À partir du 2 août 2026, le règlement européen sur l’IA (règlement (UE) 2024/1689, article 50) fera de la transparence des contenus synthétiques un enjeu opérationnel : marquage lisible par machine côté fournisseurs, divulgation des hypertrucages côté déployeurs, prolongés en France par les principes de loyauté publicitaire. Pour les annonceurs, qui adoptent massivement l’IA générative dont le marché mondial pourrait dépasser 1 300 milliards de dollars d’ici 2032 (Grewal et al., 2025), la question est devenue simple : signaler l’usage de l’IA dans une publicité fragilise-t-il la confiance et l’intention d’achat, ou cette crainte est-elle déjà dépassée par les usages ? Plusieurs études expérimentales penchent pour le risque : un label « créé par IA » y dégrade la confiance, la crédibilité perçue et l’intention d’achat (Wortel et al., 2024 ; Baek et al., 2026).

Le mémoire soumet ce risque à l’épreuve d’un terrain encore inexploré, le consommateur français, autour de la problématique suivante : dans quelle mesure et par quels mécanismes la divulgation de l’usage de l’IA dans la création publicitaire, simple ou enrichie d’une mention de supervision humaine, influence-t-elle la confiance et l’intention d’achat, et cet effet varie-t-il selon le type de produit et l’attitude envers l’IA ?

L’objectif est double : produire, à notre connaissance, l’une des premières estimations expérimentales françaises du coût attitudinal de la transparence sur l’origine IA des publicités, et fournir aux annonceurs comme aux régulateurs un repère empirique au moment où cette transparence devient le standard européen attendu.

Fondements théoriques

Pourquoi un label « créé par IA » pénaliserait-il une publicité ? Trois corpus théoriques le prédisent. La persuasion knowledge theory (Friestad & Wright, 1994) postule que la reconnaissance d’une tentative de persuasion active les défenses cognitives : en révélant la méthode de production, le label déclencherait scepticisme et dévaluation. L’algorithm aversion (Dietvorst et al., 2015) documente une défiance spontanée envers les productions algorithmiques, jusqu’à la dévalorisation du travail créatif attribué à une machine. La compensatory control theory (Landau et al., 2015) ouvre une voie de résolution : Haupt et al. (2024) montrent qu’une mention explicite de supervision humaine atténue la pénalité de crédibilité des contenus IA. Ce résultat fonde la modalité originale testée ici : une divulgation « enrichie » explicitant la supervision humaine, par opposition à la divulgation « simple ».

La revue de littérature, concentrée sur les travaux expérimentaux publiés entre 2023 et 2026, fait apparaître un paysage moins univoque et quatre lacunes structurantes. Géographique : la plupart des études reposent sur des panels nord-américains, asiatiques ou néerlandais, le consommateur français restant absent du corpus expérimental. Architecturale : les médiateurs (authenticité, crédibilité, créativité) sont testés isolément, jamais dans un modèle intégré comparant leur poids relatif. De format : les protocoles opposent binairement présence et absence de label, sans tester le contenu sémantique de la divulgation. De contrôle, enfin : l’interaction entre divulgation et type de produit n’a jamais été testée dans un design factoriel européen.

Le modèle conceptuel (Figure 1) répond conjointement à ces lacunes : la modalité de divulgation (aucune, simple, enrichie) affecte la confiance envers la publicité et l’intention d’achat via quatre médiateurs parallèles, l’authenticité perçue, le scepticisme publicitaire, la créativité publicitaire perçue (Smith et al., 2007) et l’effort perçu, sous une double modération : le type de produit sur le chemin direct, l’attitude bidimensionnelle envers l’IA (Youn & Jin, 2021) en aval. Neuf hypothèses ont été pré-spécifiées.

Méthodologie

La recherche repose sur une expérimentation inter-sujets à plan factoriel 2 × 3, croisant le type de produit (parfum hédonique fictif ; aspirateur robot utilitaire fictif) et la modalité de divulgation (aucune, simple, enrichie), soit six conditions détaillées en Figure 2. Les marques fictives neutralisent les effets de halo liés au capital de marque, l’affectation aléatoire garantit la validité interne, et les six stimuli ont été générés par IA selon un processus documenté en cinq étapes, inspiré des standards de transparence de Jung et al. (2025) et de Lim et Schmälzle (2024).

Le questionnaire, administré sur Qualtrics avec randomisation équilibrée, mobilise des échelles validées en sept points, un contrôle d’attention et des manipulation checks placés en fin de parcours pour ne pas sensibiliser les répondants. La collecte multicanale a produit 205 réponses ; la règle de qualification pré-spécifiée établit l’échantillon d’analyse à 108 répondants. Conformément à la mise en garde d’Aronow et al. (2019) contre les exclusions fondées sur les manipulation checks, l’échantillon complet et attentif (N = 120) est traité comme base co-principale.

Les analyses, conduites dans un pipeline Python intégralement reproductible, enchaînent validation psychométrique (alphas de ,73 à ,93 ; la défaillance des deux mesures d’attitude envers l’IA, α = ,66 et ,50, est documentée plutôt que dissimulée), ANOVA factorielles, médiations parallèle et modérée transposées des modèles 4 et 14 de PROCESS (Hayes, 2018), avec bootstrap à 5 000 itérations. Deux partis pris singularisent le dispositif : des tests d’équivalence et de non-infériorité (Lakens, 2017), retenant une dégradation d’un demi-point comme plus petit effet d’intérêt managérial, et la vérification de la robustesse sous trois règles d’exclusion alternatives (N = 76, 108 et 120). La contribution méthodologique tient à cette logique de décision : au lieu de s’arrêter à des p-values non significatives, l’analyse borne l’ampleur maximale de dégradation compatible avec les données.

Principaux résultats

Le résultat central est contre-intuitif : aucune dégradation détectable de la confiance ni de l’intention d’achat n’accompagne la divulgation de l’origine IA ; les tests de non-infériorité excluent une dégradation d’ampleur pratique (un demi-point sur sept). Aucune des neuf hypothèses, qui prédisaient une pénalité, n’est soutenue, H8 demeurant de surcroît non concluante du fait de la fragilité de sa mesure (α = ,50) ; ce résultat nul, établi, borné et éprouvé, indique que le risque attitudinal du label IA est vraisemblablement surestimé dans les conditions étudiées.

La divulgation n’exerce aucun effet significatif sur la confiance envers la publicité, la confiance envers la marque ni l’intention d’achat, les écarts pointant même, non significativement, vers une légère amélioration (Figure 3). L’exclusion du demi-point vaut pour les trois variables, celle de 0,3 point pour les deux confiances. Le verdict : aucune dégradation détectée, dégradation d’ampleur pratique exclue, amélioration modérée non exclue.

L’explication la plus directe de cette neutralité est aussi le résultat le plus frappant de l’étude : dans la condition sans divulgation, 85,3 % des répondants ont néanmoins attribué le visuel à l’IA seule (32,4 %) ou à une collaboration humain-IA (52,9 %), l’attribution à un créatif humain étant devenue marginale (5,9 %) (Figure 4). Pour les stimuli testés, la divulgation semble ainsi avoir fréquemment confirmé une croyance déjà formée plutôt qu’apporté une information entièrement nouvelle. La manipulation a pourtant été reçue : sous divulgation enrichie, l’attribution bascule vers la collaboration humain-IA (75,0 % contre 37,5 % sous divulgation simple ; p = ,002), preuve que son contenu sémantique a été encodé.

Dernier résultat : le déplacement du lieu de l’effet. La divulgation ne déplace aucun des quatre médiateurs (seize effets indirects non significatifs), mais le segment aval est fortement structuré : la confiance est notamment associée au scepticisme publicitaire (b = -0,42) et à l’authenticité perçue (b = 0,21), avec un R² de ,65 ; l’intention d’achat est dominée par la créativité publicitaire perçue (b = 1,05 ; R² = ,47). Les modérations ne sont pas significatives ; un pattern exploratoire se dessine : le produit utilitaire fléchit sous mention simple et se rétablit sous la version enrichie, quand l’hédonique s’élève. Les conclusions demeurent inchangées sous les trois règles d’exclusion. Ces résultats divergent des pénalités rapportées par des collectes de 2023-2025, quand le label conservait sa nouveauté (Wortel et al., 2024 ; Baek et al., 2026), et convergent avec Jung et al. (2025), où la réponse se joue dans les qualités perçues du contenu plus que dans son mode de production.

Recommandations

Les recommandations se répartissent en deux registres selon leur degré de validation, synthétisés dans une matrice de décision managériale (Figure 5). Ce que les données permettent d’affirmer tient en deux propositions. La première : dans des campagnes comparables aux stimuli testés, les annonceurs peuvent envisager un marquage volontaire de leurs contenus générés par IA, aucune pénalité d’au moins 0,5 point n’ayant été mise en évidence ; une validation par test A/B reste nécessaire avant généralisation à d’autres formats, catégories et populations. La seconde : réallouer l’attention managériale vers les déterminants qui gouvernent effectivement la réponse du consommateur. La qualité créative de l’exécution, premier corrélat de l’intention d’achat, la crédibilité du message et l’authenticité de la démarche concentrent l’essentiel de la variance : c’est là que se joue la performance publicitaire.

Ce qui doit être éprouvé avant tout déploiement relève de deux pistes exploratoires : adapter le wording du label au type de produit, la mention simple semblant fragiliser les catégories utilitaires quand la divulgation pourrait servir l’imaginaire des catégories hédoniques ; et enrichir le label d’une mention de supervision humaine. Ces signaux, non significatifs, doivent être validés par des tests A/B sur campagnes réelles : les présenter comme des recommandations validées constituerait précisément la faute que la démarche s’attache à éviter.

Aux régulateurs, enfin, l’étude fournit un élément d’appréciation utile : le coût attitudinal du marquage, souvent invoqué comme frein concurrentiel, n’est ni détecté ni compatible avec une ampleur pratique dans les conditions étudiées, étant entendu que seules des attitudes et des intentions déclarées ont été mesurées.

Impact et utilité

Pour les acteurs de terrain, l’utilité tient d’abord au calendrier : l’étude livre un repère expérimental français sur le coût attitudinal de la divulgation IA quelques semaines avant l’entrée en application des obligations européennes. Directions marketing, agences et annonceurs y trouvent une réponse à un arbitrage pressant, divulgation volontaire ou attentisme, et une cartographie des leviers réels de la confiance et de l’intention d’achat.

Les apports académiques sont de trois ordres. Théorique : les résultats suggèrent une possible condition de frontière de la persuasion knowledge theory : lorsque l’origine IA est déjà fortement présumée, la divulgation pourrait perdre une partie de sa capacité à activer un traitement critique supplémentaire ; l’expression de l’aversion algorithmique pourrait de même évoluer avec la banalisation de l’IA générative et la capacité des consommateurs à reconnaître ses productions. Méthodologique : la combinaison de pré-spécification, non-infériorité et triple robustesse montre comment transformer un résultat nul en information positive et bornée, démarche transposable à d’autres évaluations d’innocuité. Psychométrique : la défaillance des échelles d’attitude IA antérieures à l’ère générative plaide pour des instruments revalidés comme la GAAIS (Schepman & Rodway, 2023).

Portée sociétale enfin : en l’absence de pénalité détectée ou d’ampleur pratique dans les conditions étudiées, performance marketing et loyauté envers le consommateur peuvent converger. La suite consiste à passer des intentions déclarées aux comportements observés : taux de clic, ajout au panier et performance de campagnes testant en conditions réelles différentes formulations de labels IA.

Conclusion

Le principal enseignement tient en une formule : en 2026, pour les publicités testées, le label « créé par IA » confirme plus qu’il n’informe ; or un signal qui n’informe plus semble perdre son pouvoir de blesser. Face aux visuels testés, l’origine artificielle constitue une présomption dominante chez les consommateurs interrogés ; confiance et intention d’achat se décident moins dans la révélation de l’origine que dans la crédibilité du message, l’authenticité de la démarche et la qualité créative. Le paradoxe entre efficacité et transparence s’en trouve reformulé : sur le marquage des contenus génératifs, performance et responsabilité peuvent converger.

Ces conclusions valent dans les limites du dispositif : un échantillon de convenance de 108 répondants, qui interdit de trancher les effets fins, notamment les interactions, limite encadrée par l’analyse co-principale (N = 120), les règles d’exclusion alternatives et la non-infériorité ; des instruments d’attitude envers l’IA psychométriquement fragiles ; une mesure d’attribution exposée à un effet de demande ; une manipulation enrichie dont la validation par l’effort perçu n’est pas acquise. Ces limites dessinent le programme qui prolonge le mémoire : réplication à puissance suffisante, mesure de la croyance d’origine avant exposition, extension aux formats vidéo et vocaux, mesures comportementales et suivi longitudinal de la banalisation.

La portée du travail tient à un déplacement de la charge de la preuve : dans les conditions testées, ceux qui redoutent un coût attitudinal du marquage sont désormais invités à en mesurer l’ampleur plutôt qu’à la présumer. Reste aux marques ce qui leur est toujours resté : la qualité de ce qu’elles ont à dire, et la sincérité avec laquelle elles le disent.