Le rapport de Kantar sur les tendances marketing 2026 identifie dix tendances pour l’année, parmi lesquelles les agents IA qui transforment la façon dont les produits sont découverts, les réseaux de retail media qui accaparent une part croissante des budgets marketing, et la tréatonomie — la psychologie de la dépense discrétionnaire portée par l’émotion et une tolérance accrue à l’endettement. Chacune fait l’objet de sa propre section. Aucune n’aborde ce qui se produit lorsque les deux premières fusionnent. C’est pourtant la question qu’il faut poser maintenant, car la fusion est déjà en cours.

Les chiffres qui sous-tendent chaque tendance sont significatifs pris isolément. Selon les données de Kantar, 38 % net des marketeurs prévoient d’augmenter leurs investissements dans les réseaux de retail media en 2026 ; ces réseaux délivrent déjà 1,8 fois les performances des publicités digitales classiques. Du côté de l’IA, 74 % des utilisateurs d’assistants IA cherchent activement des recommandations génératives, et 24 % s’appuient déjà sur un assistant pour leurs décisions d’achat. La Tendance 1 et la Tendance 2 figurent dans le même document, sans aucun pont analytique entre elles.

Amazon a construit ce pont le 25 mars 2026. C’est à cette date que les Sponsored Products et Sponsored Brands en format IA ont quitté la phase bêta pour devenir des placements CPC facturables au sein de Rufus — l’IA conversationnelle d’Amazon, qui avait dépassé les 250 millions d’utilisateurs actifs mensuels à fin 2025. Le système exploite les signaux first-party d’Amazon issus des pages produits, des Brand Stores et des données de campagnes. Les dépenses publicitaires constituent désormais un signal first-party dans ce que Rufus recommande. Le moteur de recommandation et le réseau de retail media sont devenus une seule et même surface, et toutes les campagnes Sponsored Products y ont été automatiquement intégrées.

Amazon est le cas le plus évident, non un cas isolé. L’analyse retail media 2026 de Mirakl documente des déploiements similaires à travers le secteur : des retailers qui construisent leurs propres agents IA — Rufus, Mylow de Lowe’s — où « chaque retailer peut définir les règles et potentiellement proposer des placements sponsorisés » à l’intérieur de la couche de recommandation. La frontière entre résultat organique et placement payant, déjà difficile à lire dans les résultats de recherche, devient invisible dans une interface conversationnelle où la requête génère une recommandation produit confiante, sans note de bas de page.

Le conflit d’optimisation est direct. Un moteur de recommandation entraîné uniquement sur des signaux comportementaux a un seul objectif : mettre en avant ce que l’acheteur est le plus susceptible de vouloir. Ajoutez le placement payant comme signal d’entraînement, et le moteur se retrouve avec deux objectifs. Ils s’alignent lorsque le produit sponsorisé correspond réellement à la requête. Ils divergent lorsqu’une marque non payante serait la meilleure réponse, mais que c’est la marque ayant acheté un placement qui s’affiche. Aucune plateforme ne divulgue quand ce compromis intervient. L’acheteur voit une recommandation. Le système a résolu une enchère.

Des chercheurs du Nuremberg Institute for Market Decisions ont testé cela directement dans des environnements retail alimentés par l’IA : lorsque le sponsoring était divulgué, l’intégrité perçue chutait — et avec elle, l’adhésion aux recommandations. Le mécanisme n’était pas la divulgation en elle-même, mais l’inférence que les acheteurs en tiraient : que le système servait les intérêts d’une tierce partie. Cette inférence est structurellement correcte. La même étude a également montré que les interfaces à forte interactivité (avatar, voix) réduisaient significativement ce dommage à la confiance. Plus l’expérience est immersive, plus le problème est difficile à percevoir.

L’argument de défense habituel est que l’alignement est suffisamment fréquent pour être rassurant : des publicités pertinentes fonctionnent comme des recommandations utiles. Un placement sponsorisé pour une veste technique en réponse à « running par temps froid » sert l’acheteur. La publicité est la réponse. C’est parfois vrai, et les inventaires de retail media se concentrent effectivement là où l’intention de catégorie est la plus claire. Mais cet alignement est accidentel par rapport à la conception. Le système existe pour vendre des placements ; faire correspondre ces placements à l’intention réelle de l’acheteur est une incitation secondaire, non la principale. Quand ils s’alignent, le résultat ressemble à de la découverte. Quand ils divergent, l’acheteur n’a aucun moyen de détecter la différence.

La tréatonomie, troisième des tendances nommées, entre ici en jeu. Les 36 % de consommateurs prêts à s’endetter légèrement pour se faire plaisir se trouvent dans un état de forte excitation émotionnelle et de faible délibération. Les recommandations IA exercent un effet de levier maximal sur cet acheteur exactement au moment où les intérêts du système et ceux de l’acheteur divergent le plus. Les inventaires de retail media sont orientés vers les catégories d’achat impulsif ; les achats impulsifs convertissent bien sur les placements sponsorisés.

Le cadre de transparence et de divulgation IA de l’IAB, publié en janvier 2026, exige une divulgation lorsque l’IA « affecte de manière substantielle l’authenticité, l’identité ou la représentation d’une façon susceptible d’induire les consommateurs en erreur ». Le cadre se concentre sur les contenus créatifs synthétiques — si la personne dans une publicité est réelle, si l’image produit est fidèle. Il n’aborde pas la question de savoir si une recommandation est organique ou payante. Ce sont des questions distinctes, et une seule est actuellement couverte par la réglementation.

Prises indépendamment, chacune de ces trois tendances laisse entrevoir des gains marginaux en matière de découverte, d’efficacité média et de conversion. Le scénario que le rapport ne modélise pas est ce qui se produit lorsque l’inventaire de retail media devient le signal d’entraînement des recommandations IA à grande échelle — non pas une convergence de deux tendances positives, mais un changement structurel dans l’intérêt que sert le moteur de recommandation. L’acheteur est toujours dans la pièce. Le système a désormais un client.