Quand le CMO a déjà le budget IA, mais pas encore le modèle pour l’opérer

Le CMO 2026 n’a plus seulement un problème de budget IA.

Il a surtout un problème d’absorption.

Gartner le documente dans son 2026 CMO Spend Survey publié le 11 mai : 15,3 % du budget marketing est désormais alloué aux initiatives IA. 70 % des CMOs déclarent vouloir devenir “AI leaders” cette année. Mais seuls 30 % disent disposer d’une AI readiness mature, c’est-à-dire d’une organisation réellement capable d’absorber l’IA dans ses opérations quotidiennes.

L’écart est là.

Le financement est arrivé plus vite que le modèle pour l’opérer.

Ce point est probablement l’un des angles morts du moment. Beaucoup de directions marketing sont déjà passées de la phase curiosité à la phase allocation budgétaire. Les licences sont achetées. Les POC existent. Les premiers agents sont testés. Les équipes produisent plus vite. Les prestataires proposent des workflows “augmentés”. Les directions générales demandent des gains.

Mais entre expérimenter l’IA et la faire entrer dans le fonctionnement réel d’une organisation marketing, il y a un saut.

Et ce saut n’est pas technologique.

Il est organisationnel.

Le problème n’est pas d’ajouter des agents

La mauvaise question est :

“Quels agents IA pouvons-nous déployer ?”

La bonne question est :

“Quels workflows marketing voulons-nous transformer, avec quel impact business mesurable ?”

C’est là que beaucoup d’organisations se trompent de point de départ. Elles partent de l’outil. Elles testent une solution de génération de contenu, un assistant social media, un agent CRM, un copilote analytics, un outil de veille, une solution SEO/GEO, un moteur de personnalisation.

Chaque usage peut être pertinent localement.

L’empilement d’usages ne crée pourtant pas nécessairement un modèle.

Un agent IA ajouté à une organisation marketing floue ne réduit pas toujours la complexité. Il peut l’accélérer.

Il produit plus vite des contenus qui doivent être relus. Il génère plus de recommandations que l’équipe ne sait en absorber. Il crée plus de variantes créatives que le brand team ne peut arbitrer. Il multiplie les analyses sans clarification préalable des décisions à prendre.

L’IA ne supprime pas le besoin de modèle opérationnel.

Elle le rend plus visible.

McKinsey chiffre le même décalage autrement : près de 90 % des CMOs expérimentent l’IA, mais moins de 10 % capturent déjà de la valeur sur des workflows end-to-end. Le problème n’est donc pas l’expérimentation. Le problème est le passage de l’usage ponctuel à la chaîne de valeur complète.

L’IA révèle la dette opérationnelle du marketing

Prenons un exemple simple.

Une équipe marketing déploie un agent capable de produire des campagnes promotionnelles. L’agent récupère les performances passées, analyse les messages qui ont converti, propose des angles, génère des variantes, adapte les assets par segment.

Sur le papier, le gain est évident.

Mais l’agent propose une campagne Q3 qui contredit le positionnement validé par le COMEX en Q1. Non pas parce que le modèle est mauvais, mais parce que la stratégie de marque vit dans trois documents différents. Parce que la charte n’est pas à jour. Parce que les claims autorisés sont dans un fichier juridique séparé. Parce que les règles de pricing n’ont jamais été formalisées dans un format lisible par une machine. Parce que le tone of voice réel est dans la tête de deux personnes.

Dans ce cas, l’agent ne crée pas le problème.

Il révèle que l’organisation opérait déjà avec des référentiels dispersés.

Avant l’IA, cette dette était absorbée par l’expérience des équipes, par des allers-retours informels, par des corrections humaines, par des validations tardives. Avec l’IA, cette dette devient industrialisable. Donc dangereuse.

Un mauvais brief humain produit un mauvais livrable.

Un mauvais référentiel agentique produit mille mauvais livrables.

C’est pourquoi le sujet du “brand code”, décrit par HBR le 8 mai 2026, devient central. Non pas comme une nouvelle façon de nommer une charte de marque. Mais comme une base machine-lisible qui encode la stratégie, les règles business, les garde-fous juridiques, les insights clients, le ton, les arbitrages de marque.

Le brand code est moins spectaculaire qu’un nouvel agent dans la stack.

Il est pourtant beaucoup plus déterminant pour transformer le budget IA en valeur.

Opérer mieux, concrètement, veut dire quoi ?

Opérer mieux ne veut pas dire ralentir.

Cela veut dire faire entrer l’IA dans un système d’exécution pilotable.

Je vois cinq conditions.

1. Partir des workflows, pas des outils

Il faut commencer par identifier les workflows où l’IA peut déplacer un KPI réel.

Pas “faire de l’IA dans le marketing”.

Mais par exemple :

réduire le temps de production des contenus ;
améliorer la cohérence des assets de marque ;
accélérer la veille concurrentielle ;
augmenter la vélocité CRM ;
améliorer le scoring ou la segmentation ;
réduire le coût de production des variantes créatives ;
accélérer le reporting de performance ;
améliorer la conversion d’un funnel ;
réduire la dépendance à certains prestataires ;
mieux allouer les budgets média.

La question centrale devient alors :

quel workflow devient plus rapide, moins cher, plus fiable ou plus rentable ?

Si la réponse n’est pas claire, l’agent est probablement prématuré.

2. Rendre les référentiels lisibles par la machine

Une organisation marketing fonctionne avec des référentiels implicites.

La marque. Le ton. Les personas. Les offres. Les règles de validation. Les contraintes légales. Les messages interdits. Les claims autorisés. Les segments prioritaires. Les objectifs business. Les arbitrages de pricing. Les données de performance.

Tant que ces éléments restent dispersés, l’IA travaille sur un sol instable.

Opérer mieux suppose donc de transformer ces référentiels en matière exploitable par les agents.

C’est une tâche moins visible que l’achat d’un outil, et probablement l’un des plus forts multiplicateurs de valeur.

Un agent sans référentiel produit de la vitesse.

Un agent avec référentiel produit de la cohérence.

3. Clarifier la chaîne humain-agent

L’IA ne doit pas être pensée comme un remplacement abstrait de l’humain.

Elle doit être pensée comme une chaîne de décision.

Pour chaque usage, il faut savoir :

ce que l’agent peut faire seul ;
ce qu’il peut recommander ;
ce qu’il ne peut jamais décider ;
ce qui doit être validé par un humain ;
qui arbitre en cas de conflit ;
quels garde-fous bloquent automatiquement la sortie ;
quels signaux déclenchent une revue.

Exemple : un agent CRM peut proposer des segments, générer des variantes d’email, recommander un timing d’envoi, analyser les résultats.

Il ne doit pas pour autant pouvoir envoyer sans validation. Il ne doit pas pouvoir inventer une promesse commerciale. Il ne doit pas pouvoir ignorer les règles de pression marketing. Il ne doit pas pouvoir contourner les contraintes juridiques.

Ce n’est pas un détail de gouvernance.

C’est la frontière entre expérimentation et exploitation.

4. Donner un owner business à chaque agent

Un agent sans owner devient vite un gadget.

Chaque workflow agentique devrait avoir :

un sponsor métier ;
un responsable opérationnel ;
un KPI business ;
un budget ;
une cadence d’amélioration ;
une règle d’arrêt si la valeur n’est pas démontrée.

Sinon, l’organisation accumule des POC.

Le vrai test est simple :

Pas d’owner, pas de workflow. Pas de workflow, pas de KPI. Pas de KPI, pas d’agent.

C’est brutal, mais nécessaire.

L’IA marketing ne doit pas devenir un portefeuille de curiosités technologiques. Elle doit devenir un portefeuille d’actifs opérationnels.

5. Mesurer la valeur au-delà du gain de temps

Le gain de temps est utile.

Il ne suffit pas.

Dire qu’une équipe économise dix heures par semaine grâce à l’IA ne dit pas encore si l’organisation crée de la valeur. La vraie question est : que deviennent ces dix heures ?

Sont-elles réallouées vers des tâches à plus forte valeur ? Réduisent-elles un coût externe ? Accélèrent-elles la mise sur le marché ? Améliorent-elles la conversion ? Renforcent-elles la cohérence de marque ? Réduisent-elles le risque juridique ? Augmentent-elles le chiffre d’affaires ? Améliorent-elles la marge ?

La mesure doit porter sur quatre dimensions :

Vitesse : le workflow est-il plus rapide ?
Coût : le coût de production ou d’agence baisse-t-il ?
Qualité : la cohérence, la conformité ou la performance s’améliore-t-elle ?
Business : y a-t-il un effet sur les leads, les ventes, la rétention, la marge ou l’EBITDA ?

Sans cette mesure, l’IA reste une promesse de productivité locale. Avec cette mesure, elle devient un instrument de pilotage.

Le piège du budget marginal

C’est ici que le chiffre Gartner devient intéressant.

Si 15,3 % du budget marketing va déjà à l’IA, la tentation naturelle sera de pousser à 18 %, 20 %, 22 %. Surtout si les organisations les plus matures déclarent investir davantage.

Mais la causalité n’est pas évidente.

Les organisations sont-elles plus matures parce qu’elles investissent davantage ?

Ou investissent-elles davantage parce qu’elles ont déjà construit une capacité d’absorption supérieure ?

Les deux lectures sont possibles.

Pour un CMO, toutefois, la question opérationnelle est plus directe : un euro supplémentaire investi dans l’IA produit-il plus de valeur s’il est mis dans un nouvel outil ou dans la recomposition du modèle qui permet d’opérer les outils déjà achetés ?

Dans beaucoup d’organisations, la réponse ne sera pas le nouvel outil.

Ce sera le modèle.

Un référentiel de marque propre. Une donnée client exploitable. Une architecture de validation claire. Des workflows documentés. Des owners. Des KPIs. Une gouvernance. Une capacité à arbitrer entre vitesse, cohérence, conformité et performance.

Ce travail est moins vendeur.

C’est pourtant lui qui transforme le budget en rendement.

Le CMO devient architecte d’exécution

Le rôle du CMO change avec l’agentique.

Il ne s’agit plus seulement de piloter la marque, l’acquisition, la communication, la connaissance client ou le budget média.

Il faut désormais concevoir une organisation où humains, agents, données, règles business et référentiels de marque opèrent ensemble.

C’est un changement de nature.

Avant, l’enjeu était souvent de produire mieux avec les équipes et les agences.

Demain, l’enjeu sera de concevoir un système capable de produire, apprendre, arbitrer et corriger en continu.

Cela rapproche le CMO d’un rôle de conception, pas seulement de pilotage.

Il doit décider où l’IA agit, où elle recommande, où elle s’arrête, où l’humain reprend la main, et comment la valeur est mesurée.

Ce n’est pas une question de fascination technologique.

C’est une question de rendement organisationnel.

Ce que les meilleurs feront probablement

Les organisations marketing les plus avancées ne seront pas forcément celles qui auront acheté le plus d’outils. Ce seront celles qui auront su construire un modèle simple à décrire : quelques workflows prioritaires, des référentiels propres, des agents assignés à des tâches précises sous validation humaine claire, un owner métier par cas d’usage, une mesure de valeur, et une capacité d’arrêt assumée quand le cas d’usage ne produit pas.

Elles ne chercheront pas à “mettre de l’IA partout”. Elles chercheront à mettre de l’IA là où elle déplace un rendement.

C’est probablement la différence entre une stratégie IA marketing et une collection d’initiatives IA.

Le budget IA est là. Le modèle doit suivre.

La discussion sur l’IA marketing entre dans une phase plus sérieuse.

La phase de l’émerveillement est derrière nous. La phase des budgets a commencé. La phase de la preuve économique arrive.

Dans cette phase, le sujet ne sera pas seulement de savoir combien le CMO investit dans l’IA.

Le sujet sera de savoir si son organisation est capable de convertir ce budget en vitesse utile, en cohérence de marque, en baisse de coût, en meilleure allocation média, en amélioration de conversion, en avantage compétitif mesurable.

Tant que l’AI readiness plafonne à 30 %, passer de 15,3 % à 20 % de budget IA ne suffit pas.

Le sujet n’est pas de payer plus vite.

Le sujet est d’opérer mieux.

Et opérer mieux, dans le marketing agentique, veut dire une chose assez simple :

choisir les workflows où l’IA peut déplacer un KPI business, rendre les référentiels lisibles par la machine, définir les droits d’action des agents, assigner un owner métier et mesurer la valeur créée.

Sans cela, le budget IA finance de la vitesse locale.

Avec cela, il commence à financer de la performance globale.

Sources

Gartner, 2026 CMO Spend Survey Finds CMOs Allocate 15.3% of Marketing Budgets to AI, but Only 30% Are Ready to Scale AI Capabilities, 11 mai 2026.
McKinsey & Company, Reinventing marketing workflows with agentic AI, 2026.
Michelle Taite, John Winsor, Will Fernandez, Redesigning Your Marketing Organization for the Agentic Age, Harvard Business Review, 8 mai 2026.