AdLlama de Meta : un LLM pour les variations de texte publicitaire

Comment fonctionne AdLlama : dépasser l’imitation

AdLlama est un modèle de langage intégré à la fonctionnalité Text Generation que Meta propose aux annonceurs. L’annonceur saisit un texte d’annonce, le modèle suggère des variations, et l’annonceur choisit celles qu’il utilise.

Pour comprendre ce qui change, partons de la façon dont les modèles génératifs de texte publicitaire sont habituellement entraînés. On leur montre de nombreux exemples de « bonnes » annonces, rédigées par des personnes ou par des modèles plus grands, et ils apprennent à les imiter. Le résultat est un texte fluide et plausible.

La limite de l’imitation

L’imitation n’indique pas au modèle si une annonce a réellement généré des clics ou des conversions : il apprend un style plutôt que des résultats. Le précédent modèle de Text Generation de Meta était entraîné de cette façon. Pour AdLlama, les chercheurs ont ajouté une méthode de post-entraînement qu’ils appellent apprentissage par renforcement avec retour de performance (RLPF, reinforcement learning with performance feedback) :

Ce que le test a mesuré

Meta a évalué AdLlama lors d’un test A/B de 10 semaines sur Facebook, du 16 février au 25 avril 2024. Chaque annonceur s’est vu attribuer au hasard soit une version améliorée du modèle d’imitation (contrôle), soit AdLlama (test). L’analyse porte sur les annonces à réponse directe, agrégées par annonceur.

Autrement dit, les annonceurs qui utilisaient AdLlama ont obtenu 6,7 % de clics en plus par impression que ceux qui utilisaient le modèle d’imitation : un gain relatif, d’environ 3,1 % à 3,3 % en valeur absolue. La comparaison porte sur un modèle d’IA entraîné par imitation, et non sur des annonces rédigées sans l’aide de l’IA.

Les annonceurs du groupe AdLlama ont aussi créé 18,5 % de variations d’annonces en plus, tandis que le nombre d’annonces qu’ils ont créées n’a pas varié de façon statistiquement significative. Les auteurs y voient le signe d’une plus grande satisfaction à l’égard des suggestions ; elle est déduite de l’usage plutôt que mesurée directement.

Les auteurs ajoutent que, sur des plateformes matures et très optimisées comme Facebook, même de petites hausses du CTR sont généralement difficiles à obtenir.

Le CTR n’est pas le ROI

L’article affirme que le gain de CTR « représente une amélioration substantielle du retour sur investissement des annonceurs ». Il s’agit de l’interprétation que les auteurs font du résultat de CTR, et non d’une mesure distincte : l’étude rapporte des clics, des impressions et la création d’annonces, pas des conversions, des ventes ni un retour sur les dépenses publicitaires.

Les auteurs notent aussi que le CTR est généralement considéré comme un indicateur indirect de l’objectif réel, le taux de conversion, et qu’ils ont utilisé le CTR parce que les données de conversion sont plus rares et plus bruitées. Pour un annonceur, un CTR plus élevé est un signal utile ; son effet sur le CPA ou le chiffre d’affaires doit encore être mesuré par rapport à une référence définie.

Ce que l’étude ne montre pas

• Les autres éléments créatifs : le modèle réécrit le texte principal d’une annonce rédigée par l’annonceur. Les titres, les images, les vidéos et les formats ne faisaient pas partie du test.
• Les autres plateformes et objectifs : les résultats proviennent d’une seule fonctionnalité sur Facebook et d’annonces à réponse directe. Ils ne sont pas forcément transposables à d’autres plateformes, formats ou objectifs.
• L’apprentissage continu : l’entraînement a utilisé des données historiques en une seule fois (apprentissage par renforcement hors ligne). Les auteurs présentent l’apprentissage à partir de nouveaux résultats comme une étape suivante possible.
• Les autres qualités du texte : le modèle optimise la performance. Les auteurs signalent de possibles arbitrages avec la créativité et avec le respect des consignes de l’annonceur, par exemple sur le ton.
• Le choix de l’annonceur : les annonceurs sélectionnent les suggestions qu’ils utilisent, une étape que le modèle ne prend pas en compte.

Au-delà du texte publicitaire

Il est tentant d’extrapoler du texte à l’annonce entière, avec des titres, des images, des vidéos, des appels à l’action et des formats choisis automatiquement pour chaque audience. L’étude ne teste rien de tout cela. Appliquer le même principe à d’autres éléments demanderait des données, un entraînement et des tests contrôlés qui lui soient propres.

Pour une vision plus large de la production et du test de variations créatives destinées à différentes audiences, voir Réussir l’hyper-personnalisation créative avec l’IA.

Ce que cela signifie aujourd’hui pour les media buyers

Pour les annonceurs et les media buyers, les enseignements pratiques sont d’ordre opérationnel.

Considérer les variations de texte comme un élément à tester

L’étude indique que le choix de la variation de texte peut influer sur le CTR, même sur une plateforme mature. Savoir si un CTR plus élevé améliore le coût d’acquisition ou le ROI dans votre propre compte demande une mesure spécifique.

Le rôle du stratège créatif évolue

Le stratège passe moins de temps à rédiger chaque variation à la main, et davantage à fournir un concept central solide, puis à sélectionner, affiner et tester les suggestions de l’IA, un peu comme un directeur de création.

AdLlama montre, sur une grande plateforme, qu’entraîner un modèle de texte à partir d’un retour de performance peut augmenter le CTR par rapport à la seule imitation. C’est un point de repère utile sur l’évolution des outils de création publicitaire, pas une promesse de résultats pour d’autres annonceurs, formats ou indicateurs.