avec Ades Bootcamp

Vous voulez maitriser concretement l'IA appliquee au media buying : prompting, connexion MCP a vos comptes Ads, audit et reporting automatises, veille concurrentielle et automatisation de votre activite freelance ?

Ades Bootcamp propose une formation dediee qui vous accompagne pas a pas, du copilotage IA de vos campagnes jusqu'a l'automatisation complete de votre activite.

Decouvrir la formation Media Buying IA - Places limitees, inscrivez-vous maintenant.