88 % des marketeurs produisent plus avec l’IA, 45 % seulement mieux : ce qui coince

Selon cette étude, l’IA générative tient bien sa promesse d’aider les marketeurs à produire toujours plus, mais pour ce qui est de la qualité, l’écart est plus important… Voici ce qu’il faut retenir de cette étude.

Ce que mesure l’étude WARC menée avec TikTok

L’étude a été publiée le 12 juillet 2026 par WARC et LIONS Advisory, en partenariat avec TikTok.

Le panel compte 400 marketeurs, tous impliqués dans les décisions de production créative.

Quatre marchés sont couverts : Royaume-Uni, États-Unis, Australie et Brésil.

L’analyse date de mai 2026, complété par des entretiens chez Publicis Media, WPP, Jellyfish et Billion Dollar Boy.

Premier constat : l’adoption est désormais massive.

90 % des répondants considèrent l’IA comme une brique normale de leur boîte à outils créative.

Le débat porte désormais sur le rendement, les cas d’usages et le retour sur investissement.

Et c’est là que l’écart apparaît.

88 % voient leur volume de production augmenter mais moins de la moitié voient la qualité progresser nettement. Autrement dit : les équipes ont gagné en volume de production mais pas en qualité.

Pourquoi 67 % des marketeurs briefent leur IA avec une donnée qu’ils jugent périmée ?

C’est le chiffre le plus gênant de l’étude.

67 % des marketeurs utilisent des données démographiques comme entrée principale quand ils briefent un outil d’IA générative.

Âge, genre, localisation, catégorie socio-professionnelle. Les mêmes cases qu’il y a quinze ans.

Le paradoxe : selon le Marketer’s Toolkit 2026 de WARC, 59 % des marketeurs estiment que la segmentation démographique classique ne fonctionne plus.

Ils savent que l’outil de ciblage est bancal mais ils continuent de s’en servir pour nourrir des modèles génératifs.

Lexi Wolf, responsable du thought leadership chez LIONS Advisory, résume ce décalage dans le communiqué de l’étude.

Elle rappelle que les environnements participatifs livrent des signaux bien plus riches : recherches, commentaires, partages, remix, achats.

Marcos Angelides, de Publicis Media, formule la même idée côté data.

Son argument : un modèle ne vaut que ce que valent les données qui l’alimentent, et il faut du comportemental, pas du déclaratif.

Le constat n’est pas neuf mais sa persistance à l’ère des LLM l’est.

Seuls 17 % branchent réellement l’IA sur des signaux d’audience

C’est l’autre chiffre à retenir.

17 % des marketeurs intègrent systématiquement des insights communautaires ou d’audience dans leurs workflows d’IA générative.

Un sur six.

Dans le même temps, 86 % pensent que les comportements d’audience pèseront davantage sur la création dans les trois prochaines années.

L’écart entre l’intention et la pratique est donc massif.

Ce genre de trou d’exécution se comble rarement tout seul. Il se comble par du process.

L’étude propose pour cela un cadre en quatre étapes, baptisé Intelligence Loop.

• La participation d’une communauté produit des signaux culturels et d’intention.
• Ces signaux révèlent une demande avant qu’elle ne devienne explicite.
• La demande est injectée dans le brief créatif adressé à l’IA.
• Le créatif produit génère de l’engagement, donc de nouveaux signaux, et la boucle repart.

Le nom est marketing. La logique, elle, est solide.

Elle revient à traiter le brief comme un flux et non comme un document figé en début de campagne.

Ce que ça change concrètement dans vos process de production ?

Trois chantiers découlent directement de ces chiffres.

1- Auditer vos inputs avant vos outils

Ouvrez cinq briefs IA récents. Regardez ce qui décrit l’audience.

Si vous n’y trouvez que des tranches d’âge et des zones géographiques, vous êtes dans les 67 %.

Changer de modèle ne corrigera rien. Changer d’entrée, si.

2- Industrialiser la collecte de signaux

Commentaires, requêtes internes, verbatims du support, sujets de recherche sur les plateformes sociales.

Ces matériaux existent déjà dans la plupart des organisations. Ils ne remontent presque jamais jusqu’au brief.

Les outils natifs des plateformes aident, à commencer par le centre de tendances de TikTok.

Comprendre le fonctionnement de l’algorithme TikTok évite aussi de confondre un pic de diffusion avec un signal d’intérêt réel.

3- Arrêter de mesurer la production, mesurer la résonance

Un indicateur de nombre d’assets produits par mois ne dit rien de la performance.

Il valorise exactement ce que l’étude identifie comme le faux progrès.

Sur le versant éditorial, la même question se pose pour les contenus web, comme le montre notre analyse de la performance des contenus produits par IA.

Le rapport note aussi un point utile pour les équipes contenu.

Sur le copywriting et l’écriture de scripts, la valeur perçue des outils d’IA arrive plus bas dans le classement des usages.

L’IA accélère l’idéation et la déclinaison mais elle ne fait pas tout.

C’est cohérent avec ce que constatent beaucoup d’équipes qui ont testé les outils d’IA de rédaction de contenu.

Ce qu’il faut relativiser dans cette étude

L’étude est commandée par TikTok, et sa conclusion désigne les plateformes sociales comme la meilleure source de signaux.

Andy Yang, responsable mondial du créatif et des publicités de marque chez TikTok, défend d’ailleurs la notion de « cultural intelligence » dans le rapport.

Le raisonnement se tient ais il sert aussi les intérêts du commanditaire.

Deuxième limite : le panel compte 400 répondants sur quatre marchés anglophones et lusophones. Aucun marché européen continental et les usages français n’y figurent pas directement.

Troisième limite : la qualité créative est ici déclarative. Elle repose sur la perception des répondants, pas sur des résultats de campagne mesurés.

Cela ne disqualifie pas le 88 % contre 45 % mais cela invite à le lire comme un signal, pas comme une preuve d’efficacité.

PS : le détail des résultats est consultable chez WARC.