Ce que Microsoft a appris de deux ans de publicité dans Copilot, son assistant IA grand public

On connaît Copilot pour son intégration à Word ou à Excel. Microsoft propose aussi sous ce nom un assistant IA grand public, auquel on peut, comme sur ChatGPT, demander de l’aide pour préparer un mariage ou choisir une voiture. En septembre 2026, Copilot représentait 1,5 % des visites mondiales sur les sites web des assistants IA suivis par Similarweb, loin derrière ChatGPT (56,4 %) et Gemini (25 %).

Pour une marque qui achète déjà des mots-clés sur Bing, Copilot fait pourtant partie du plan média dès lors que l’algorithme de Microsoft y décèle une occasion de générer un prospect ou une vente. Une même campagne Search peut ainsi diffuser une annonce en réponse à une requête de quelques mots ou au fil d’une conversation dans laquelle l’internaute a déjà détaillé son projet. Que vaut ce contexte supplémentaire au moment de l’enchère ? Et quelle visibilité l’acheteur conserve-t-il sur la diffusion de sa campagne ?

La question de la valeur se pose aussi pour les éditeurs dont les contenus alimentent les réponses de l’IA. Microsoft mène depuis neuf mois des tests avec plusieurs d’entre eux pour déterminer à quel moment leur contribution devrait être rémunérée. Tim Frank, CVP Monetization, Commerce & AI Economy chez Microsoft Advertising, en explique la logique à Minted.

Vous expérimentez la publicité dans Copilot depuis deux ans. Qu’est-ce qu’une conversation vous apprend de plus qu’une recherche sur Bing ?

Tim Frank : Si l’on regarde l’intention commerciale, elle est comparable dans Copilot et dans Bing. Les gens ont toujours un mariage à préparer ou une voiture à acheter. Ce qui change, c’est ce que nous savons de leur projet au moment où une annonce entre dans l’enchère.

Dans le search, il faut reconstituer un parcours à partir de recherches successives. Certaines ont eu lieu sur d’autres plateformes. Au moment d’enchérir pour le compte de l’annonceur, notre système ne dispose donc que d’une partie de l’histoire. Prenez maintenant quelqu’un qui explique à Copilot qu’il prépare son mariage et qui détaille ce dont il a besoin. En une conversation, nous avons déjà quatre chapitres de son histoire.

Pour l’utilisateur, cela évite de multiplier les recherches et de trier lui-même les liens. Pour l’annonceur, ce contexte réduit l’incertitude au moment de l’enchère. Le système peut estimer plus précisément ce que vaut, pour cette marque, la possibilité d’apparaître à ce moment du parcours.

Une marque peut déjà apparaître dans Copilot via ses campagnes Search. Qui décide de la part de son budget qui y est consacrée ?

La répartition se fait au fil des enchères. L’annonceur nous indique le résultat qu’il cherche à obtenir, par exemple un prospect ou une vente, ainsi que ses critères de ciblage. Notre système évalue ensuite la probabilité d’atteindre cet objectif à chaque occasion de diffuser une annonce.

Si une conversation dans Copilot traduit une intention d’achat qui correspond à l’objectif de la campagne, le système en tient compte pour calculer le montant de l’enchère. La part du budget consacrée à Copilot dépend donc des occasions qui se présentent et de leur valeur estimée pour chaque annonceur.

Et après la campagne, que peut savoir l’annonceur des conversations dans lesquelles sa publicité est apparue ?

Nous lui indiquons les types de requêtes et de conversations pour lesquels ses annonces ont été sélectionnées. Nous restituons aussi les résultats en fonction de l’objectif qu’il nous a confié. S’il nous a demandé de générer des ventes, c’est sur cet indicateur qu’il peut juger la campagne. Le niveau de détail que nous partageons s’arrête à la catégorie de conversation afin de préserver la vie privée des utilisateurs.

Pour une marque, ces informations ont aussi un intérêt au-delà du bilan média. En découvrant ce que les consommateurs cherchent à faire dans Copilot, certaines marques ont choisi de mettre en avant des produits de leur catalogue auxquels elles n’avaient pas pensé pour leur campagne.

Tim Frank ne nous a pas précisé si un annonceur pouvait isoler, dans son reporting, le montant dépensé dans Copilot, ni l’audience publicitaire de l’assistant en France.

Vous développez Copilot tout en fournissant des technologies à d’autres assistants, dont ChatGPT. Quel intérêt Microsoft a-t-il à équiper ses concurrents ?

Une même entreprise peut être notre cliente sur une activité et notre concurrente sur une autre. C’est déjà le cas dans le cloud avec Azure. Quand nous investissons dans une infrastructure, nous avons intérêt à la distribuer largement. Plus elle est utilisée, plus nos coûts unitaires baissent.

Avec Web IQ, par exemple, nous permettons à un assistant d’interroger un index du web pour récupérer l’information dont il a besoin, qu’il s’agisse d’un stock, d’un cours de Bourse ou d’une donnée fournie par un partenaire. Un modèle qui s’appuie uniquement sur son entraînement ressemble à un smartphone en mode avion. Il peut connaître un produit, mais comment savoir si ce produit est encore disponible en magasin aujourd’hui ? Peu d’entreprises disposent d’un index du web qu’elles peuvent tenir à jour.

Vous distinguez trois phases dans l’histoire du web. Qu’est-ce qui change, pour l’internaute, d’une phase à l’autre ?

Dans la première phase, c’est l’internaute qui fait tout le travail. Il ouvre quarante onglets, va chercher des informations sur plusieurs sites, les compare et décide quoi faire. Avec les grands modèles de langage, nous entrons dans une deuxième phase. L’assistant fait une partie de ce travail pour vous. Il cherche, rassemble les informations et vous en propose une synthèse. Vous gardez la main sur la décision et c’est vous qui passez à l’action. La troisième phase, sera celle du web agentique. Vous allez un cran plus loin dans la délégation. Vous confiez à l’agent la mission de mener une action à son terme pour votre compte.

Pour être identifié par les agents IA, un marchand doit-il désormais avoir deux versions de son site internet, l’un dédié aux humains et l’autre aux machines ?

Les sites marchands sont conçus pour des internautes qui regardent des photos et naviguent d’une page à l’autre. Pour un agent qui cherche à identifier un produit et à vérifier sa disponibilité, charger une galerie d’images ou parcourir toute une arborescence consomme des ressources. Nous recommandons aux marchands de structurer leurs données pour que les agents puissent retrouver et exploiter directement ces informations.

Il y a aussi un enjeu de mesure pour les marques. Avec Microsoft Clarity, nous cherchons à leur montrer où et dans quels contextes de conversation les agents citent leurs offres.

Et si l’utilisateur demande ensuite à l’agent d’acheter le produit pour lui ?

Pour passer commande, l’agent doit pouvoir vérifier le prix et le stock, mais aussi savoir si un coupon de réduction s’applique et quelles sont les conditions de paiement. C’est là qu’intervient un standard ouvert comme l’Universal Commerce Protocol (UCP), que nous recommandons aux marchands pour rendre ces informations exploitables par les assistants.

Les éditeurs ont longtemps laissé les moteurs indexer leurs articles en échange de trafic. Quand l’IA répond directement à l’internaute, à quel moment l’éditeur devrait-il être rémunéré ?

Nous travaillons avec les éditeurs depuis plus de trente ans, notamment dans le cadre des accords de partage de revenus sur MSN. Avec les moteurs de réponse, l’échange historique autour de l’indexation et du trafic ne fonctionne plus de la même manière. Nous menons depuis environ neuf mois des pilotes confidentiels avec plusieurs éditeurs pour explorer d’autres modèles.

On peut raisonner par analogie avec la publicité. Une impression, un clic et une conversion correspondent à trois moments différents auxquels un annonceur peut choisir de payer. Faire payer le passage d’un robot sur un site, comme le propose Cloudflare, se rapproche du paiement à l’impression. Le robot a consulté une page. À ce stade, on ignore encore si son contenu servira à répondre à quelqu’un.

Nous pensons que la rémunération devrait intervenir plus loin dans la chaîne, au moment où l’IA utilise effectivement le contenu et où l’on peut établir ce qu’il apporte à la réponse.

Comment déterminez-vous ce qu’un article apporte à une réponse, surtout si plusieurs éditeurs ont traité le même sujet ?

Cela dépend de ce que l’utilisateur cherche à savoir. S’il demande à quelle heure le soleil se couche à Paris, une source fiable suffit. Pour comprendre le résultat d’une élection, en revanche, lire plusieurs analyses a un intérêt en soi. Deux éditeurs peuvent partir des mêmes faits et apporter chacun un éclairage qui manquerait à la réponse si l’on n’en consultait qu’un seul.

Prenez enfin une décision qui engage 20 000 à 30 000 dollars, comme l’achat d’une voiture familiale. Vous avez accès à la documentation des constructeurs. Puis vous trouvez le travail d’un organisme indépendant qui a testé les véhicules et interrogé leurs propriétaires. Ce que cette source apporte tient aux essais qu’elle a réalisés et aux témoignages qu’elle a recueillis. Pour quelqu’un qui s’apprête à acheter la voiture, cette information a une valeur économique.

Si vous deviez retenir une seule rupture technologique appelée à bouleverser l’écosystème publicitaire dans un futur proche, quelle serait-elle ?

La rupture la plus importante est peut-être encore à venir. Prenez les moteurs de décision comme Jev ou Microsoft Decision 1. Nous les avons testés pour sélectionner des annonces. Lors de ces essais, nous avons divisé les coûts de calcul par plus de 50 tout en conservant le même niveau de pertinence.

Dans dix ans, je pense qu’on s’étonnera surtout du temps qu’il fallait passer sur le web à chercher des informations sur plusieurs sites, puis à les assembler soi-même. C’est ce travail que l’IA peut prendre en charge.