Maria Mercanti-Guérin

En moins de dix-huit mois, trois équipes ont publié dans des revues de premier rang trois cadres pour penser l’intelligence artificielle en marketing. Aucun n’a été validé empiriquement. Et pourtant on les cite souvent comme s’ils racontaient la même histoire. Ils n’en racontent pas une seule : ce sont trois cartes différentes d’un même territoire.

Définitions et généalogie

Un « cadre théorique de l’IA en marketing » n’est pas un outil ni un logiciel. C’est une grille conceptuelle qui propose une façon ordonnée de raisonner : quels types d’IA existent, à quelles tâches les affecter, quels effets en attendre. La lignée ne naît pas dans le marketing mais dans la recherche sur les services.

Le terme fondateur revient à Huang et Rust (2018), dans la revue Journal of Service Research. Leur théorie du remplacement par l’IA distingue quatre intelligences — mécanique, analytique, intuitive, empathique — et pose un principe resté central : l’IA remplace le travail au niveau de la tâche, pas du métier, en commençant par les tâches « basses » (Huang & Rust, 2018).

Tension entre l’origine et l’usage actuel. À l’origine, ces cadres relèvent d’une théorie du service et du travail — qui, de l’humain ou de la machine, fait quoi. Dans la pratique, ils sont souvent mobilisés comme des recettes de planification, voire comme des arguments d’autorité, en oubliant qu’ils sont conceptuels et non démontrés.

Un fil qui se déplace : du prédictif à l’agentique. La lignée suit l’évolution de l’IA elle-même. Les cadres de 2018-2021 décrivent une IA surtout prédictive — qui classe, segmente, recommande. Puri et al. (2026) marquent l’étape suivante : l’IA agentique, qui ne se contente plus de conseiller mais exécute des décisions de façon autonome. Le détail qui frappe, c’est que l’architecture AIM de 2021 — un processeur qui décide, une mémoire qui capitalise, des modes allant jusqu’à l’autonomie totale — préfigurait déjà, sans le nommer, ce que sont devenus les agents. La carte technique de 2021 dessinait le territoire de 2026.

Pourquoi c’est critique maintenant

Le marketing est l’un des terrains où l’IA s’installe le plus vite. Dans son enquête State of AI de 2025, McKinsey observe que le marketing et la vente comptent, année après année, parmi les fonctions où l’usage de l’IA est le plus déclaré, et qu’ils figurent parmi les domaines où l’IA générative crée le plus de valeur potentielle (McKinsey, 2025).

Mais ces trois cadres ont tous été conçus en 2020-2021, donc avant la diffusion grand public de l’IA générative. Ils ont été pensés pour une IA surtout prédictive — qui classe, segmente, recommande. Le terrain, lui, est déjà passé à l’étape d’après : l’IA agentique, où des systèmes autonomes décident et agissent (Puri et al., 2026). Savoir ce que ces cadres éclairent encore, et ce qu’ils ne voient pas, n’est pas un exercice d’érudition : c’est ce qui détermine si on peut encore s’en servir pour décider.

Trois cartes d’une même ville

Imaginez le marketing augmenté par l’IA comme une ville. On peut la cartographier de trois manières, chacune juste, aucune suffisante seule.

• Le plan des canalisations montre la circulation souterraine : d’où entrent les données, où elles sont traitées, où elles sont stockées. C’est le cadre AIM (Yau et al., 2021).
• Le plan touristique avec itinéraires dit quoi faire, où, dans quel ordre. C’est le cadre stratégique de Huang et Rust (2021).
• Le plan d’urbanisme dit où la ville grandit, quelles zones sont à risque, quelles règles s’appliquent. C’est le cadre prospectif de Davenport et al. (2020).

Un ingénieur, un stratège et un urbaniste ne se contredisent pas : ils regardent le même territoire avec des intentions différentes. Voici, mises côte à côte, ce que chacune apporte et là où elle s’arrête.

Un cas, trois lectures : L’Oréal et ModiFace

En mars 2018, L’Oréal rachète la société canadienne ModiFace, spécialiste de la réalité augmentée et de l’IA appliquées à la beauté — sa toute première acquisition technologique en plus d’un siècle d’existence (L’Oréal, 2018). La technologie analyse le visage en temps réel pour proposer un essayage virtuel de maquillage et un diagnostic de peau ; elle équipe aujourd’hui des dispositifs comme le Virtual Artist de Sephora ou l’essayage sur Amazon (L’Oréal, 2018). Un seul cas, lu par les trois cartes :

• Lecture AIM. L’image du visage est une donnée non structurée traitée par un pré-processeur ; le processeur calcule la teinte et la recommandation ; le diagnostic de peau alimente une mémoire client. On voit la plomberie.
• Lecture Huang & Rust. L’IA mécanique capte l’image, l’IA pensante apparie la teinte au visage, et c’est encore l’humain qui porte la dimension sensible de l’expérience d’achat. On voit l’allocation des intelligences.
• Lecture Davenport et al. Tâche de recommandation, haut niveau d’intelligence, non incarnée dans un robot, en augmentation du geste du client — et qui soulève d’emblée la question des données biométriques du visage. On voit l’effet et le risque.

Limites et angles morts

Le point commun le plus important des trois cadres est aussi le plus passé sous silence : aucun n’a fait l’objet d’une validation empirique. Ce sont des grilles de lecture, pas des lois démontrées (Huang & Rust, 2021 ; Davenport et al., 2020 ; Yau et al., 2021).

Deuxième angle mort : tous trois posent l’« hyper-personnalisation à grande échelle » comme une finalité positive. Or personnalisation à l’échelle veut aussi dire captation de données à l’échelle — une asymétrie de pouvoir et une question de consentement que ces cadres effleurent à peine, à l’exception du volet éthique de Davenport et al. Enfin, leur âge compte : pensés avant l’IA générative, ils décrivent une personnalisation prédictive là où elle passe désormais par la génération de contenu et les agents conversationnels.

Recommandations

• Choisir le cadre selon l’interlocuteur. Un même projet IA se raconte autrement à un développeur (AIM), à un directeur marketing (Huang & Rust) ou à un comité éthique (Davenport et al.).
• Les empiler plutôt que les opposer. AIM dit comment c’est construit, Huang & Rust quoi déployer et quand, Davenport et al. quels effets et quels risques.
• Ne pas confondre grille et preuve. Présenter ces cadres comme des hypothèses structurantes, pas comme des résultats établis.
• Réactualiser pour le génératif. Quand vous appliquez ces cadres, demandez-vous ce que change la génération de contenu, absente de leur horizon d’origine.

Questions fréquentes

Pistes de recherche

• Validation empirique. Aucun des trois cadres n’a été testé sur le terrain. Mesurer si l’architecture AIM ou la typologie de Huang & Rust prédisent réellement la performance des dispositifs reste ouvert.
• Extension au génératif et à l’agentique. Comment réécrire ces cadres quand l’IA ne se contente plus de classer mais génère et agit de façon autonome ? Les premières synthèses sur l’IA agentique en marque (Puri et al., 2026) ouvrent la voie sans encore l’articuler aux cadres antérieurs.
• L’inversion par les agents côté consommateur. Les trois cadres placent l’IA du côté de la marque. Que deviennent-ils quand un agent défend les intérêts du client face à la marque ?
• La performativité des cadres. Dans quelle mesure ces grilles, en orientant les praticiens, façonnent-elles l’objet qu’elles prétendent décrire ?

Ressources pédagogiques

Références

Cet article a été rédigé avec l’assistance de Claude (Anthropic). Les sept références ont fait l’objet d’une vérification via recherche web avant publication (DOI, revue et pagination confirmés). L’analyse comparative et le parti pris critique relèvent de l’autrice.