Entre flambée des coûts d’inférence, tension sur les GPU et course aux modèles toujours plus puissants, une partie de l’industrie de l’intelligence artificielle change discrètement de cap. Le signal est venu de Pinterest, qui a récemment mis en avant des gains significatifs obtenus grâce à des modèles open source affinés en interne, au moment même où la plateforme accélère l’automatisation de son offre publicitaire. Derrière l’annonce, un enjeu très concret : comment industrialiser la production de contenu et la création automatique d’annonces, tout en maintenant la performance et la rentabilité dans un marché où le marketing digital s’appuie de plus en plus sur des algorithmes gourmands en calcul. Pour les annonceurs, la promesse est séduisante — gagner du temps, réduire les frictions, améliorer les résultats — mais elle repose sur une équation technique difficile : l’optimisation des modèles, des données et de l’infrastructure. Et si, au-delà des outils, la vraie bataille se jouait désormais sur la maîtrise de la pile IA, plutôt que sur la simple consommation d’API externes ?
Pinterest accélère l’automatisation publicitaire avec Performance+
Pinterest a officialisé le déploiement de Performance+, une suite de campagnes publicitaires automatisées conçue pour simplifier la mise en place et l’optimisation des annonces. Annoncé le 13 juin 2024, ce dispositif vise à réduire le travail manuel sur la création, le ciblage et l’ajustement des campagnes, dans la lignée de ce que Google a imposé avec Performance Max.
Selon la plateforme, les premiers tests en bêta sur invitation ont montré, pour certaines campagnes, une amélioration du coût par acquisition de plus de 10%, ainsi qu’une baisse du coût par clic. Pinterest met aussi en avant un gain opérationnel : jusqu’à 50% de saisies en moins pour lancer une campagne, un point clé pour les équipes qui multiplient les variations créatives au fil des saisons, des temps forts commerciaux et des tendances.
Dans une agence, le cas d’usage est concret : une responsable acquisition d’une marque déco peut préparer des séries d’annonces autour d’une même collection (salon, cuisine, chambre) et laisser l’outil ajuster la diffusion selon les signaux observés. L’objectif n’est pas seulement de produire plus, mais de produire plus vite, au bon format et avec une logique de test-and-learn intégrée. Cette bascule vers la création automatique s’inscrit dans une tendance plus large décrite dans l’évolution de l’automatisation du marketing, où la plateforme devient co-pilote des décisions média.
Reste une question centrale : quand l’outil pilote davantage, que devient la granularité de contrôle ? Pinterest assume que le compromis se joue sur l’efficacité, mais la capacité à comprendre « pourquoi » une campagne performe devient, elle aussi, un sujet stratégique.
Open source, coûts d’inférence et modèles spécialisés : le signal envoyé par Bill Ready
Lors d’une récente conférence téléphonique de résultats, le PDG Bill Ready a expliqué que Pinterest observait des « performances remarquables » avec des modèles open source affinés pour ses usages, à une fraction du coût de modèles propriétaires de pointe. Le point est moins idéologique que budgétaire : pour une plateforme grand public, l’IA coûte surtout lorsqu’elle tourne en production, à grande échelle, et en continu.
Pinterest s’appuie sur l’IA visuelle pour ses recommandations, la recherche multimodale (texte et image), la pertinence publicitaire et la découverte de produits. Dans ce contexte, la plateforme dit avoir comparé des approches : recourir à des modèles propriétaires coûteux ou affiner des modèles ouverts sur des tâches très ciblées. Résultat mis en avant : une performance comparable, mais une dépense très inférieure, avec des « réductions d’ordres de grandeur » évoquées — une formule qui renvoie à des baisses de coût de 10x, parfois davantage selon les cas d’inférence.
Ce choix correspond à une logique d’ingénierie : Pinterest n’a pas besoin d’un modèle généraliste capable de répondre à tous les sujets, mais d’IA capables de reconnaître des styles esthétiques, des préférences visuelles, des comportements d’achat et des tendances culturelles. En filigrane, l’enjeu est la maîtrise du triptyque modèle–données–infrastructure, car c’est là que se décide l’optimisation des coûts et la vitesse d’itération.
Dans le secteur, ce discours est regardé de près : il suggère que la période du « on branchera une API et on optimisera plus tard » s’efface au profit d’arbitrages plus structurants. Et cette bascule se répercute immédiatement sur la manière de concevoir la production de contenu à grande échelle, notamment côté publicité.
De la production de contenu à l’analyse de données : ce que l’IA change pour les annonceurs
Pour les marques, l’automatisation façon Pinterest Performance+ s’insère dans une mécanique plus large : multiplier les variantes créatives, laisser les algorithmes distribuer, puis réallouer en fonction des résultats. Dans les faits, le rôle humain se déplace : moins de paramétrage fin au lancement, davantage de pilotage par la mesure et l’analyse de données. Qui gagne ? Ceux qui savent alimenter les systèmes avec de bons signaux (catalogues propres, événements de conversion, cohérence des assets) et interpréter ce que la machine renvoie.
Un annonceur e-commerce peut, par exemple, utiliser l’automatisation pour tester des visuels de mise en scène (produit porté, packshot, ambiance) et comprendre quels codes esthétiques font progresser l’intention. Sur Pinterest, où l’usage est historiquement lié à l’inspiration, cet ajustement créatif a un impact direct sur la performance, car le contexte de découverte compte autant que le ciblage.
Cette dynamique relance aussi un débat sur la visibilité à l’ère des contenus générés : si la création devient plus facile, le filtrage se durcit. Les équipes marketing cherchent alors des repères pour éviter l’uniformisation, un sujet proche de la montée de l’expertise comme filtre de visibilité, lorsque les plateformes et moteurs doivent distinguer le pertinent du bruit.
Enfin, Pinterest avance prudemment sur l’idée d’IA plus « agentiques » dans le shopping : la plateforme dit vouloir suivre les comportements plutôt que le battage médiatique, en privilégiant une expérience qui aide à explorer et affiner avant de décider. Dans un paysage dominé par l’achat impulsif sur certaines plateformes, cette approche met l’accent sur l’assistance plutôt que la substitution — un choix qui, s’il se confirme, pèsera autant sur la relation utilisateur que sur les stratégies de marketing digital.
