Personnalisation IA : pourquoi la promesse déçoit le client

Recommandations dynamiques, emails déclenchés au bon moment, assistants qui s'adressent au client par son prénom : les entreprises ont massivement investi dans la personnalisation pilotée par l'IA. Le client, lui, ne s'y retrouve pas toujours. Une majorité de Français jugent la compréhension de leurs attentes importante, mais restent réticents à fournir les données qui la rendraient possible. Ce paradoxe n'est pas un problème de créativité ou d'algorithme. Il révèle un chantier resté largement impensé : la gouvernance de la donnée qui alimente la promesse.

EN RÉSUMÉ

La personnalisation par l'IA s'est généralisée dans les dispositifs d'expérience client, portée par des outils de plus en plus accessibles. Les résultats mesurés restent pourtant décevants : les investissements se concentrent sur les usages marketing et commerciaux, précisément ceux où le retour sur investissement documenté est le plus faible. Le problème n'est pas l'absence de technologie, mais l'absence d'un cadre clair sur les données mobilisées, la finalité assumée et la confiance que l'entreprise construit (ou détruit) à chaque interaction personnalisée. Pour les directions marketing et expérience client, la question n'est plus « comment personnaliser davantage », mais « quelle gouvernance de la donnée rend la personnalisation crédible ».

Une promesse largement partagée, une confiance qui ne suit pas

Peu de discours marketing ont autant convergé ces dernières années que celui de la personnalisation. Recommandations de produits, contenus dynamiques, scénarios d'emails déclenchés par le comportement, chatbots capables de reprendre le fil d'une conversation précédente : la promesse est partout la même, celle d'un client enfin reconnu, compris et servi selon son contexte plutôt que selon un segment générique.

Les études consacrées aux attentes des consommateurs confirment que cette promesse touche juste. Selon l'étude State of the Connected Customer de Salesforce, 76 % des clients attendent des interactions cohérentes entre les canaux qu'ils utilisent, et 69 % estiment que la personnalisation influence significativement leur satisfaction. Le problème n'est donc pas l'intérêt du client pour une expérience mieux adaptée. Il se situe ailleurs : dans l'écart entre ce que l'entreprise promet de comprendre et ce que le client accepte réellement de lui confier.

Une étude relayée en septembre 2026 illustre ce paradoxe avec netteté : 81,2 % des personnes interrogées jugent important que les marques comprennent leurs préférences, mais seules 49,0 % se disent prêtes à partager les données qui permettraient cette compréhension.

L'écart entre ces deux chiffres traduit une méfiance construite au fil d'expériences où la donnée a été collectée sans que la contrepartie promise ait été au rendez-vous.

Le mauvais diagnostic : un problème d'outil

Face à ce paradoxe, la réaction la plus fréquente consiste à investir davantage dans l'outillage : plateforme de personnalisation, moteur de recommandation, connecteur IA supplémentaire branché sur le CRM. Cette réaction part d'un diagnostic implicite mais rarement énoncé : si la personnalisation déçoit, c'est que l'entreprise n'est pas encore assez équipée pour la délivrer.

Ce diagnostic se heurte à une donnée difficile à ignorer. L'étude The GenAI Divide, conduite par l'initiative NANDA du MIT Media Lab à partir de 150 entretiens avec des dirigeants, de 350 réponses de collaborateurs et de l'analyse de 300 déploiements documentés, établit que 95 % des projets pilotes d'IA générative en entreprise ne produisent aucun retour mesurable sur le compte de résultat.

Le constat le plus utile pour les directions marketing ne tient pourtant pas dans ce chiffre global, mais dans sa répartition : les budgets les plus importants sont concentrés sur les usages commerciaux et marketing, alors que le retour sur investissement y est le plus faible de tous les domaines étudiés. C'est précisément le territoire de la personnalisation client.

L'étude MIT NANDA attribue cet écart non à la qualité des modèles utilisés, mais à ce qu'elle nomme un écart d'apprentissage organisationnel : l'incapacité des entreprises à intégrer les systèmes d'IA dans leurs flux de travail, leurs structures de décision et leurs pratiques existantes. Autrement dit, l'outil n'est presque jamais le facteur limitant. Il masque une question plus difficile à traiter : sur quelles données l'entreprise construit-elle sa personnalisation, avec quelle légitimité, et pour quel usage réellement assumé ?

Ce que la personnalisation demande vraiment : un arbitrage sur la donnée

Personnaliser une expérience suppose de collecter, croiser et interpréter des données qui décrivent un client au-delà de ce qu'il a explicitement communiqué. Historique d'achat, comportement de navigation, interactions passées avec le service client, parfois données déduites par inférence : la matière première de la personnalisation est, par construction, une matière sensible.

La Commission nationale de l'informatique et des libertés a précisé que le principe de finalité s'applique aux systèmes d'IA de manière adaptée à leur usage général, mais qu'il continue d'imposer une description suffisamment précise des traitements envisagés et des mesures pour informer les personnes concernées. Cette exigence n'est pas un obstacle théorique. Elle rappelle qu'une entreprise ne peut pas se contenter d'affirmer qu'elle personnalise « pour améliorer l'expérience » sans être en mesure de préciser quelles données elle utilise, dans quel but précis, et selon quelles garanties.

Or c'est précisément ce niveau de précision qui fait défaut dans de nombreux dispositifs. Les données sont collectées par plusieurs outils, parfois sans articulation claire entre le marketing, la relation client et l'IT ; les finalités évoluent au gré des nouveaux cas d'usage sans que le client en soit informé ; et la frontière entre une personnalisation qui sert le client et une personnalisation qui sert avant tout l'entreprise devient difficile à tracer, y compris en interne. Le client, de son côté, ne perçoit pas le détail de cette organisation. Il perçoit un résultat : une marque qui semble le comprendre, ou une marque qui donne l'impression de le suivre sans jamais vraiment le connaître.

Deux formes de personnalisation, deux niveaux d'exigence

Une partie de la confusion vient du fait que le terme « personnalisation » recouvre deux logiques très différentes, rarement distinguées dans les dispositifs mis en place.

La première est une personnalisation fondée sur l'historique : elle s'appuie sur ce que le client a déjà fait, acheté ou consulté, pour lui proposer un contenu jugé statistiquement pertinent. Cette approche est la plus répandue, la plus simple à industrialiser, et la plus exposée au risque de rejet : elle donne facilement le sentiment d'être suivi plutôt que compris, en particulier lorsque la recommandation ignore le contexte immédiat du client.

La seconde est une personnalisation fondée sur le contexte : elle cherche à s'adapter à la situation présente du client (son humeur, sa contrainte de temps, l'étape précise de son parcours) plutôt qu'à son seul profil accumulé. Cette approche est plus exigeante à construire, car elle suppose de capter des signaux en temps réel et de les interpréter avec discernement, mais elle correspond davantage à ce que les études décrivent comme la véritable attente client : être reconnu pour ce qu'on cherche maintenant, pas uniquement pour ce qu'on a déjà fait.

Une entreprise qui confond ces deux logiques risque d'investir massivement dans la première en croyant répondre à la seconde. Le résultat est une personnalisation techniquement sophistiquée et perçue comme mécanique, ce qui explique une partie du décalage documenté par les études évoquées plus haut.

La confiance ne se rattrape pas après coup

L'enjeu dépasse la seule qualité perçue du service. Chaque interaction personnalisée qui échoue à démontrer sa pertinence renforce la réticence du client à partager davantage de données, ce qui réduit d'autant la capacité de l'entreprise à personnaliser efficacement à l'avenir. Ce cercle, une fois enclenché dans le mauvais sens, est difficile à inverser : la confiance perdue sur un usage visible de la donnée ne se reconstruit pas par une communication rassurante, mais par une série d'interactions où le bénéfice pour le client est explicite et vérifiable.

C'est ce mécanisme qui transforme la personnalisation d'un sujet d'outillage marketing en un sujet de gouvernance d'entreprise. La question n'est plus seulement technique: quel moteur de recommandation choisir, quelle plateforme de gestion des données clients déployer, mais organisationnelle : qui décide des finalités de la personnalisation, qui arbitre entre ce qui peut être automatisé et ce qui doit rester un geste explicite de transparence envers le client, et qui mesure, au-delà des taux de clic, si la relation construite gagne réellement en confiance.

Ce que cela change pour les directions marketing et expérience client

Concrètement, cette lecture invite à revoir l'ordre des priorités. Avant d'ajouter une nouvelle couche d'intelligence artificielle à un dispositif de personnalisation existant, une organisation gagne à clarifier trois éléments trop souvent implicites : quelles données sont réellement nécessaires pour le résultat recherché, et lesquelles sont collectées par habitude plutôt que par besoin ; quelle personne ou quelle instance porte la responsabilité des arbitrages entre marketing, relation client et conformité sur ces usages ; et quel indicateur, au-delà de la performance immédiate d'une campagne, permet de vérifier que la personnalisation renforce la confiance plutôt que de l'éroder silencieusement.

Cette clarification ne ralentit pas nécessairement les projets. Elle évite en revanche l'écueil le plus coûteux : multiplier les initiatives de personnalisation sans jamais consolider un socle de confiance qui permettrait, à terme, d'aller plus loin avec l'accord explicite du client plutôt que malgré sa réticence.

Une question de séquence, pas de renoncement

Rien dans ce constat ne plaide pour renoncer à la personnalisation. Les attentes client documentées par les études disponibles montrent au contraire qu'elle reste un levier de différenciation réel. Mais l'ordre des étapes compte : une entreprise qui construit d'abord la gouvernance de sa donnée, la légitimité de ses finalités et la mesure de la confiance créée dispose d'une base sur laquelle l'intelligence artificielle peut ensuite produire un effet démultiplicateur. Une entreprise qui inverse cet ordre risque de financer, à grands frais, une sophistication technique que le client perçoit sans y trouver de bénéfice.

La vraie question posée aux directions marketing n'est donc pas de savoir quel outil de personnalisation adopter en 2026, mais de déterminer qui, dans l'organisation, est aujourd'hui capable de répondre précisément à la question suivante : quelles données utilisons-nous, pour quel bénéfice client démontrable, et selon quelle limite assumée ? Tant que cette réponse reste floue, chaque nouvel investissement technologique risque de creuser davantage l'écart entre la promesse et la confiance qu'elle devait construire.

Le regard de digitalie_

Chez digitalie, nous considérons que la personnalisation ne se joue pas d'abord dans le choix d'un outil, mais dans la capacité d'une organisation à documenter et assumer les arbitrages qui l'entourent: quelles données, pour quelle finalité, avec quelle limite. C'est la même discipline que nous avons mobilisée en accompagnant NAOS dans la structuration de sa Content Factory : industrialiser la production sans perdre la maîtrise de ce qui doit rester différenciant. Un échange de 30 minutes permet souvent de clarifier où se situe, dans un dispositif existant, l'écart entre la personnalisation affichée et la confiance réellement construite.

Questions fréquentes

Pourquoi la personnalisation par l'IA déçoit-elle souvent les clients malgré les investissements technologiques ?

Parce que le problème n'est presque jamais l'outil. L'étude MIT NANDA montre que les projets d'IA générative en marketing et vente affichent le retour sur investissement le plus faible de tous les usages étudiés, l'écart venant d'un manque de gouvernance des données et des finalités, pas d'un déficit technologique.

Quelle est la différence entre personnalisation par l'historique et personnalisation contextuelle ?

La personnalisation par l'historique s'appuie sur les données accumulées (achats, navigation passée) pour proposer un contenu statistiquement pertinent. La personnalisation contextuelle s'adapte à la situation présente du client — son besoin immédiat, son moment de parcours — et correspond davantage à l'attente réelle des clients.

Comment la CNIL encadre-t-elle l'usage des données personnelles pour la personnalisation par l'IA ?

La CNIL applique le principe de finalité aux systèmes d'IA : les entreprises doivent pouvoir décrire précisément les traitements envisagés et informer les personnes concernées, même lorsque les usages généraux du système ne peuvent pas tous être anticipés dès sa conception.

Comment mesurer si un dispositif de personnalisation crée réellement de la confiance ?

Au-delà des indicateurs de performance immédiate (taux de clic, taux de conversion), il faut suivre des signaux de confiance dans la durée : disposition du client à partager davantage de données, taux de désabonnement des dispositifs personnalisés, et écarts entre satisfaction déclarée et comportement réel observé.

Faut-il renoncer à la personnalisation si le retour sur investissement reste incertain ?

Non. Les études sur les attentes client confirment que la personnalisation reste un levier de différenciation. La question n'est pas de renoncer, mais de séquencer : construire d'abord la gouvernance de la donnée et la confiance, avant d'investir davantage dans la sophistication technique.

Qui doit piloter la gouvernance de la personnalisation dans une entreprise ?

Aucune fonction ne peut la porter seule. Une gouvernance efficace associe le marketing, qui définit les cas d'usage, la direction de la donnée ou l'IT, qui en garantit la qualité et la conformité, et une instance d'arbitrage commune capable de trancher entre ce qui peut être automatisé et ce qui doit rester transparent pour le client.

Sources

1. Étude relayée en septembre 2026 sur le paradoxe des consommateurs français entre attente de personnalisation et réticence au partage de données — Marketing Numeric, « Marketing : en attente de personnalisation avancée mais avares de leurs données ». https://www.marketing-numeric.fr/marketing-en-attente-de-personnalisation-avancee-mais-avares-de-leurs-donnees-le-paradoxe-des-consommateurs-francais/

2. MIT Media Lab, initiative NANDA, « The GenAI Divide: State of AI in Business 2025 » (août 2025) — 150 entretiens de dirigeants, 350 réponses de collaborateurs, analyse de 300 déploiements documentés. Relayé notamment par Fortune et Forbes. https://www.forbes.com/sites/jasonsnyder/2025/08/26/mit-finds-95-of-genai-pilots-fail-because-companies-avoid-friction/

3. CNIL, « IA et RGPD : la CNIL publie ses nouvelles recommandations pour accompagner une innovation responsable », 7 février 2025. https://www.cnil.fr/fr/ia-et-rgpd-la-cnil-publie-ses-nouvelles-recommandations-pour-accompagner-une-innovation-responsable

4. Salesforce, « State of the Connected Customer » https://www.salesforce.com/resources/research-reports/state-of-the-connected-customer/

5. digitalie_, « Content Factory : industrialiser la production de contenus sans standardiser la création », 7 août 2026. https://www.digitalie.fr/analyses/content-factory-industrialisation-contenus

6. digitalie_, « Expérience client 2026 : pourquoi la preuve de valeur prime », 25 août 2026. https://www.digitalie.fr/analyses/preuve-valeur-experience-client-ia-agentique