PPC en 2026 : AI, creative visuel et nouvelles surfaces pub

Le paid media entre dans une phase où le créatif devient le levier de ciblage

Les annonces PPC ne sont plus des lignes de texte. Google et Microsoft convergent vers le même constat : les surfaces publicitaires se fragmentent, l'IA prend en charge le bidding et le ciblage, et le seul différentiateur qui reste aux annonceurs est la qualité des assets créatifs qu'ils injectent dans la machine. Ce virage a des conséquences directes sur le SEO technique — parce que les nouvelles surfaces publicitaires (AI Overviews, Shopping visuels, Copilot de Bing) consomment les mêmes données structurées, les mêmes images et le même markup que le search organique.

Lors de la conférence SMX Next, les liaisons Google et Microsoft ont été explicites : la prochaine ère du paid media se joue sur trois axes — des surfaces d'affichage dynamiques pilotées par l'IA, des assets visuels distincts et différenciés, et des inputs de meilleure qualité pour alimenter les algorithmes de bidding automatisé. Décortiquons ce que cela signifie concrètement pour les équipes techniques.

Les surfaces publicitaires dynamiques : la fin du SERP comme surface unique

Google Shopping, AI Overviews, et la dispersion des placements

Le rapport "Where Ads Showed" de Performance Max révèle déjà la diversité des placements : Search, Display, YouTube, Discover, Gmail, Maps. Mais la tendance annoncée va plus loin. Google intègre des blocs publicitaires directement dans les AI Overviews, ce qui signifie que vos annonces apparaissent dans des contextes conversationnels où l'utilisateur n'a même pas scrollé jusqu'aux résultats classiques.

Pour les équipes techniques, le problème est concret : ces surfaces dynamiques ne consomment pas les mêmes formats. Une AI Overview peut tirer un extrait de votre fiche produit Merchant Center, un bloc Shopping visuel affiche votre image produit avec un overlay de prix, et un placement YouTube Shorts exige une vidéo verticale de 15 secondes. Un même budget Performance Max alimente tous ces canaux — mais avec des assets de qualité inégale, l'algorithme va privilégier les placements où il a de la matière.

Vérifiez ce que Google Ads expose réellement dans le rapport de placements PMax pour comprendre où vos budgets sont réellement dépensés.

L'impact sur le feed Merchant Center

Le feed produit devient le socle technique de la plupart de ces surfaces. Un feed mal structuré — avec des images sous-dimensionnées, des titres tronqués ou des attributs manquants — sabote la capacité de l'IA à placer vos annonces sur les surfaces visuelles premium.

Voici un extrait de feed Merchant Center optimisé pour les nouvelles surfaces visuelles, en format XML supplemental :

<?xml version="1.0" encoding="UTF-8"?>
<feed xmlns="http://www.w3.org/2005/Atom"
      xmlns:g="http://base.google.com/ns/1.0">
  <entry>
    <g:id>SKU-88412</g:id>
    <g:title>Sneakers running homme Nike Pegasus 41 - Noir/Volt - 43</g:title>
    <g:description>Chaussure de running homme avec mousse ReactX. Amorti dynamique, tige mesh respirante. Idéale route et tapis.</g:description>
    <g:link>https://www.sportshop-example.fr/chaussures/nike-pegasus-41-noir-volt</g:link>
    <g:image_link>https://cdn.sportshop-example.fr/images/pegasus-41-noir-volt-main-1200x1200.webp</g:image_link>
    <g:additional_image_link>https://cdn.sportshop-example.fr/images/pegasus-41-noir-volt-side-1200x1200.webp</g:additional_image_link>
    <g:additional_image_link>https://cdn.sportshop-example.fr/images/pegasus-41-noir-volt-sole-1200x1200.webp</g:additional_image_link>
    <!-- Image lifestyle pour surfaces visuelles (Discover, Shopping visuel) -->
    <g:lifestyle_image_link>https://cdn.sportshop-example.fr/images/pegasus-41-lifestyle-runner-park.webp</g:lifestyle_image_link>
    <g:availability>in_stock</g:availability>
    <g:price>139.99 EUR</g:price>
    <g:sale_price>119.99 EUR</g:sale_price>
    <g:google_product_category>Vêtements et accessoires > Chaussures > Chaussures de sport</g:google_product_category>
    <g:product_type>Chaussures > Running > Homme > Route</g:product_type>
    <g:brand>Nike</g:brand>
    <g:gtin>0196975505012</g:gtin>
    <g:color>Noir/Volt</g:color>
    <g:size>43</g:size>
    <g:shipping_weight>310 g</g:shipping_weight>
    <!-- Attributs pour surfaces AI -->
    <g:product_highlight>Mousse ReactX 13% plus réactive</g:product_highlight>
    <g:product_highlight>Drop 10mm</g:product_highlight>
    <g:product_highlight>Poids 262g en taille 42</g:product_highlight>
  </entry>
</feed>

Points critiques dans ce feed pour les nouvelles surfaces :

lifestyle_image_link : attribut encore sous-utilisé, mais essentiel pour les placements Discover et Shopping visuel. Google favorise les images lifestyle (produit en contexte) plutôt que les packshots détourés sur fond blanc pour ces surfaces.
product_highlight : ces micro-informations sont directement injectées dans les blocs AI Overviews commerciaux. Si vous ne les fournissez pas, l'IA extrapolera à partir de la description — avec moins de précision.
Résolution des images : 1200×1200 minimum. Les surfaces visuelles de Google effectuent un crop dynamique selon le format (carré pour Shopping, 16:9 pour Discover). Une image 800×800 sera soit exclue, soit floue après recadrage.

Les disruptions de feed Merchant Center restent un problème récurrent. Un monitoring automatisé de la validité de votre feed est indispensable quand vos placements PMax dépendent de la qualité de ces données.

L'IA comme couche d'orchestration : ce que Google et Microsoft attendent de vous

Le changement de paradigme dans le bidding

L'époque du bidding manuel par keyword est révolue pour la majorité des comptes. Google Smart Bidding et Microsoft Auto Bidding utilisent des signaux que l'annonceur ne peut pas reproduire manuellement : type d'appareil, heure, localisation, historique de navigation, et maintenant — contexte de la requête dans l'AI Overview.

Le rôle de l'annonceur se déplace : vous ne pilotez plus les enchères, vous pilotez les inputs. L'IA est aussi bonne que les signaux que vous lui donnez. Et ces signaux sont de trois types :

Les données first-party (conversions offline, valeur client, segments CRM)
Les assets créatifs (textes, images, vidéos — on y revient en détail)
Les signaux structurés (données produit, markup schema.org, attributs Merchant Center)

Injection de conversions offline via l'API Google Ads

Pour un e-commerce avec une composante B2B (commandes par téléphone, devis), l'injection de conversions offline est un levier technique majeur pour améliorer la qualité du signal envoyé à Smart Bidding. Voici un script Node.js utilisant l'API Google Ads v16 pour uploader des conversions offline :

import { GoogleAdsApi, enums } from 'google-ads-api';

const client = new GoogleAdsApi({
  client_id: process.env.GOOGLE_ADS_CLIENT_ID!,
  client_secret: process.env.GOOGLE_ADS_CLIENT_SECRET!,
  developer_token: process.env.GOOGLE_ADS_DEV_TOKEN!,
});

const customer = client.Customer({
  customer_id: '123-456-7890',
  refresh_token: process.env.GOOGLE_ADS_REFRESH_TOKEN!,
});

interface OfflineConversion {
  gclid: string;
  conversionDateTime: string; // format: '2026-02-20 14:30:00+01:00'
  conversionValue: number;
  currencyCode: string;
}

async function uploadOfflineConversions(conversions: OfflineConversion[]) {
  const conversionAction = 'customers/1234567890/conversionActions/987654321';

  const operations = conversions.map((conv) => ({
    gclid: conv.gclid,
    conversion_action: conversionAction,
    conversion_date_time: conv.conversionDateTime,
    conversion_value: conv.conversionValue,
    currency_code: conv.currencyCode,
  }));

  try {
    const response = await customer.conversionUploads.uploadClickConversions({
      customer_id: '1234567890',
      conversions: operations,
      // partial_failure = true : ne bloque pas le batch entier si un GCLID est invalide
      partial_failure: true,
    });

    const partialErrors = response.partial_failure_error;
    if (partialErrors) {
      console.error('Partial failures:', JSON.stringify(partialErrors, null, 2));
      // Logger les GCLIDs en erreur pour reprocessing
    }

    console.log(`Uploaded ${operations.length} conversions. Results:`, response.results?.length);
  } catch (error) {
    console.error('Upload failed:', error);
    throw error;
  }
}

// Exemple : conversions téléphoniques closées par l'équipe commerciale
const pendingConversions: OfflineConversion[] = [
  {
    gclid: 'CjwKCAjw-7XrBRAaEiwAbZmIlZpYc8MdB9x...',
    conversionDateTime: '2026-02-20 14:30:00+01:00',
    conversionValue: 2450.00,
    currencyCode: 'EUR',
  },
  {
    gclid: 'EAIaIQobChMI5d3Zq8Px...',
    conversionDateTime: '2026-02-21 09:15:00+01:00',
    conversionValue: 890.00,
    currencyCode: 'EUR',
  },
];

uploadOfflineConversions(pendingConversions);

Sans ces données, Smart Bidding optimise uniquement sur les conversions online (ajout panier, formulaire) et ignore la valeur réelle des leads. Sur un compte dépensant 40K€/mois, la différence entre optimiser sur un formulaire à 15€ et optimiser sur un closing réel à 2 450€ transforme radicalement l'allocation budgétaire de l'algorithme.

Le parallèle avec les insights AI de Google Analytics

Google renforce aussi les insights côté analytics. Les nouvelles fonctionnalités d'insights IA et de budgeting cross-canal dans Google Analytics alimentent la même logique : donner à l'IA une vision plus complète du parcours utilisateur pour optimiser les enchères en amont.

Visual creative : pourquoi les assets distincts deviennent le premier levier de performance

La théorie des assets distincts

Google et Microsoft insistent sur un point que beaucoup d'annonceurs ignorent : l'IA a besoin d'assets distincts — pas de variations mineures. Si vos 5 titres RSA sont des reformulations du même message, l'algorithme n'a pas de matière pour tester des angles différents. Si vos 3 images sont le même produit sous des angles légèrement différents, les surfaces visuelles n'ont rien de distinctif à afficher.

"Distinct" signifie : des propositions de valeur différentes, des registres visuels différents, des CTAs différents. L'IA teste chaque combinaison asset-surface-audience. Plus vous donnez d'assets réellement distincts, plus l'espace de test est large, plus l'algorithme converge vite vers les combinaisons performantes.

Audit des assets existants avec Google Ads Scripts

Avant de créer de nouveaux assets, auditez ceux qui existent. Voici un script Google Ads pour extraire le rating des assets d'un groupe d'annonces responsive search ad et identifier les assets "Low" ou "Unrated" :

function auditRSAAssets() {
  const SPREADSHEET_URL = 'https://docs.google.com/spreadsheets/d/YOUR_SHEET_ID/edit';
  const sheet = SpreadsheetApp.openByUrl(SPREADSHEET_URL).getActiveSheet();

  sheet.clear();
  sheet.appendRow([
    'Campaign', 'Ad Group', 'Asset Type', 'Asset Text/URL',
    'Performance Rating', 'Action Required'
  ]);

  const adsIterator = AdsApp.ads()
    .withCondition('Type = RESPONSIVE_SEARCH_AD')
    .withCondition('CampaignStatus = ENABLED')
    .withCondition('AdGroupStatus = ENABLED')
    .withCondition('Status = ENABLED')
    .get();

  while (adsIterator.hasNext()) {
    const ad = adsIterator.next();
    const rsa = ad.asType().responsiveSearchAd();
    const campaignName = ad.getCampaign().getName();
    const adGroupName = ad.getAdGroup().getName();

    // Audit headlines
    const headlines = rsa.getHeadlines();
    headlines.forEach((headline, index) => {
      const rating = headline.performanceRating || 'UNRATED';
      const needsAction = (rating === 'LOW' || rating === 'UNRATED') ? 'REPLACE' : 'OK';
      sheet.appendRow([
        campaignName, adGroupName, 'HEADLINE',
        headline.text, rating, needsAction
      ]);
    });

    // Audit descriptions
    const descriptions = rsa.getDescriptions();
    descriptions.forEach((desc, index) => {
      const rating = desc.performanceRating || 'UNRATED';
      const needsAction = (rating === 'LOW' || rating === 'UNRATED') ? 'REPLACE' : 'OK';
      sheet.appendRow([
        campaignName, adGroupName, 'DESCRIPTION',
        desc.text, rating, needsAction
      ]);
    });
  }

  Logger.log('Audit complete. Check spreadsheet.');
}

Ce script exporte dans une Google Sheet l'ensemble des assets RSA actifs avec leur performance rating. L'objectif : identifier les assets "LOW" et "UNRATED" pour les remplacer par des assets réellement distincts. Sur un compte avec 200 ad groups actifs, ce type d'audit révèle souvent que 40 à 60% des assets n'ont jamais été évalués par l'algorithme — signe qu'ils sont trop similaires aux autres pour que Google les teste séparément.

Ce que "visual" signifie techniquement

Les nouvelles surfaces visuelles (Shopping visuel, Discover Ads, YouTube Shorts Ads) imposent des contraintes techniques précises :

Format d'image : WebP ou PNG, minimum 1200×1200 pour Shopping, 1200×628 pour Discover, pas de texte couvrant plus de 20% de la surface de l'image
Vidéo courte : 6 à 15 secondes, format vertical (9:16), sous-titres incrustés (80% des vues sont sans son)
Metadata EXIF : Google extrait les données EXIF pour la classification image. Une image avec des EXIF corrects (appareil, date, géolocalisation pour le local) est mieux comprise par l'IA

La connexion avec le SEO technique est directe : les images de votre site alimentent à la fois le search organique (Google Images, AI Overviews) et vos campagnes PMax. Si vos images produit sont servies en JPEG basse résolution sans attribut alt descriptif, vous dégradez simultanément votre SEO image et la qualité de vos placements paid. Les bonnes pratiques de meta tags SEO s'appliquent autant au paid qu'à l'organique quand les mêmes pages servent de landing pages.

Scénario concret : migration PMax d'un e-commerce sport de 12 000 SKUs

Le contexte

Un retailer sport en ligne (12 000 SKUs, 18 000 pages indexées incluant catégories et guides d'achat) dépensant 65K€/mois en Google Ads dont 40K€ en PMax. Le site tourne sur Next.js avec SSR — un choix technique qui garantit que Googlebot voit le contenu rendu côté serveur, ce qui est critique pour la qualité des landing pages PMax.

Le retailer décide de suivre les recommandations Google sur les assets distincts et les surfaces visuelles. Voici le plan d'action technique sur 8 semaines.

Phase 1 (semaines 1-2) : audit du feed et des assets

Feed Merchant Center : analyse de la complétude des attributs avec Feedonomics. Résultat : 34% des produits n'ont pas de lifestyle_image_link, 67% n'ont aucun product_highlight, 12% ont des images sous 800×800.
Assets RSA : exécution du script d'audit ci-dessus sur les 85 ad groups actifs. 52% des headlines sont rated "UNRATED", signe de duplication sémantique massive.
Crawl des landing pages PMax : un crawl Screaming Frog des 2 400 landing pages utilisées par PMax révèle 180 pages avec un temps de chargement LCP > 4s, principalement dû à des images non optimisées en above-the-fold.

Phase 2 (semaines 3-5) : enrichissement des assets

Reshoot produit pour les 200 top SKUs (par revenu PMax) en lifestyle avec modèle. Coût : ~8K€. Ces images alimentent à la fois lifestyle_image_link dans le feed et les image assets PMax.
Rédaction de 4 headlines distincts par ad group (au lieu de 5 variations du même message). Approche : 1 headline produit, 1 headline bénéfice, 1 headline prix/promo, 1 headline social proof.
Ajout des product_highlight pour les 5 000 SKUs avec le plus de visibilité. Script Python batch pour enrichir le feed depuis la base PIM.
Création de 15 vidéos courtes (6-12s) format vertical pour les catégories phares.

Phase 3 (semaines 6-8) : injection de signaux et monitoring

Mise en place de l'upload de conversions offline via l'API (script TypeScript ci-dessus) pour les commandes B2B par téléphone (environ 120 conversions/mois, valeur moyenne 1 800€). Jusqu'ici, ces conversions étaient invisibles pour Smart Bidding.
Déploiement d'un monitoring automatisé sur le feed Merchant Center : alerte si le nombre de produits actifs chute de plus de 5% en 24h, si des images retournent des 404, ou si des attributs critiques disparaissent.

Résultats après 8 semaines

ROAS PMax passé de 4.2 à 5.8 (+38%). La part de budget allouée automatiquement aux surfaces visuelles (Discover, YouTube) est passée de 8% à 23%.
Coût par conversion B2B (optimisé sur conversion offline) réduit de 67€ à 41€ — l'algorithme a appris à valoriser les audiences B2B plutôt que les achats impulsifs B2C à faible marge.
180 landing pages avec LCP > 4s corrigées ont vu leur Quality Score moyen passer de 5/10 à 7/10, réduisant le CPC moyen de 12%.

Ce type de résultat n'est pas exceptionnel. Il illustre simplement ce que Google et Microsoft disent depuis des mois : l'IA est un multiplicateur de la qualité de vos inputs. Des inputs médiocres × une IA puissante = des résultats médiocres à grande échelle.

L'intersection SEO-PPC : pourquoi les équipes techniques doivent collaborer

Mêmes données, mêmes surfaces

Les AI Overviews consomment les mêmes données pour les résultats organiques et les placements publicitaires. Votre markup Product schema.org alimente à la fois les rich snippets organiques et les blocs Shopping enrichis. Votre implémentation SSR détermine si Googlebot peut accéder au contenu de vos landing pages — et un Googlebot qui voit une page blanche sur votre SPA dégrade aussi bien votre SEO que votre Quality Score Ads.

La convergence est aussi visible côté citations dans l'AI Search : la visibilité organique influence directement la probabilité d'être cité dans les réponses IA, et ces citations côtoient désormais des placements paid. Une marque absente de l'organique aura plus de mal à être crédible dans un contexte AI Overview, même avec un placement payant.

Le rendering comme fondation commune

Le choix de SSR vs CSR n'impacte pas que le SEO. Google Ads évalue la qualité de la landing page — et cette évaluation repose sur le rendu que Googlebot peut faire de la page. Un hydration mismatch qui provoque un contenu différent entre le rendu serveur et le rendu client peut tromper le crawler Ads et dégrader votre Quality Score sans que vous ne le voyiez dans vos tests manuels.

De même, le choix entre ISR, SSR et SSG pour vos pages produit a un impact direct sur la fraîcheur du contenu vu par le crawler Ads. Si vous utilisez ISR avec un revalidate de 3600 secondes, un produit passé en rupture de stock peut encore être annoncé pendant une heure — ce qui brûle du budget sur des clics sans conversion.

Pour valider ce que le crawler voit réellement, utilisez la combinaison test de rendu Googlebot + inspection d'URL dans Search Console + le rapport de qualité des landing pages dans Google Ads. Les trois doivent être cohérents.

Côté Microsoft : Copilot comme nouvelle surface publicitaire

Microsoft pousse Copilot comme surface publicitaire à part entière. Les annonces apparaissent dans les réponses conversationnelles de Copilot dans Edge, Windows et Bing Chat. Le format est différent du search classique : l'annonce doit s'intégrer dans un flux conversationnel, ce qui exige des assets textuels plus naturels et moins "promotionnels".

L'implication technique : les mêmes données structurées (UET tag, feed produit, conversion tracking) alimentent les placements Copilot, mais le format de sortie est conversationnel. Microsoft recommande des descriptions produit plus longues et plus informatives — exactement le type de contenu que vous optimisez déjà pour le SEO.

Le UET (Universal Event Tracking) de Microsoft doit être correctement déployé pour tracer les conversions issues de Copilot. C'est un point souvent négligé : les équipes qui configurent Google Tag Manager pour Google Ads oublient régulièrement d'ajouter le UET tag avec le même niveau de granularité.

Monitoring continu : le maillon manquant

La multiplication des surfaces publicitaires crée un problème de monitoring. Quand vos annonces apparaissent sur 8 surfaces différentes, alimentées par un feed produit de 12 000 SKUs, des assets visuels en rotation, et des landing pages servies en SSR — le nombre de points de défaillance explose.

Une image produit qui retourne un 404, une page landing qui casse son SSR après un déploiement, un attribut feed qui disparaît après une mise à jour PIM, un schema.org Product invalide après un changement de template — chacun de ces incidents dégrade silencieusement vos performances PPC pendant des heures ou des jours avant qu'un humain ne le remarque dans les dashboards.

Un outil de monitoring technique comme SEOGard, qui détecte les régressions de meta tags, de rendering SSR et de données structurées en moins de 24h, couvre exactement ce type de risque. La détection automatique d'une page blanche ou d'un schema.org cassé permet de réagir avant que Google Ads n'ait eu le temps de dégrader votre Quality Score et de gonfler vos CPCs.

Ce qu'il faut retenir

L'avenir du PPC n'est pas dans le bidding — c'est déjà piloté par l'IA. Il est dans la qualité des signaux que vous envoyez à cette IA : des assets visuels réellement distincts, des données produit enrichies, des conversions offline injectées, et une infrastructure technique (rendering, images, structured data) qui ne casse pas silencieusement. Les équipes qui traitent le SEO technique et le PPC comme deux silos distincts perdront face à celles qui partagent la même fondation de données et le même monitoring continu.