Fraude publicitaire : types, détection et prévention

Introduction : l’industrialisation de la tromperie numérique

L’écosystème de la publicité numérique, autrefois salué comme le sommet du marketing mesurable et responsable, est aujourd’hui assiégé par une crise d’intégrité qui menace les fondements mêmes de l’économie d’Internet. Nous ne vivons plus à une époque où la « fraude » évoque un pirate isolé écrivant un script pour cliquer sur une bannière. Aujourd’hui, la fraude publicitaire est une entreprise mondiale industrialisée, qui fonctionne avec la sophistication des sociétés de trading haute fréquence et l’opacité des banques offshore. C’est une économie parasitaire qui détourne des milliards du commerce légitime, fausse les données, érode la confiance et finance le crime organisé.

Pour les annonceurs et les responsables marketing, les conséquences de cette menace vont bien au-delà de la perte immédiate de budget média. La fraude publicitaire représente une corruption fondamentale de la chaîne d’approvisionnement des données. Lorsque les données de conversion, les taux de clics (CTR) et les modèles d’attribution sont pollués par du trafic non humain, le processus de décision stratégique devient défaillant. Les algorithmes s’optimisent vers le comportement des bots plutôt que vers l’intention humaine, créant une boucle d’inefficacité qui dégrade le capital de marque et déforme la réalité du marché.

L’impact financier mesuré est vertigineux. Une analyse sectorielle relayée par MediaPost a constaté que le trafic non valide représentait 8,51 % des clics payants en 2025, soit environ 63 milliards USD de dépenses publicitaires gaspillées dans le monde, tandis que les bots automatisés dépassaient 53 % de l’ensemble du trafic web (Imperva, 2026). Ce n’est pas simplement le reflet de la hausse des dépenses numériques, mais le signe d’une évolution fondamentale des tactiques employées par les fraudeurs. À mesure que nous avançons de 2025 vers 2026, le paysage passe de simples botnets à des opérations sophistiquées pilotées par l’IA, qui exploitent les proxys résidentiels, l’apprentissage automatique et l’imitation comportementale pour échapper à la détection. L’essor de la télévision connectée (CTV) et des environnements mobile-first a ouvert de nouveaux terrains d’exploitation, où les inventaires à coût pour mille (CPM) élevé attirent les opérations de trafic non valide sophistiqué (SIVT) les plus avancées.

Ce rapport propose une analyse exhaustive du paysage de la fraude publicitaire, conçue pour le stratège qui doit traverser ce champ de mines. Nous décortiquerons les différences techniques subtiles entre la fraude publicitaire au sens large et les mécanismes spécifiques de la fraude au clic, explorerons les modèles économiques issus de la théorie des jeux qui sous-tendent la difficulté du secteur à la contenir, et détaillerons les méthodes d’investigation nécessaires à la détection et à l’atténuation à l’ère de la tromperie pilotée par l’IA.

Définir le paysage des menaces : fraude publicitaire et fraude au clic

Une erreur majeure dans la défense stratégique contre le trafic non valide consiste à confondre « fraude publicitaire » et « fraude au clic ». Bien que souvent employés indifféremment dans le jargon du secteur, ces termes désignent des catégories distinctes de la taxonomie du trafic non valide (IVT), chacune avec ses propres signatures techniques, ses objectifs de monétisation et ses effets sur l’analyse marketing. Une distinction sémantique et technique précise est nécessaire pour analyser correctement les écarts et déployer les contre-mesures adaptées.

Fraude publicitaire : la fabrication d’inventaire au sens large

La fraude publicitaire est la classification globale de toute activité délibérée qui empêche la diffusion correcte des annonces auprès de l’audience visée ou la mesure correcte de ces annonces. C’est un terme générique qui couvre tout le cycle de vie d’une annonce, de la demande d’enchère et de l’affichage de l’impression jusqu’au clic et à l’attribution après le clic. L’objectif principal de la fraude publicitaire est souvent la monétisation de l’inventaire lui-même.

Dans l’écosystème programmatique, la fraude publicitaire cible souvent la couche des impressions (modèles au CPM). Les fraudeurs créent de faux sites, usurpent des domaines ou utilisent des logiciels malveillants pour charger des annonces en arrière-plan sur les appareils des utilisateurs. Le but est de faire croire à la plateforme côté demande (DSP) qu’un utilisateur légitime a vu une annonce sur le site d’un éditeur premium. Cela inclut des mécanismes qui n’impliquent pas nécessairement d’interaction, comme le blanchiment d’impressions, le pixel stuffing et la fraude aux annonces vidéo, où le revenu est généré simplement parce que le serveur enregistre un événement de « rendu ».

Pour le stratège, la fraude publicitaire est un problème de portée et de sécurité de la marque. Elle dilue le CPM effectif (eCPM) et expose la marque à des environnements qui peuvent être contraires à ses valeurs. Elle gonfle le haut de l’entonnoir, faisant paraître les campagnes de notoriété plus réussies qu’elles ne le sont, tout en dégradant les mesures de visibilité souvent utilisées comme KPI pour les initiatives de branding.

Fraude au clic : le vecteur fondé sur l’interaction

La fraude au clic est une sous-discipline spécifique et agressive de la fraude publicitaire, centrée exclusivement sur la fabrication d’engagement. Elle consiste à générer de faux clics sur des annonces au paiement par clic (PPC) dans le but précis d’épuiser le budget d’un annonceur (épuisement financier) ou de gonfler les revenus d’un éditeur qui héberge l’annonce (génération de revenus).

Contrairement à la fraude aux impressions classique, la fraude au clic attaque la couche performance de la pile marketing. Elle cible le marketing sur les moteurs de recherche (SEM), la publicité sur les réseaux sociaux et les réseaux d’affiliation, où les paiements dépendent d’une action de l’utilisateur (CPC ou CPA). La fraude au clic est particulièrement pernicieuse, car elle fausse activement des indicateurs de performance comme le taux de clics (CTR) et le coût par clic (CPC). Dans des écosystèmes de recherche comme Google Ads, des taux élevés de clics non valides peuvent d’abord gonfler le CTR et améliorer temporairement le Niveau de qualité, mais l’absence ultérieure de signaux de conversion (ou le comportement de « pogo-sticking », où le bot rebondit immédiatement) finit par signaler une faible pertinence à l’algorithme, ce qui nuit à la position de l’annonceur sur le long terme.

La fraude au clic exige un niveau d’interaction technique plus élevé que la fraude aux impressions. L’auteur doit non seulement charger l’annonce, mais aussi simuler un événement d’interaction de l’utilisateur : un clic de souris, un événement tactile ou un appui. Cela nécessite des scripts plus sophistiqués ou le recours à des fermes à clics humaines pour contourner les filtres élémentaires qui repèrent les impressions sans interaction.

Analyse comparative : fraude publicitaire et fraude au clic

L’analyse suivante met en lumière les distinctions techniques, financières et opérationnelles entre ces deux concepts qui se recoupent, et fournit un cadre pour identifier quel vecteur menace quels objectifs de campagne.

La taxonomie du trafic non valide (IVT) : cadres réglementaires

Pour normaliser la lutte contre la fraude et offrir un langage commun aux fournisseurs, aux éditeurs et aux annonceurs, le Media Rating Council (MRC) et l’Interactive Advertising Bureau (IAB) ont établi une taxonomie rigoureuse. Ce cadre classe le trafic non valide selon le degré de sophistication de la détection nécessaire pour l’identifier. Comprendre cette dichotomie est essentiel pour évaluer les capacités des fournisseurs de vérification et les limites des défenses standard des plateformes.

Trafic non valide général (GIVT)

Le GIVT désigne le trafic généré par des sources non humaines connues, généralement bénin ou facile à identifier par des méthodes de filtrage courantes. Il constitue la partie la plus facile de la détection de la fraude : le bruit qu’il faut filtrer avant de commencer toute analyse sérieuse.

• Robots d’exploration connus : cette catégorie comprend les bots des moteurs de recherche (par ex. Googlebot, Bingbot) et les robots d’exploration commerciaux utilisés pour l’indexation et la surveillance. Ces agents se déclarent généralement via la chaîne User-Agent, ce qui les rend faciles à filtrer
• Trafic de centres de données : trafic provenant d’adresses IP appartenant à des hébergeurs (par ex. AWS, Azure, Google Cloud) plutôt qu’à des fournisseurs d’accès résidentiels. Comme les humains naviguent rarement sur le web depuis un serveur de centre de données, ce trafic est automatiquement signalé comme non humain. Cependant, comme nous le verrons dans la section sur le SIVT, les fraudeurs sophistiqués ont mis au point des méthodes pour faire passer le trafic de centres de données pour du trafic résidentiel
• Schémas irréguliers : le GIVT comprend aussi les scripts simples qui exécutent des clics à des intervalles précis et non humains (par ex. exactement toutes les 1,0 seconde) ou qui présentent d’autres comportements manifestement robotiques déclenchant les filtres heuristiques de base

Trafic non valide sophistiqué (SIVT)

Le SIVT représente la ligne de front de l’adversaire et la principale préoccupation du stratège confirmé. Il se définit comme un trafic difficile à détecter, dont l’identification exige des analyses avancées, des recoupements multiples et une intervention humaine. Le SIVT est intentionnellement trompeur, conçu pour imiter le comportement humain afin de contourner les filtres standard et de « passer » pour des données d’audience légitimes.

• Proxys résidentiels : les fraudeurs font transiter le trafic de bots par les appareils d’utilisateurs résidentiels qui ne se doutent de rien (souvent via des logiciels malveillants ou des applications VPN douteuses) afin de masquer l’origine du trafic. La requête semble alors provenir d’une connexion résidentielle légitime (par ex. Verizon Fios, Comcast Xfinity), ce qui contourne les listes de blocage standard de « centres de données » utilisées pour intercepter le GIVT
• Usurpation d’appareil : il s’agit de manipuler la chaîne User-Agent et les empreintes de la pile TCP/IP pour qu’un script côté serveur apparaisse comme un appareil mobile précis (par ex. un iPhone 15 Pro sous iOS 17.4). Les fraudeurs imitent minutieusement les en-têtes et les caractéristiques de vrais appareils pour tromper les technologies d’empreinte d’appareil (device fingerprinting)
• Imitation comportementale : les bots avancés (comme ceux de l’opération 3ve) simulent des mouvements de souris, des vitesses de défilement variables et un « temps passé » sur la page. Ils sont programmés pour naviguer sur un site de façon non linéaire, en marquant des pauses pour « lire » le contenu et en interagissant avec les éléments de la page afin de générer des signaux d’« engagement » qui trompent les capteurs de biométrie comportementale
• Logiciels malveillants obscurcis : du code malveillant intégré à des applications mobiles ou à des extensions de navigateur injecte des annonces ou des clics en arrière-plan à l’insu de l’utilisateur. Ce trafic est techniquement généré par un appareil réel, ce qui le rend extrêmement difficile à distinguer de l’activité légitime de l’utilisateur sur ce même appareil

Les mécanismes de la manipulation : typologies détaillées

La fraude publicitaire s’appuie sur un arsenal varié de mécanismes techniques. Ces vecteurs attaquent différentes failles de la pile ad tech, de l’appareil de l’utilisateur jusqu’aux enchères sur les plateformes d’échange. Comprendre les mécanismes précis de ces attaques est crucial pour identifier les parties d’une stratégie marketing les plus vulnérables.

Mécanismes de fraude fondés sur les impressions

Pixel stuffing et empilement d’annonces

Ces techniques servent à monétiser plusieurs fois le trafic organique ou à générer des impressions sans aucune visibilité. Elles trahissent fondamentalement la promesse d’« opportunité de voir » du modèle au CPM.

Pixel stuffing : dans ce scénario, les fraudeurs placent une annonce dans un iframe de 1x1 pixel. L’annonce se « charge » techniquement et envoie une balise d’impression au serveur publicitaire, mais elle est invisible à l’œil humain. L’annonceur paie une impression qui n’avait aucune chance d’être vue. Une seule page web peut contenir des dizaines de ces pixels de 1x1, ce qui permet à l’éditeur de monétiser un même visiteur des dizaines de fois simultanément.

Empilement d’annonces (ad stacking) : il consiste à superposer plusieurs annonces les unes sur les autres dans un même emplacement publicitaire en manipulant la propriété CSS z-index. Seule l’annonce du dessus est visible pour l’utilisateur, mais le fraudeur programme la page pour déclarer des impressions pour toutes les annonces de la pile. Dans certaines variantes de fraude au clic, un seul clic sur l’annonce du dessus est conçu pour être enregistré comme un clic sur toutes les annonces empilées en même temps, escroquant plusieurs annonceurs avec une seule action de l’utilisateur.

Usurpation de domaine

L’usurpation de domaine (domain spoofing) est une tactique d’arbitrage par laquelle un fraudeur fait passer un inventaire de faible qualité pour un inventaire premium. Elle exploite le décalage entre les données de la demande d’enchère et l’environnement réel d’affichage.

Mécanisme : un fraudeur exploite un site de faible valeur (par ex. un site de contenus piratés, de discours haineux ou de texte généré aléatoirement), mais modifie la demande d’enchère envoyée à la plateforme d’échange pour prétendre que l’URL appartient à un éditeur premium comme nytimes.com ou cnn.com.

Impact : les annonceurs enchérissent à des CPM élevés en croyant accéder à des audiences premium sur des sites de confiance. En réalité, leurs annonces s’affichent sur des sites de faible valeur, dangereux pour la marque. Cela gaspille non seulement le budget, mais fait aussi peser de graves risques de réputation, car la marque semble financer des contenus illicites. L’introduction d’ads.txt (Authorized Digital Sellers) a été une réponse directe du secteur à ce vecteur, permettant aux éditeurs de déclarer publiquement qui est autorisé à vendre leur inventaire.

Mécanismes de fraude fondés sur l’interaction

Click injection (mobile)

La click injection est une forme sophistiquée de fraude mobile répandue dans l’écosystème Android, qui exploite des fonctionnalités spécifiques des récepteurs de diffusion du système d’exploitation.

Mécanisme : un utilisateur installe une application malveillante (souvent un utilitaire comme une lampe torche, une calculatrice ou un gestionnaire de fichiers) qui demande l’autorisation de s’exécuter en arrière-plan. Cette application écoute les « diffusions d’installation » : des signaux système indiquant qu’une nouvelle application est en cours d’installation sur l’appareil. Lorsque l’utilisateur télécharge une application légitime (par ex. Uber ou Spotify) depuis le Play Store, l’application malveillante détecte le processus d’installation.

Vol d’attribution : juste avant la fin de l’installation, l’application malveillante envoie un clic synthétique au partenaire de mesure mobile (MMP). Comme les modèles d’attribution fonctionnent souvent selon le principe du « dernier clic », le fournisseur d’attribution voit le clic provenant de l’application malveillante juste avant l’installation. L’installation organique est donc attribuée au fraudeur, qui perçoit un paiement au coût par installation (CPI) pour un utilisateur qu’il n’a pas recruté.

Click spamming / click flooding

Cette technique consiste à générer en arrière-plan un volume massif de faux clics, ce qui revient à mener une attaque statistique contre le modèle d’attribution.

Mécanisme : une application frauduleuse envoie des déclarations de clics pour des milliers d’annonces en arrière-plan pendant que l’utilisateur l’utilise, alors qu’aucune annonce n’est affichée. Cela se fait indépendamment de l’intention de l’utilisateur.

Le pari statistique : le fraudeur parie sur les probabilités. S’il envoie des clics pour des applications populaires (par ex. des applications de shopping ou de voyage) pour chaque utilisateur qu’il contrôle, il existe une probabilité statistique que l’utilisateur visite plus tard l’une de ces applications ou l’un de ces sites de façon organique. Lorsque cette visite organique a lieu, le fraudeur revendique l’attribution au « dernier clic », car il a inondé l’historique de l’appareil de l’utilisateur de faux signaux d’engagement.

Fermes à clics

Si de nombreuses formes de fraude sont automatisées, les fermes à clics introduisent l’élément « humain » pour déjouer la détection biométrique.

Fonctionnement : de grands groupes de travailleurs faiblement rémunérés sont engagés pour cliquer manuellement sur des annonces, regarder des vidéos ou installer des applications. Ces fermes peuvent être des lieux physiques équipés de rangées d’appareils ou des réseaux décentralisés de travailleurs à distance.

Contournement : comme les clics sont générés par de vrais humains, avec de vrais doigts sur de vrais écrans, ils passent de nombreuses vérifications de « détection de bots » qui recherchent des mouvements de souris robotiques ou un timing parfait. Le trafic reste pourtant frauduleux, car il n’y a aucune véritable intention d’achat ou d’engagement : la seule intention est de générer le clic pour être payé.

Études de cas de cybercriminalité industrialisée : Methbot et 3ve

Pour bien mesurer l’ampleur de la menace, il faut examiner les opérations fondatrices qui ont défini l’ère moderne de la fraude publicitaire. Il ne s’agissait pas d’arnaques mineures, mais de cyberopérations massives et coordonnées qui ont profondément transformé le paysage de la défense.

L’opération Methbot (2016)

Methbot marque un tournant dans l’industrialisation de la fraude publicitaire. Exploitée par un groupe cybercriminel russe, elle générait entre 3 et 5 millions USD de revenus quotidiens à son apogée, en ciblant le marché très lucratif de la publicité vidéo.

Architecture technique : contrairement aux botnets précédents qui reposaient sur des ordinateurs résidentiels infectés (peu fiables et à la disponibilité variable), Methbot utilisait une infrastructure sur mesure de plus de 2 000 serveurs dédiés dans des centres de données (principalement à Dallas et à Amsterdam). Cela lui offrait une bande passante et une puissance de calcul considérables.

La tromperie : pour masquer le fait que le trafic provenait de centres de données, les opérateurs ont falsifié des enregistrements d’IP afin que leurs blocs d’IP de centres de données semblent appartenir à des fournisseurs d’accès résidentiels comme Verizon et Comcast. Ils utilisaient un moteur de navigateur sur mesure (basé sur Node.js) pour exécuter du JavaScript, simulant des visionnages de vidéos et des interactions sur plus de 6 000 domaines premium usurpés.

Impact : Methbot a prouvé que les fraudeurs pouvaient usurper l’environnement tout entier (l’utilisateur, le réseau, le navigateur et l’éditeur) à l’échelle industrielle.

Le botnet 3ve (2018)

Après la mise au jour de Methbot, les fraudeurs ont évolué. L’opération 3ve (prononcée « Eve ») a illustré le passage à des architectures résilientes et hybrides.

Modèle hybride : 3ve combinait l’approche par centres de données de Methbot avec un immense botnet résidentiel (plus de 1,7 million de PC infectés). Il utilisait des familles de logiciels malveillants comme Kovter et Boaxxe pour détourner de vrais appareils d’utilisateurs.

Sophistication : en faisant transiter le trafic par de vraies IP résidentielles, 3ve a déjoué les défenses de filtrage d’IP qui avaient arrêté Methbot. Le logiciel malveillant exécutait souvent une instance masquée du navigateur Chromium sur la machine de la victime, générant un trafic impossible à distinguer de la navigation réelle de l’utilisateur.

Ampleur : à son apogée, 3ve générait plus de 3 milliards de demandes d’enchère par jour. Il a finalement été démantelé par une coalition historique réunissant Google, White Ops (aujourd’hui HUMAN) et le FBI, ce qui a conduit à l’inculpation de plusieurs opérateurs. L’affaire 3ve a montré que les défenses purement techniques sont insuffisantes : une collaboration juridique et intersectorielle est nécessaire pour démanteler l’infrastructure de la fraude.

L’économie de la fraude publicitaire : incitations et théorie des jeux

Pour comprendre pourquoi la fraude publicitaire persiste malgré les investissements massifs du secteur dans la détection, il faut analyser les incitations économiques sous-jacentes et les dynamiques de théorie des jeux. La persistance de la fraude n’est pas seulement un échec technique : c’est une défaillance du marché.

Le « problème des lemons » et l’asymétrie d’information

Le marché de la publicité numérique souffre d’une forte asymétrie d’information, comparable au célèbre « Market for Lemons » de George Akerlof. Les annonceurs ne peuvent pas distinguer parfaitement, avant l’achat, les impressions légitimes (de haute qualité) des impressions frauduleuses (de faible qualité).

La conséquence pour le marché : cette incertitude fait baisser la valeur de tout l’inventaire. Les acheteurs couvrent leurs enchères contre la probabilité de fraude et paient moins pour chaque impression. Or, comme les éditeurs de qualité ne peuvent pas facilement prouver la pureté de leur audience en temps réel, ils sont contraints de rivaliser sur les prix avec une offre frauduleuse à bas coût.

La spirale : cette concurrence peut chasser l’inventaire légitime du marché ou pousser les éditeurs à pratiquer le « traffic sourcing » (achat de trafic bon marché pour atteindre les objectifs de diffusion des campagnes), lui-même souvent contaminé par du trafic de bots. Il en résulte un écosystème dégradé où la qualité est sous-évaluée et où la demande de volume bon marché encourage la fraude.

Théorie des jeux : le dilemme de la plateforme

Les travaux de Wilbur et Zhu (2009) appliquent la théorie des jeux à la relation entre les moteurs de recherche et les annonceurs, et révèlent une structure d’incitations complexe.

L’équilibre : dans une enchère au second prix avec information complète, si les annonceurs savent que x % des clics sont frauduleux, ils baisseront rationnellement leurs enchères d’exactement x %. Dans cet équilibre théorique, les revenus du moteur de recherche restent neutres : il est payé pour davantage de clics, mais à un prix par clic proportionnellement plus faible.

L’incitation à tolérer : cependant, les travaux indiquent que s’il existe une incertitude sur le taux de fraude, ou si l’enchère est moins concurrentielle, la plateforme peut tirer un avantage économique d’un certain niveau de fraude non détectée. Cela crée un conflit principal-agent dans lequel la plateforme (l’agent) n’est pas incitée à éliminer complètement la fraude si le coût de la détection dépasse la perte de revenus liée à la baisse de confiance des annonceurs. La plateforme doit arbitrer entre les revenus à court terme des clics frauduleux et le risque à long terme de perdre des annonceurs.

La fraude à l’affiliation et la faille de l’attribution

Le marketing d’affiliation fonctionne à la performance (CPA), ce qui réduit théoriquement le risque pour l’annonceur. Ce modèle crée pourtant une forte incitation à la « fraude à l’attribution ».

Le mécanisme : comme les affiliés ne sont payés que pour les conversions, ils ont tout intérêt à recourir au cookie stuffing ou à la click injection pour s’approprier des conversions organiques qui auraient eu lieu de toute façon.

La perte économique : l’annonceur subit une double perte : il paie une commission pour un client qu’il avait déjà, et ses données suggèrent à tort que le canal d’affiliation est très efficace. Cela entraîne une mauvaise affectation du budget futur vers le canal frauduleux, ce qui aggrave encore l’inefficacité.

Du côté de l’annonceur, voir comment prévenir la fraude au clic dans le marketing d’affiliation.

Détection technique et analyse forensique

Détecter la fraude publicitaire moderne exige d’aller au-delà des simples listes de blocage (blocage d’IP) vers la modélisation probabiliste et la biométrie comportementale. La défense doit être aussi sophistiquée que l’attaque.

Détection déterministe et détection probabiliste

Détection déterministe (fondée sur les signatures) : elle s’appuie sur une base de données de signaux « malveillants » connus. C’est la première ligne de défense.

• Listes de blocage d’IP : tenir à jour en temps réel des listes de centres de données connus, de nœuds de sortie VPN et de serveurs de commande et de contrôle (C2) de botnets
• Listes de blocage de user agents : bloquer les chaînes user-agent obsolètes, malformées ou appartenant à des bots connus

Limites : cette approche est réactive. Elle ne peut arrêter que la fraude déjà identifiée et dont l’empreinte a été relevée. Le SIVT la contourne facilement en faisant tourner les IP et en usurpant les User-Agents.

Détection probabiliste (comportementale) : elle utilise l’apprentissage automatique pour repérer les anomalies dans les schémas de trafic.

• Analyse d’entropie : le comportement humain réel est mathématiquement « désordonné ». Les humains déplacent la souris en courbes, varient leur vitesse de défilement et passent un temps irrégulier sur le site. Les bots sont souvent trop parfaits (mouvements de souris linéaires) ou aléatoires d’une manière prévisible et algorithmique. Une entropie élevée suggère un humain ; une entropie faible ou des schémas répétitifs suggèrent une automatisation
• Analyse du délai entre clic et installation (CTIT) : dans les campagnes d’installation d’applications mobiles, un CTIT d’une brièveté impossible (par ex. moins de 10 secondes) indique une click injection (le clic a eu lieu après le début du téléchargement). À l’inverse, un CTIT extrêmement long (par ex. plus de 24 heures) avec une distribution plate suggère du click spamming. Une distribution légitime suit généralement une courbe reconnaissable (distribution de Pareto). (Voir comment fonctionne la fraude publicitaire sur les applications mobiles, de la click injection à l’usurpation de SDK.)

Apprentissage automatique et IA adverse

Les systèmes de détection avancés utilisent des modèles d’apprentissage supervisé et non supervisé pour classer le trafic. Cela a toutefois entraîné une course aux armements appelée apprentissage automatique adverse (Adversarial Machine Learning).

La course aux armements : les fraudeurs utilisent désormais leurs propres modèles d’apprentissage automatique pour entraîner des bots à déjouer les classificateurs de détection. Ils emploient des « réseaux antagonistes génératifs » (GAN) pour simuler des schémas de fraude potentiels et les tester contre les systèmes de défense.

La réponse défensive : les fournisseurs de détection doivent désormais utiliser ces mêmes GAN pour simuler de nouvelles variantes de fraude et entraîner leurs détecteurs contre elles avant même que la fraude n’apparaisse dans la nature. Cette défense prédictive est essentielle pour garder une longueur d’avance sur le SIVT généré par l’IA.

Détection fondée sur les graphes : elle consiste à cartographier les relations entre appareils, IP et cookies. Si un même identifiant d’appareil est associé à 500 IP différentes en une heure, ou si un groupe d’appareils se déplace toujours ensemble sur le web en visitant les mêmes sites dans le même ordre, l’analyse de graphes signale un botnet, même si les comportements individuels paraissent légitimes.

La prochaine frontière : les menaces émergentes en 2025 et au-delà

À mesure que le secteur renforce ses défenses sur le web traditionnel, la fraude migre vers des environnements plus récents et moins réglementés. Le stratège confirmé doit anticiper ces nouveaux vecteurs.

Fraude sur la télévision connectée (CTV)

La CTV est actuellement la cible la plus lucrative pour les fraudeurs, en raison de CPM élevés (souvent entre 20 et 30 USD) et de l’absence de normes de mesure matures comparables à celles du web.

Usurpation SSAI : l’insertion publicitaire côté serveur (Server-Side Ad Insertion, SSAI) intègre les annonces dans le flux vidéo sur le serveur afin d’offrir une expérience fluide, proche de la télévision. Les fraudeurs mettent en place des serveurs proxy qui imitent des appareils CTV, demandent des annonces et les déclarent comme « vues » sans jamais diffuser de vidéo sur un écran. Plusieurs vastes stratagèmes d’usurpation SSAI mis au jour par des chercheurs en sécurité illustrent parfaitement cette évolution.

Applications fantômes : les fraudeurs créent des applications Roku et FireTV qui prétendent être des chaînes de contenu premium, mais qui s’exécutent en réalité en arrière-plan (souvent déguisées en économiseurs d’écran ou en utilitaires). Ces applications génèrent des impressions publicitaires pendant que la télévision est inactive, simulant un spectateur qui regarde des heures de contenu.

Fraude générée par l’IA (sites MFA)

L’IA générative permet aux fraudeurs de créer des sites « conçus pour la publicité » (Made for Advertising, MFA) pour un coût marginal nul.

La menace : ces sites sont remplis de contenus rédigés par l’IA, conçus uniquement pour faire de l’arbitrage de mots clés et héberger des annonces. Même s’il ne s’agit pas toujours de trafic strictement « non valide » (de vrais humains peuvent les visiter via des pièges à clics), ils représentent une extraction de valeur massive au détriment de l’écosystème. Ils offrent des emplacements de faible qualité qui dégradent les performances des campagnes et gaspillent les budgets d’attention. L’IA sert aussi à créer des contenus médiocres (« slop »), juste assez cohérents pour passer les filtres de mots clés, mais sans aucune valeur pour l’utilisateur.

Le « déficit de confiance » et les walled gardens

La persistance de la fraude pousse les annonceurs vers les « walled gardens » (Google, Meta, Amazon), où ils perçoivent une plus grande sécurité. Pourtant, des rapports indiquent que même ces plateformes ne sont pas épargnées, avec des taux importants de trafic non valide souvent masqués par l’absence d’auditabilité par des tiers. Cette concentration des dépenses réduit la diversité du marché, mais oblige les éditeurs indépendants à adopter des normes plus strictes pour survivre. La tendance va vers un web « à deux vitesses » : un niveau sûr et authentifié d’utilisateurs connectés et d’éditeurs premium, et un « Far West » d’inventaire du web ouvert de plus en plus considéré comme toxique.

Atténuation stratégique : un cadre de défense

Pour les annonceurs, la défense exige une approche en couches qui combine mise en œuvre technique, hygiène de la chaîne d’approvisionnement et supervision stratégique. Il ne suffit pas d’activer un outil : il faut concevoir une pile résistante à la fraude.

Pour une version plus courte à appliquer à vos propres campagnes, utilisez notre checklist de prévention de la fraude publicitaire pour les équipes d’acquisition payante.

Optimisation du chemin d’approvisionnement (SPO)

Les annonceurs doivent réduire la distance qui les sépare de l’éditeur et éliminer les intermédiaires opaques.

• Imposer ads.txt et app-ads.txt : exiger strictement que les DSP n’achètent que de l’inventaire autorisé par le fichier ads.txt de l’éditeur. Cela empêche l’usurpation de domaine en garantissant que le vendeur est valide
• Auditer sellers.json : auditer régulièrement les fichiers sellers.json des plateformes d’échange partenaires pour vérifier que les intermédiaires sont transparents sur leur relation avec l’éditeur
• Regrouper les partenaires : réduire le nombre de plateformes d’échange et de SSP sur le chemin d’achat. Moins de partenaires, c’est moins de recoins obscurs où la fraude peut se cacher

Calibrage défensif et exclusion

• Listes d’exclusion dynamiques : si le blocage d’IP est limité face au SIVT, il est crucial de tenir à jour des listes d’exclusion dynamiques d’URL d’emplacements. Cela inclut le blocage des sites MFA connus et des applications aux taux de fraude élevés
• Mots clés à exclure : dans les campagnes sur le Réseau de Recherche, des listes de mots clés à exclure ambitieuses empêchent les annonces de s’afficher sur des requêtes non pertinentes, souvent ciblées par les bots pour générer du volume de recherche. Cela évite que le budget ne soit épuisé par un trafic de bots qui ne convertit pas et recherche des termes génériques

Changer d’indicateurs : du volume à l’attention

La défense ultime contre la fraude publicitaire consiste à cesser d’optimiser pour des indicateurs que les bots peuvent facilement falsifier (impressions, clics) et à optimiser pour des indicateurs qu’ils ont du mal à imiter.

• Indicateurs d’attention : intégrer des fournisseurs qui mesurent le suivi oculaire réel ou l’attention active. Un bot peut déclencher une balise d’impression, mais il ne peut pas générer de véritables signaux d’attention humaine
• Résultats commerciaux : déplacer les objectifs d’optimisation vers le bas de l’entonnoir. Optimiser vers des leads valides (validés dans le CRM) ou des achats réels (ROAS) plutôt que vers le CPA. La fraude aux conversions existe, mais elle est exponentiellement plus coûteuse et plus difficile à exécuter pour les fraudeurs que la simple fraude au clic

Conclusion

La fraude publicitaire n’est pas un bug du système de la publicité numérique : c’est une économie parasitaire qui évolue au même rythme que le marché légitime. Le passage d’un GIVT simple à un SIVT complexe piloté par l’IA exige un changement de paradigme dans la manière dont le secteur aborde la vérification. Il ne suffit plus de se fier aux « filtres antifraude » de base fournis par les réseaux publicitaires. Une stratégie de défense en couches exige une compréhension forensique des mécanismes techniques de la fraude (en distinguant les menaces spécifiques de la fraude au clic des dangers plus larges du blanchiment d’impressions) et la volonté d’auditer les incitations économiques de chaque partenaire de la chaîne d’approvisionnement.

À l’approche de 2026, la bataille sera définie par la dynamique « IA contre IA », où l’apprentissage automatique adverse opposera en temps réel les algorithmes de génération de fraude aux algorithmes de détection. Pour le stratège, la seule voie viable est la vigilance, la transparence et une attention constante aux résultats commerciaux vérifiables plutôt qu’aux indicateurs de vanité. L’ère du « faire confiance, mais vérifier » est révolue ; face à la fraude publicitaire industrialisée, la nouvelle maxime doit être « vérifier, puis faire confiance ».