La publicité numérique repose souvent sur une idée implicite : Google veut que les annonceurs réussissent, car leur réussite peut les conduire à dépenser davantage.
Avec des budgets modestes, les intérêts semblent alignés : vous optimisez vos campagnes, les résultats progressent, puis vous investissez davantage.
À l’échelle d’une grande entreprise, cet alignement peut se dégrader.
L’automatisation transforme la relation autant que les outils. Plus les dépenses passent par des systèmes automatisés, moins les annonceurs voient comment les décisions sont prises. Il devient alors plus difficile de repérer l’écart entre ce que Google optimise et ce dont l’entreprise a besoin.
Ce n’est pas une théorie du complot, mais une question économique. Comprendre comment les incitations divergent aide à décider dans des systèmes que l’on ne contrôle pas entièrement.
Ce que signifie réellement la « boîte noire »
L’expression « boîte noire » est souvent utilisée sans précision. Ici, elle décrit une baisse de visibilité sur le fonctionnement des décisions automatisées.
Elle ne signifie pas que vous n’avez aucun contrôle. Vous pouvez toujours fixer des budgets, définir des audiences, ajuster les enchères et exclure des emplacements.
Elle signifie que les décisions sont moins explicables. Vous voyez les données d’entrée et les résultats, mais pas toujours le raisonnement entre les deux. Pourquoi le coût par conversion a-t-il bondi ? Pourquoi Performance Max a-t-il déplacé le budget de Shopping vers Discovery ? Le système ne donne pas toujours d’explication.
À mesure que les dépenses montent, les boucles de retour ralentissent. Les tests sont plus difficiles à isoler, les changements prennent du temps et l’attribution devient moins claire. Les résultats ne reflètent pas toujours l’intention de départ.
Le système fonctionne comme prévu. La question est de savoir pour quel objectif il a été conçu.
Pourquoi les incitations de Google comptent davantage à grande échelle
Les revenus de Google dépendent de la publicité. La croissance des dépenses et des revenus prévisibles compte pour l’entreprise. L’automatisation facilite l’augmentation des dépenses et abaisse le niveau d’expertise nécessaire pour lancer des campagnes.
Ce sont des caractéristiques structurelles, pas des accusations. Les choix de produits et les fonctions automatisées s’inscrivent dans un modèle où Google cherche à développer et stabiliser ses revenus publicitaires.
Les annonceurs poursuivent un autre objectif : le bénéfice marginal, plutôt que le volume brut des dépenses. La question utile est celle du bénéfice supplémentaire généré par chaque euro investi.
Google cherche la stabilité des enchères et des revenus; l’annonceur cherche une croissance rentable supplémentaire. Ces objectifs ne sont pas identiques.
Cet écart a aussi été examiné dans le contexte réglementaire. La procédure antitrust du ministère américain de la Justice contre Google illustre les interrogations structurelles sur le fonctionnement de la plateforme. Sans préjuger de son issue, elle rappelle que l’alignement des intérêts dépend du marché, de la concurrence et de la réglementation.
À petite échelle, l’écart peut rester limité. À grande échelle, lorsque les rendements marginaux diminuent et que l’efficacité compte davantage que le volume, il devient plus visible.
Comment cela se manifeste dans Google Shopping
Shopping rend cette dynamique facile à observer : produit, prix, disponibilité, enchère, impression, clic, conversion. La chaîne est courte et les données nombreuses, mais les mêmes tendances apparaissent à grande échelle.
La demande sature parfois plus tôt que prévu. Les enchères automatiques cherchent à obtenir des conversions dans les limites du budget. Quand la demande disponible approche de son plafond, le système peut élargir le ciblage vers des recherches moins qualifiées. L’efficacité baisse alors que les dépenses restent stables.
Performance Max répartit les dépenses sur plusieurs canaux, mais offre moins de détails sur les emplacements, audiences et créations qui produisent les résultats. Quand les performances baissent, il peut être difficile d’en identifier la cause.
L’optimisation du flux peut améliorer les indicateurs sans créer de demande nouvelle. Sans mesure de l’incrémentalité, il est difficile de savoir si les ventes sont nouvelles ou si elles ont simplement été attribuées à une autre recherche.
Le système ne dysfonctionne pas forcément. Le problème peut venir d’attentes qui ne correspondent pas à son fonctionnement.
Pourquoi les grandes entreprises ressentent cela en premier
Les petites entreprises rencontrent moins souvent ces phénomènes : leurs dépenses sont plus modestes, la demande est moins saturée et l’automatisation peut réduire la charge de gestion.
Les grandes entreprises ont souvent déjà capté les gains les plus faciles et opèrent près du plafond de la demande. La question devient alors : la croissance est-elle nouvelle ou déplacée depuis un autre canal ?
La confiance interne diminue lorsque le système ne peut pas expliquer ses résultats. Si les dépenses Shopping progressent plus vite que le chiffre d’affaires, la finance a besoin de comprendre la cause, pas seulement d’entendre que « l’algorithme a décidé ».
Les systèmes automatisés produisent des résultats; leur interprétation revient aux équipes, qui n’ont pas toujours assez de visibilité pour les expliquer.
Le vrai risque : décider sans référence commune
La boîte noire devient risquée lorsque des équipes doivent prendre des décisions budgétaires importantes sans disposer d’une explication partagée.
Les équipes se disputent l’attribution. Shopping revendique des conversions qui auraient peut-être eu lieu de toute façon; les campagnes de marque et de reciblage font de même. Sans référence commune, chaque canal peut présenter les chiffres qui appuient son récit.
La finance remet en question des dépenses lorsque les tableaux de bord ne correspondent pas aux rapports de revenus. Les décisions de budget deviennent alors politiques au lieu de s’appuyer sur une mesure cohérente.
Quand les prévisions échouent et que personne ne peut expliquer les écarts, la direction peut perdre confiance dans tout le canal. Elle risque alors de trop investir par espoir ou de sous-investir par méfiance.
L’optimisation peut devenir une activité de façade : les équipes changent des réglages pour montrer qu’elles agissent, sans savoir si cela améliorera les résultats.
Ce que font les équipes expérimentées
Les équipes qui gèrent bien cette situation ne cherchent pas à éliminer la boîte noire. Elles organisent leurs décisions en tenant compte de son opacité.
Elles distinguent l’efficacité de l’incrémentalité. Le ROAS et le CPA indiquent comment les dépenses sont utilisées; l’incrémentalité aide à déterminer si elles génèrent vraiment des revenus nouveaux.
Elles ne demandent pas à un seul canal de porter toute la croissance. Google Shopping capte une intention d’achat existante; il ne crée pas forcément une demande nouvelle.
Elles investissent dans le diagnostic, pas seulement dans l’optimisation, et mettent en place des mesures indépendantes des rapports de la plateforme.
Elles reconnaissent que l’automatisation et son opacité vont probablement augmenter. Elles fixent des seuils, des critères d’arrêt et des règles de gouvernance qui fonctionnent même lorsque l’information est incomplète.
Ce qui change lorsque le modèle de risque change
À grande échelle, le modèle publicitaire paraît d’autant plus opaque que les annonceurs assument presque tout le risque financier.
Vous payez le trafic même s’il ne convertit pas, absorbez les fluctuations et devez expliquer les écarts à la finance. Dans des systèmes automatisés, cela peut devenir difficile à concilier avec des résultats moins transparents.
Une autre approche consiste à modifier la partie qui assume le risque des résultats.
RetailerBoost suit ce principe : l’entreprise finance et gère des campagnes Google Shopping avec ses propres fonds et perçoit une commission lorsque des commandes sont générées.
Le canal reste Google Shopping et les enchères fonctionnent de la même façon. C’est le modèle d’incitation qui change.
Quand les résultats baissent, RetailerBoost en ressent d’abord les conséquences; quand l’efficacité progresse, les deux parties en bénéficient.
Cet alignement ne rend pas le système plus transparent. Il change la discussion : au lieu de chercher un responsable, les deux parties peuvent décider ensemble de la suite.
Reformuler la question
La question n’est pas de savoir comment battre la boîte noire. L’automatisation fait partie de l’environnement.
Il s’agit plutôt de prendre des décisions éclairées lorsque les incitations ne sont pas parfaitement alignées.
Cela demande de définir ce que l’on optimise, de mesurer les résultats indépendamment des rapports de la plateforme et de choisir des relations commerciales qui rapprochent les intérêts des parties.
Les deux premiers éléments relèvent de l’organisation interne. Le troisième dépend des partenaires et des modalités commerciales choisis.
Pour les grandes équipes, l’enjeu n’est plus seulement d’accéder aux outils, mais de prendre des décisions avec confiance. Un modèle mieux aligné ne supprime pas la complexité, mais peut la rendre plus gérable.
C’est souvent ce qui permet de développer les dépenses avec discernement plutôt que de simplement les défendre.
