Google Cloud Next 26 change-t-il le marketing IA ?

Google Cloud Next 26 confirme une chose : Google pousse l’IA marketing par intégration, pas par suite propriétaire. Gemini Enterprise, UCP et les cas Macy’s ou Ulta Beauty montrent des usages concrets, mais les coûts, délais réels et performances à grande échelle restent à vérifier.

Que faut-il retenir ?

Google Cloud Next 26 montre surtout une stratégie d’intégration de l’IA dans les outils déjà en place, plus qu’un nouveau marketing cloud complet. L’idée n’est pas de demander aux équipes marketing de remplacer toute leur stack, mais d’ajouter Gemini, la famille de modèles d’intelligence artificielle de Google, dans des environnements que les entreprises utilisent déjà.

Une stack marketing désigne simplement l’ensemble des outils utilisés pour gérer l’acquisition, la relation client, les données, les campagnes, les contenus et la mesure de performance. Dans beaucoup d’entreprises, cette stack comprend déjà Salesforce pour le CRM, SAP pour les processus métiers, Slack pour la collaboration, des outils média, des plateformes analytics et parfois des solutions créatives comme celles de WPP.

La logique de Google est donc pragmatique : connecter Gemini à ces outils plutôt que vendre une rupture totale. C’est cohérent avec la réalité des grands comptes. Personne ne remplace facilement plusieurs années d’intégrations, de données clients, de workflows internes et de gouvernance pour une promesse IA, même séduisante.

Le point important pour un décideur marketing ou data est ailleurs. Les capacités existent via Google Cloud, mais elles ne répondent pas encore à toutes les questions opérationnelles : combien cela coûte à grande échelle, combien de temps prend le déploiement, quelles dépendances techniques apparaissent, quelles performances sont réellement obtenues en production, et avec quel niveau de contrôle sur les données.

Il faut aussi distinguer quatre niveaux. Une annonce présente une direction stratégique. Une démonstration montre un scénario maîtrisé, souvent optimisé. Un pilote teste un cas réel mais limité, avec peu d’utilisateurs ou peu de données. Une exploitation industrielle signifie que le système tourne à grande échelle, avec sécurité, supervision, coûts maîtrisés, qualité mesurée et support métier.

À quoi sert Gemini Enterprise for CX ?

Gemini Enterprise for Customer Experience sert à construire des agents IA pour la relation client. CX signifie Customer Experience, c’est-à-dire l’expérience client sur l’ensemble des points de contact avec une marque : site web, application, centre d’appels, chat, e-mail ou magasin.

Dans les annonces Google Cloud Next 26, la majorité des cas d’usage orientés client reposent sur cette plateforme. L’idée est simple : connecter des modèles Gemini, des données métier et des outils internes pour créer des assistants capables de répondre, guider ou automatiser une partie des interactions.

Pour une équipe marketing ou e-commerce, le changement devient concret sur plusieurs usages :

• Recherche produit assistée : Un client peut décrire son besoin en langage naturel au lieu de filtrer manuellement un catalogue.
• Réponse aux questions clients : Un agent IA peut expliquer une politique de retour, une disponibilité produit ou une différence entre deux offres.
• Orientation dans un catalogue : L’IA peut recommander des produits selon le contexte, le budget ou l’usage prévu.
• Automatisation du support : Les demandes simples peuvent être traitées sans intervention humaine, avec escalade vers un conseiller si nécessaire.
• Personnalisation des interactions : Les réponses peuvent tenir compte de l’historique client, des préférences ou du statut de fidélité, si ces données sont accessibles et autorisées.

Reste un point important : plusieurs sujets ne sont pas toujours documentés publiquement de façon précise. Les prix exacts, l’effort d’intégration, la gouvernance des données, la durée réelle d’un passage en production et le comportement hors pilote contrôlé doivent être vérifiés projet par projet.

Ces détails comptent parce qu’un agent IA fiable dépend rarement du modèle seul. Il dépend surtout de la qualité des données produit, des connexions aux systèmes internes comme le CRM ou l’ERP, des droits d’accès, de la conformité, du monitoring et de la continuité de service.

Avant de lancer un projet Gemini Enterprise for CX, je poserais au minimum ces questions :

• Quelles données sont nécessaires ? Catalogue, stocks, commandes, FAQ, avis clients, historique CRM.
• Quels systèmes doivent être connectés ? Site e-commerce, CRM, outil de support, ERP, moteur de recherche interne.
• Quel volume de requêtes est attendu ? Le dimensionnement technique et le coût en dépendent.
• Quel niveau d’automatisation est acceptable ? Certaines réponses doivent-elles toujours être validées par un humain ?
• Comment mesurer la satisfaction client et le retour sur investissement ? Taux de résolution, baisse des tickets, conversion, panier moyen, CSAT.

Pourquoi l’UCP compte pour le commerce ?

L’UCP compte pour le commerce parce qu’il peut déplacer une partie de la découverte produit, de la comparaison et de l’achat vers les interfaces IA de Google. UCP signifie Universal Commerce Protocol. C’est un protocole présenté comme ouvert, c’est-à-dire un ensemble de règles techniques communes, conçu pour rendre les catalogues, les disponibilités, les prix et certains flux transactionnels exploitables par des agents IA.

Le mécanisme est assez simple. Un détaillant connecte ses données de catalogue et ses flux de commerce à l’UCP. Les surfaces IA de Google, comme AI Mode dans Search ou l’application Gemini, peuvent ensuite utiliser ces informations pour répondre à des demandes concrètes : trouver un produit, comparer plusieurs options, vérifier une disponibilité ou orienter vers un achat. Dans ce modèle, la recherche ne se limite plus à afficher des liens. Elle devient une interface de décision, parfois très proche de l’acte d’achat.

Ulta Beauty fait partie des premiers détaillants cités par Google pour intégrer l’UCP, avec un déploiement annoncé dans le mois. L’exemple est parlant : dans la beauté, l’utilisateur cherche rarement un simple produit. Il compare une teinte, un type de peau, un budget, une marque, une disponibilité locale. Si un agent IA peut interroger directement un catalogue structuré, la recommandation devient beaucoup plus exploitable.

L’enjeu stratégique mérite d’être regardé sans panique, mais sans naïveté. Même si l’UCP est présenté comme un standard ouvert, il renforce aussi Google comme couche d’accès au commerce piloté par IA. Le risque pour un détaillant absent de ce type de protocole n’est pas seulement technique. Il touche à la visibilité. Si les nouveaux parcours d’achat commencent dans Search, Gemini ou d’autres assistants, les catalogues non connectés pourraient être moins présents, moins comparables, ou tout simplement moins faciles à acheter.

Plusieurs inconnues restent à surveiller avant d’en faire un canal prioritaire.

Que vaut le cas Macy’s ?

Le cas Macy’s est intéressant, mais l’affirmation d’un assistant construit et déployé en quatre semaines doit être lue avec prudence. Ask Macy’s est présenté comme un assistant conversationnel basé sur Gemini Enterprise for Customer Experience, annoncé comme capable de couvrir plus de 2,5 millions de SKU. SKU signifie Stock Keeping Unit, c’est-à-dire une référence produit unique dans un catalogue.

Le chiffre compte, parce qu’il suggère un vrai cas d’usage e-commerce complexe. Un catalogue de cette taille contient souvent des variantes de taille, de couleur, de stock, de prix, de disponibilité locale, d’avis clients, d’images, de descriptions et d’attributs parfois incohérents selon les sources. Un agent IA, c’est-à-dire un système capable de comprendre une demande, d’aller chercher des informations et de formuler une réponse ou une action, dépend fortement de la qualité de ces données. Si les fiches produits sont incomplètes, mal structurées ou pas à jour, le modèle peut répondre vite, mais mal.

La vraie question n’est donc pas seulement : “A-t-il été construit en quatre semaines ?” La question utile est : “Qu’est-ce qui a réellement été construit en quatre semaines ?” Un prototype peut prouver que l’expérience fonctionne sur un périmètre réduit. Une démonstration peut montrer un parcours convaincant avec des données préparées. Une production à grande échelle suppose autre chose : préparation des données, intégration complète au système e-commerce, tests, supervision, sécurité, montée en charge, gestion des erreurs et maintenance continue.

Quatre semaines peuvent donc correspondre à un prototype fonctionnel ou à un premier déploiement limité. Cela ne prouve pas, à lui seul, que tout le chantier industriel est terminé.

Comment décider quoi tester ?

Il faut tester en priorité les cas d’usage où l’IA améliore une expérience mesurable sans créer une dépendance technique incontrôlée. Gemini Enterprise for CX ouvre des pistes concrètes côté service client et parcours conversationnels. UCP, pour Unified Commerce Platform, peut modifier la visibilité commerciale en connectant mieux produit, contenu et achat. Le cas Macy’s rappelle surtout une chose : une annonce rapide peut être intéressante, mais elle ne prouve pas encore la robustesse à grande échelle.

La bonne méthode reste simple. Choisir un périmètre étroit, par exemple une catégorie produit, un segment client ou un type de demande au support. Définir ensuite une métrique business avant de parler modèle : conversion, résolution, panier moyen, réachat ou baisse du coût de traitement. Auditer les données disponibles, car une IA branchée sur des fiches produit incomplètes ou une base FAQ obsolète produira des réponses médiocres. Cadrer les risques, notamment les réponses fausses, les biais, la confidentialité et la dépendance à un fournisseur. Lancer enfin un pilote contrôlé, avec un groupe témoin si possible, puis passer en production uniquement si les indicateurs sont fiables.

Les métriques à suivre doivent venir du contexte de l’entreprise, pas d’un benchmark générique. Un chatbot de service après-vente, un moteur de recherche e-commerce et un assistant vendeur n’ont pas les mêmes objectifs. Les indicateurs utiles sont les suivants :

• Taux de résolution, pour mesurer les demandes traitées sans intervention humaine.
• Taux de conversion, pour vérifier l’impact commercial réel.
• Taux d’escalade vers un humain, pour repérer les limites du système.
• Satisfaction client, via CSAT ou verbatims qualifiés.
• Coût par interaction, pour comparer l’IA aux canaux existants.
• Qualité des réponses, avec revue humaine sur un échantillon.
• Erreurs critiques, comme une mauvaise promesse de prix, de stock ou de délai.
• Disponibilité du service, car une IA utile mais instable reste un risque opérationnel.

Ces annonces doivent être traitées comme des options stratégiques à valider, pas comme des solutions magiques. Le bon réflexe consiste à tester petit, mesurer proprement, puis industrialiser seulement ce qui prouve sa valeur.

Alors, faut-il accélérer maintenant ?

Google Cloud Next 26 donne un signal clair : l’IA marketing avance par couches intégrées dans les outils et les parcours existants. Gemini Enterprise for CX peut accélérer les agents conversationnels, l’UCP peut modifier l’accès au commerce dans les interfaces IA, et le cas Macy’s montre un potentiel réel sur des catalogues massifs. Mais les points clés restent à vérifier : coûts, données, délais complets, exploitation en production et dépendance aux surfaces Google. La bonne décision consiste à tester vite, mais sur un périmètre mesurable. Vous gagnez ainsi en lucidité, en vitesse d’exécution et en maîtrise business.

FAQ

• Google Cloud Next 26 annonce-t-il un nouveau marketing cloud ?
  Pas vraiment. Les annonces montrent surtout une stratégie d’intégration : Google ajoute Gemini comme couche IA dans Google Cloud et dans des outils partenaires déjà utilisés par les entreprises, plutôt que de lancer une suite marketing propriétaire complète.
• Qu’est-ce que Gemini Enterprise for Customer Experience ?
  C’est une plateforme Google Cloud destinée à créer des agents IA pour l’expérience client. Elle peut servir à construire des assistants d’achat, des agents vocaux ou des interfaces conversationnelles capables d’aider les clients sur un site, une application ou un canal de support.
• Pourquoi l’UCP est-il important pour les retailers ?
  L’UCP, pour Universal Commerce Protocol, vise à connecter les catalogues et flux de paiement des détaillants aux surfaces IA de Google. Si ces interfaces deviennent des points d’entrée d’achat, les retailers intégrés pourraient gagner en visibilité, tandis que les autres risquent d’être moins présents dans ces nouveaux parcours.
• Le déploiement de Macy’s en quatre semaines est-il réaliste ?
  L’annonce est intéressante, mais elle doit être interprétée avec prudence. Quatre semaines peuvent désigner un prototype, une démonstration ou un premier périmètre fonctionnel. Ce délai ne dit pas forcément si la préparation des données, les intégrations complètes, les tests et la montée en charge étaient inclus.
• Que doit vérifier une entreprise avant de tester ces solutions IA ?
  Il faut vérifier la qualité des données, les systèmes à connecter, les coûts, les règles de sécurité, les métriques de succès et la capacité à maintenir l’agent en production. Le bon réflexe consiste à lancer un pilote mesurable avant de généraliser à grande échelle.

A propos de l’auteur

Je suis Franck Scandolera, responsable de l’agence webAnalyste et de l’organisme Formations Analytics. J’accompagne les entreprises sur le tracking avancé server-side, l’Analytics Engineering, l’automatisation No/Low Code avec n8n, l’intégration de l’IA dans les process business et le SEO/GEO. J’ai travaillé pour des clients comme Logis Hôtel, Yelloh Village, BazarChic, la Fédération Française de Football ou Texdecor. Si vous voulez cadrer un projet IA, data ou automatisation sans perdre de temps dans le flou technique, contactez-moi.

Franck Scandolera

⭐ Analytics engineer, Data Analyst et Automatisation IA ⭐

• Ref clients : Logis Hôtel, Yelloh Village, BazarChic, Fédération Football Français, Texdecor…

Mon terrain de jeu :

• Data Analyst & Analytics engineering : tracking avancé (GA4, Matomo, Piano, GTM server, Tealium, Commander Act, e-commerce, CAPI, RGPD), entrepôt de données (BigQuery, Snowflake, PostgreSQL, ClickHouse), modèles (Airflow, dbt, Dataform), dashboards décisionnels (Looker, Power BI, Metabase, SQL, Python).
• Automatisation IA des taches Data, Marketing, RH, compta etc : conception de workflows intelligents robustes (n8n, App Script, scraping) connectés aux API de vos outils et LLM (OpenAI, Mistral, Claude…).
• Engineering IA pour créer des applications et agent IA sur mesure : intégration de LLM (OpenAI, Mistral…), RAG, assistants métier, génération de documents complexes, APIs, backends Node.js/Python.