Un clic par-ci, un clic par-là. Une image ne correspond pas assez au profil d’un client ? On régénère. Un texte n’est pas assez accrocheur ? On demande une nouvelle version. Aujourd’hui, avec l’IA générative, on peut produire en quelques secondes plusieurs versions d’un même contenu et les adapter plus facilement à différents profils de consommateurs, contrairement à autrefois. Dans le secteur du marketing, le profit se fait de plus en plus sentir car selon McKinsey, certaines organisations arrivent à une productivité créative deux à cinq fois plus élevée, accompagnée d’une réduction de 10 à 30% de leurs coûts. 

Avez-vous déjà songé à l’impact que pourrait réellement avoir cette rapidité ? Chaque nouvelle vague de création de contenu repose sur des infrastructures très gourmandes en énergie et peut aussi soulever des questions de respect de la vie privée‚ de confiance envers les marques et d’authenticité des contenus. À travers ces différents enjeux, l’impact environnemental passe souvent inaperçu dans la vie de tous les jours, alors que d’autres touchent plus directement la relation entre les marques et les consommateurs. Il devient intéressant de jeter un coup d’œil sur ce qui se passe en coulisses lorsqu’on utilise l’IA pour ensuite se pencher sur le cœur de notre réflexion qui repose sur les tensions que la personnalisation crée en marketing. 

Une grande question se pose alors, jusqu’où peut-on profiter des gains de productivité donnés par l’IA, permettant de personnaliser les contenus plus rapidement et à plus grande échelle, sans fragiliser la confiance des consommateurs ? La solution à cette problématique va reposer, pour le coup, sur un arbitrage qui consiste à profiter des gains de productivité de l’IA, tout en encadrant son utilisation afin de préserver la confiance des consommateurs, la transparence des contenus et le contrôle qu’ils conservent sur leurs données.

En bref: – L’IA générative transforme le marketing en accélérant la création et la personnalisation des contenus. – Certains effets restent moins visibles, tandis que la personnalisation soulève plus directement des enjeux de données, de vie privée, d’authenticité et de confiance. -Les entreprises commencent à mieux encadrer ces usages, mais il reste encore à rendre l’utilisation de l’IA plus claire et plus transparente pour les consommateurs.

Quels sont les impacts environnementaux de l’IA générative en marketing ?

Aujourd’hui, pour une personne en marketing, l’IA générative peut rapidement devenir son super-pouvoir du quotidien. Une campagne à préparer ? C’est facile, on s’appuie sur l’IA pour aller plus vite, soit un lundi matin assez classique. Mais derrière tous ces clics se cachent des centres de données, des serveurs et une importante puissance de calcul.

L’impact environnemental commence bien avant notre première requête, lors de l’entraînement des modèles. Pour apprendre, ceux-ci analysent d’immenses quantités de données à l’aide de nombreux serveurs, ce qui demande beaucoup d’électricité. L’Agence internationale de l’énergie estime ainsi que l’entraînement de GPT-4 aurait nécessité environ 42,4 GWh sur 14 semaines, soit chaque jour l’équivalent de la consommation d’environ 28 500 foyers dans les économies avancées (IEA, 2025).

Mais l’impact continue ensuite à chaque nouvelle utilisation. Une fois le contenu généré, il doit encore être stocké dans un centre de données, transmis par les réseaux, puis affiché sur l’appareil du consommateur (IAE Paris-Sorbonne, 2025). Par‌ exemple‚ une publicité doit d’abord être stockée et téléchargée sur l’appareil du consommateur via le Wi-Fi ou un réseau‌ mobile pour qu’il puisse la voir․ Même s’il‌ ne regarde qu’une partie de‌ la publicité‚ ou pas du tout‚ celle-ci a probablement été téléchargée en totalité ou en partie sur son appareil. L’IEA estime que la consommation électrique mondiale des centres de données pourrait presque doubler entre 2025 et 2030, tandis que celle des centres principalement consacrés à l’IA devrait tripler sur cette période (IEA, 2026).

Au-delà de l’électricité, d’autres ressources entrent aussi en jeu. Toute cette puissance de calcul produit beaucoup de chaleur, ce qui oblige les centres de données à refroidir leurs équipements avec d’importantes quantités d’eau. À cela s’ajoute la fabrication des serveurs et des processeurs, qui mobilise des matières premières (UNU-INWEH, 2026).

Ces impacts environnementaux restent souvent invisibles dans l’utilisation quotidienne de l’IA en marketing. En revanche d’autres effets touchent beaucoup plus directement les consommateurs dans leur relation avec les marques. C’est le cas de la personnalisation, qui permet d’adapter davantage les offres et les contenus, mais qui soulève aussi des questions de vie privée, de confiance et d’intégrité. C’est donc surtout sur cet enjeu, au cœur de l’expérience du consommateur, que nous allons nous concentrer.

Jusqu’où peut-on personnaliser le marketing avec l’IA ?

Pour beaucoup d’entre nous, ça peut encore être assez troublant de chercher quelque chose sur internet puis de voir apparaître presque aussitôt une publicité ou une recommandation liée à ce qu’on vient de consulter sur une autre plateforme. Parfois, le contenu correspond tellement bien à nos goûts qu’on finit presque par se demander si notre téléphone nous écoute secrètement. (Segijn et al. 2025)

Mais ceci n’est pas un hasard. Avec l’IA, la personnalisation prend une place de plus en plus importante en marketing, puisqu’elle permet aux entreprises de proposer des solutions encore mieux adaptées aux besoins et aux attentes des consommateurs. (Hasan 2026)

Quels enjeux la personnalisation par l’IA soulève-t-elle pour les données personnelles ?

Pour personnaliser, l’IA s’appuie sur les données accessibles sur les consommateurs afin de mieux comprendre leurs préférences et leurs comportements. Plus ces informations sont nombreuses et précises, plus les entreprises peuvent proposer des contenus adaptés à chacun. Mais plus cette personnalisation devient poussée, plus la frontière avec la vie privée devient fine. 

Ce phénomène est souvent décrit comme le personalization-privacy paradox, c’est-à-dire que les consommateurs apprécient les expériences adaptées à leurs besoins, tout en pouvant être préoccupés par la collecte et le traitement des données nécessaires pour les créer (Alaoui et al., 2026). Une personnalisation très précise peut donc être appréciée lorsqu’elle semble utile, mais devenir dérangeante lorsqu’elle donne l’impression qu’une entreprise en sait trop sur nous ou lorsque l’on ne comprend pas clairement quelles données ont été utilisées.

À ce moment-là, les préoccupations des consommateurs ne touchent plus seulement la vie privée, mais directement la confiance. Et cette confiance peut aussi être mise à l’épreuve par ce que l’IA produit et par la façon dont les marques utilisent ces contenus.

Comment l’IA générative peut-elle affecter l’authenticité et la confiance en marketing ?

 Lorsqu’on voit passer un contenu publié par une marque que l’on connaît ou qu’on aime bien, il devient parfois difficile de savoir ce qui a réellement été créé par l’entreprise et ce qui a été produit à l’aide de l’IA. C’est également bien plus difficile puisque les outils d’IA générative sont devenus beaucoup plus performants dans la création de contenus visuels.

Lorsqu’une marque utilise l’IA pour créer une publicité, la transparence sur son utilisation peut devenir importante. Elle peut permettre d’éviter que le consommateur ait l’impression d’avoir été trompé. Une étude menée en 2026 auprès de 300 consommateurs montre d’ailleurs que la présence d’une information indiquant l’utilisation de l’IA peut renforcer la confiance et la crédibilité perçue d’une publicité (Do et al., 2026).

Mais cette transparence n’a pas toujours un effet positif. Shi et Jiang (2026) montrent que les labels qui indiquent que le contenu a été généré par l’IA peuvent aussi produire un effet inverse. Quelque chose qui était au départ une incertitude se transforme en une question d’authenticité et donc la perception que le consommateur a de la marque peut aussi être affectée.

Une recherche internationale présentée en 2026 au Cannes Lions par The Harris Poll, s’est justement intéressée à la perception des consommateurs face à l’IA dans la publicité. Les résultats :

More than two-thirds of consumers see AI as a marketing ploy. 78% say it makes ads feel less authentic. The same share find brands cringey when they over-use it. 73% would be less likely to trust an ad they suspected was AI-made. 63% would be less likely to buy. 

The Harris Poll, 2026

Quels changements l’IA entraîne-t-elle dans l’utilisation des données personnelles en marketing ?

C’est justement parce que la personnalisation repose sur des données personnelles et peut influencer la confiance que leur utilisation est encadrée. Au Québec, cette utilisation des données est encadrée par la Loi 25, qui renforce les règles entourant la protection des renseignements personnels. Pour les entreprises, cela signifie obtenir un consentement valide lors de la collecte de données et expliquer clairement pourquoi elles sont recueillies (Commission d’accès à l’information du Québec, 2026).

Face aux préoccupations liées à la vie privée, les entreprises accordent donc davantage d’importance aux données recueillies dans leur relation directe avec les consommateurs. Une étude publiée en 2025 montre d’ailleurs que les annonceurs accordent une forte priorité aux first-party data (Ham et Lee, 2025). Dans cette même logique, les zero-party data prennent aussi de l’intérêt. Contrairement aux données déduites à partir de nos comportements, il s’agit d’informations que le consommateur choisit volontairement de partager avec une marque, comme ses préférences ou ses intentions d’achat. Des recherches récentes montrent justement que les consommateurs sont davantage disposés à partager leurs informations lorsqu’ils comprennent clairement ce qu’ils vont obtenir en retour (Widyastati et al., 2026).

Comment les entreprises font pour arbitrer entre personnalisation, performance et confiance avec l’IA en marketing ?

Certaines entreprises ont déjà commencé à mettre en place des mesures pour profiter des possibilités de l’IA tout en essayant de mieux encadrer les risques liés à la confiance, aux données et à la transparence. 

Quand on ouvre TikTok et qu’on commence à scroller sur notre For You Page, il arrive qu’on tombe sur une vidéo avec une petite mention indiquant qu’elle a été générée ou modifiée avec l’IA. Ce détail peut sembler banal, mais il fait partie des pratiques mises en place par la plateforme pour rendre l’origine de certains contenus plus claire. TikTok demande que certains contenus qui ont l’air réalistes mais générés par IA soient signalés. Il utilise aussi ses propres outils de détection, les Content Credentials ainsi que des filigranes invisibles pour mieux repérer certains contenus générés ou modifiés par IA. La plateforme permet également aux utilisateurs d’ajuster la quantité de contenu généré par IA qu’ils souhaitent voir dans leur fil (TikTok, 2025).

Si on regarde maintenant du côté de la beauté, beaucoup d’entre nous utilisent probablement déjà au quotidien des produits appartenant au groupe L’Oréal, que ce soit en maquillage, en soins de la peau ou pour les cheveux. Dans un secteur où l’apparence du produit et les résultats montrés dans les publicités peuvent directement influencer notre décision d’achat, l’utilisation de l’IA pose une vraie question de confiance.

L’Oréal pose certaines limites. Ce dernier indique ne pas utiliser de visages, de corps, de cheveux ou de peaux réalistes générés par IA lorsqu’ils pourraient servir à démontrer ou à exagérer les bénéfices d’un produit. L’entreprise utilise tout de même l’IA pour accélérer la création marketing avec sa plateforme interne CreAItech, mais en gardant l’humain dans la boucle à des fins de vérification. Elle a également établi des règles sur l’utilisation des données personnelles, la véracité des messages publicitaires et les usages de l’IA jugés acceptables. (L’Oréal, 2026).

Au Canada, le géant des télécoms Bell montre un exemple intéressant aussi dans la manière dont une entreprise peut encadrer la personnalisation basée sur les données. L’entreprise utilise aussi les données de ses clients pour personnaliser certaines communications et publicités. Pour éviter que cette personnalisation devienne trop intrusive, Bell a mis en place plusieurs mesures. Son programme de marketing personnalisé est volontaire, les clients peuvent choisir d’y participer ou de s’en retirer, et certains services nécessitent même un consentement explicite avant d’être activés. L’entreprise indique également revoir certaines décisions prises par l’IA afin de vérifier qu’elles restent justes, légales et qu’elles n’entraînent pas de conséquences inattendues.(Bell,2026)

Mais ces pratiques ne règlent pas tout. Comme nous l’avons vu plus haut, signaler qu’un contenu a été généré par IA peut renforcer la transparence, tout en diminuant parfois son authenticité perçue. 

Que reste-t-il à faire pour mieux encadrer l’utilisation de l’IA en marketing ?

Même si plusieurs entreprises ont déjà commencé à encadrer leur utilisation de l’IA, si on regarde de plus près les solutions restent encore assez dispersées. Qu’est-ce qu’on veut dire par là ? Une entreprise sur une plateforme peut signaler qu’un contenu a été généré ou modifié avec l’IA, une marque peut maintenir une validation humaine avant diffusion et une autre peut donner davantage de contrôle sur l’utilisation des données personnelles, mais toutes ces méthodes ne sont toujours pas assez réunies au même endroit ni faciles à comprendre pour le consommateur. Ce qui reste intriguant pour le consommateur, c’est pas uniquement de voir un label IA ou autre, mais surtout de voir que toute recommandation, tout contenu personnalisé qui lui est présenté a été réfléchi et encadré.

Certaines plateformes proposent déjà des options comme « Pourquoi je vois cette publicité ? », « Info IA » et « En savoir plus », mais pour être honnête, en cliquant sur ces options, on se retrouve dans un labyrinthe où l’information peut se retrouver à plusieurs endroits ou mener vers des explications pas très claires et extrêmement longues.

Alors au final, il serait intéressant d’aller plus loin et de faire en sorte qu’une entreprise n’adopte pas une ou deux mais plusieurs méthodes d’encadrement de l’IA simultanément, car ces dernières sont complémentaires et de permettre au consommateur de comprendre, au moment même où il voit un contenu marketing, comment celui-ci lui est arrivé. Lors de la consultation du contenu marketing, il pourrait accéder à une petite interface qui lui montre comment l’IA a été utilisée de manière claire et brève, si le contenu a été vérifié par une personne avant sa diffusion, pourquoi il lui est présenté et quelles principales catégories de données ont contribué à cette personnalisation. 

Mais par-dessus tout, cette information pourrait être accompagnée d’un contrôle immédiat. Le consommateur pourrait voir directement quel contrôle il conserve sur la personnalisation, puis ajuster ses préférences ou réduire le niveau de personnalisation s’il le souhaite. Cela permettrait de garder les gains de productivité de l’IA dans les entreprises en continuant d’appliquer leurs garde-fous dans son utilisation tout en donnant aux consommateurs une compréhension immédiate solide et transparente du rôle de l’IA au sein de ces dernières.

Ce schéma représente à quoi pourrait ressembler un exemple d’interface simple, transparent et efficace qui regroupe, en un seul endroit, les principales informations liées à la personnalisation d’un contenu marketing.

Bibliographie

1. McKinsey Stein, Eli, Jamie Wilkie, Julien Boudet, Kelsey Robinson, Lalit Bhagia et Emily Scofield. (2026). « From campaigns to continuous growth: AI capabilities shaping marketing ». McKinsey & Company. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/from-campaigns-to-continuous-growth-ai-capabilities-shaping-marketing
2. International Energy Agency. (2025). Energy and AI. IEA.https://www.iea.org/reports/energy-and-ai
3. International Energy Agency. (2026). Key Questions on Energy and AI. IEAhttps://www.iea.org/reports/key-questions-on-energy-and-ai
4. IAE Paris-Sorbonne Business School. (2025). Publicité digitale et empreinte carbone : comment concilier performance et durabilité ? https://www.iae-paris.com/fr/nos-actualites-evenements/publicite-digitale-et-empreinte-carbone-comment-concilier-performance-et
5. Aczel, M., Chamanara, S., Matin, M., Farsi, A., Marwala, T. et Madani, K. (2026). Environmental Cost of AI’s Energy Use: Carbon, Water and Land Footprints. United Nations University Institute for Water, Environment and Health (UNU-INWEH). https://unu.edu/inweh/collection/environmental-cost-of-AIs-Enrgy-Use-Carbon-water-and-land-footprints
6. Segijn, C. M., Strycharz, J., Turner, A. et Opree, S. J. (2025). “My phone must be listening!”: Peoples’ surveillance beliefs around devices “listening” to offline conversations in the US, the Netherlands, and Poland. Big Data & Society https://journals.sagepub.com/doi/10.1177/20539517251337102
7. Hasan IF (2026;), “Algorithmic persuasion in AI personalization: the role of moral disengagement in shaping ethical judgment and brand responses”. Journal of Research in Interactive Marketing, Vol. ahead-of-print No. ahead-of-print.https://hecmontreal.on.worldcat.org/search/detail/11241398141?queryString=10.1108%2FJRIM-01-2026-0054&bookReviews=off&stickyFacetsChecked=on&idDetect=true&citeDetect=true&clusterResults=true&groupVariantRecords=false
8. Alaoui, Lalla Wafae, Kaoutar Chaali et Siham Habri. (2026). “AI-Driven Marketing Personalization: Bridging Organizational Implementation and Consumer Acceptance through a Conceptual Framework.” Procedia Computer Science, 280, 1254–1259.https://www.sciencedirect.com/science/article/pii/S1877050926011804
9. Shi, Y., & Jiang, Z. (2026). Consumer Responses to AI Disclosure Labels: The Role of Novelty and Authenticity. Sage Open, 16(1).
   https://journals.sagepub.com/doi/10.1177/21582440261417793
10. Do, Thi-Yen, Thi-Quynh-Anh Pham, Ying-Kai Liao, Kuo-Chung Huang et Wann-Yih Wu (2026). « Transparency Disclosure Mechanisms for AI-Generated Advertising on Online Platforms: An Empirical Study of User Trust and Engagement », Internet Technology Letters, vol. 9, no 4. https://onlinelibrary-wiley-com.proxy2.hec.ca/doi/epdf/10.1002/itl2.70354
11. The Harris Poll. (2026). I Never Asked for This. The Harris Poll, 4As et Infillion.https://theharrispoll.com/articles/what-we-learned-at-cannes-lions-2026/
12. Commission d’accès à l’information du Québec. (2026). Principaux changements aux lois sur la protection des renseignements personnels. Gouvernement du Québec.https://www.cai.gouv.qc.ca/protection-renseignements-personnels/sujets-et-domaines-dinteret/principaux-changements-loi-25
13. Ham, Minjeong et Sang Woo Lee. (2025). “Personal data strategies in digital advertising: Can first-party data outshine third-party data?” International Journal of Information Management, 80, 102852. https://www.sciencedirect.com/science/article/abs/pii/S0268401224001002
14. Widyastati, Shinta, Lukmanul Hakim et Tibrani. (2026). “Privacy Calculus in the Era of Zero-Party Data: How Value Exchange Framing Shapes Willingness to Disclose.” International Journal of Social Science, Educational, Economics, Agriculture Research and Technology (IJSET).https://ijset.org/index.php/ijset/article/view/1796/1346
15. TikTok https://newsroom.tiktok.com/more-ways-to-spot-shape-and-understand-ai-content?lang=en
16. L’Oréalhttps://www.loreal.com/en/articles/commitments/responsible-advertising/
17. Bell https://www.bell.ca/Security_and_privacy/How_we_collect_and_use_data