IA et apprentissage automatique
77 % utilisent l'IA, 5 % s'en servent pour prendre des décisions.
Un aperçu du rapport sur le commerce électronique aux Pays-Bas 2026, et ce qu'il nous apprend de ce côté-ci de la frontière.
Ce contraste entre 77 % et 5 % résume bien la situation actuelle de l'IA dans le marketing. Presque tout le monde l'utilise, mais presque personne ne la laisse guider ses décisions. Les autres s'en tiennent à des outils isolés.
C'est le troisième chiffre qui fait toute la différence. Parmi les entreprises qui utilisent l'IA, 84 % s'en servent pour la création de contenu : textes, images, publicités, traductions. C'est le point d'entrée, visible et accessible. Mais cela ne change rien à la manière dont vous prenez vos décisions.
Tu fais plus vite ce que tu faisais déjà. Le moteur vrombit, mais la voiture est à l'arrêt.
Le fossé entre l'utilisation et l'intégration
La véritable question n'est pas de savoir si les entreprises utilisent l'IA, mais ce qu'elles en font. L'E-commerce Monitor distingue quatre phases :
Parmi les entreprises en croissance, 47 % se trouvent déjà en phase 2 ou 3. Ce chiffre est de 27 % pour les entreprises en stagnation. En phase 1, celle des outils disparates, les entreprises en croissance et celles en déclin sont représentées à peu près dans les mêmes proportions.
Source : E-commerce Monitor 2026 (525 entreprises néerlandaises du commerce électronique)La différence ne réside donc pas dans la phase d'expérimentation, mais dans l'étape suivante. Le fossé le plus important entre les deux groupes réside, selon les chercheurs, dans « les données et les analyses issues de leurs propres systèmes ».
Pourquoi la plupart des projets pilotes restent au point mort
Si la technologie existe et que la volonté est là, pourquoi l'IA se limite-t-elle, dans tant d'entreprises, à la rédaction plus rapide de textes ? La réponse n'est pas celle à laquelle la plupart des gens s'attendent. Ce n'est ni la technologie ni le budget qui constituent un obstacle. 65 % des entreprises citent le manque de connaissances et de compétences comme principal obstacle, et seules 23 % estiment que les connaissances de leur propre équipe en matière d'IA sont solides.
Mais il y a une dimension plus profonde. Un modèle destiné à prédire le comportement des clients ou à déterminer la meilleure action à entreprendre a besoin de quelque chose dont la création de contenu n'a pas besoin : des données fiables et cohérentes sur l'ensemble du parcours client. Et c'est précisément là que le bât blesse. Les données sont dispersées entre la caisse, la boutique en ligne, le CRM et l'outil de messagerie. Quatre silos qui ne communiquent pas entre eux.
Un modèle d'IA appliqué à des données fragmentées ne résout pas le problème de la fragmentation. Il le rend simplement visible.
La prévision est erronée, le modèle suscite la méfiance, le projet pilote meurt dans l'indifférence générale. Non pas parce que l'IA ne fonctionne pas, mais parce que les fondements font défaut. C'est comme un moteur puissant dans une voiture sans roues : la technologie est brillante, mais rien ne permet de transmettre cette puissance à la route.
Commençons par les bases : passer d'interactions isolées à une vision unique du client
C'est là que réside la solution, et elle est moins spectaculaire qu'un nouveau modèle, mais bien plus déterminante. Les entreprises qui parviennent à mettre l'IA en production ont d'abord regroupé les données de leurs clients en un seul et même endroit.
Un seul endroit. Une seule langue. Une seule vision du client.
C'est précisément par là que nous commençons. Non pas par le modèle, mais par les fondements qui le sous-tendent. Grâce à notre approche MIP (le parcours « Master Data » et « single customer view »), nous regroupons toutes les données clients en un seul et même endroit : achats en caisse, comportement sur la boutique en ligne, interactions par e-mail, contacts avec le service client.
Nous standardisons ces données afin que les termes « actif », « client » et « valeur » aient partout la même signification, et nous en tirons une vision cohérente du client. À partir de là, vous pouvez rassembler chaque interaction d'un client avec votre marque pour en faire un récit plutôt qu'une succession de signaux isolés : qui a acheté quoi, via quel canal, à la suite de quel e-mail, et quelle a été son expérience client par la suite.
C'est là que naissent les informations dont un modèle a besoin pour pouvoir prédire qui risque de se désengager, quel groupe de clients aborder au prix plein, et quelle action est la plus rentable à quel moment.
Ce n'est que sur cette base que l'IA deviendra autre chose qu'un simple générateur de texte plus rapide. Elle servira alors de base à la prise de décision, plutôt que de produire du contenu.
Le passage de la phase 1 à la phase 2 n'est donc pas une étape liée à l'IA. C'est une étape liée aux données. La question n'est pas « quel modèle allons-nous utiliser », mais « sur quoi allons-nous le faire fonctionner ».
Ce n'est pas la démo, mais l'intégration
Aujourd'hui, n'importe qui peut présenter une démonstration impressionnante d'IA, un modèle qui, dans un environnement contrôlé, fait exactement ce qu'il doit faire. La démonstration, c'est facile. L'intégration, en revanche, est difficile, car elle exige que les données sous-jacentes soient correctes.
C'est pourquoi le chiffre le plus fiable de tout le Monitor est peut-être bien celui de ces 5 %. La différence entre 77 % et 5 % ne tient pas à la qualité des modèles, mais à la qualité des données de base. Ne commencez donc pas par le modèle. Commencez par vous demander si vos données sont prêtes à servir de base à vos analyses.