Comment les agents IA peuvent révolutionner l’adtech

En marketing digital et adtech, l'innovation technologique s'accélère constamment. Si des concepts comme le machine learning (ML), l’Intelligence Artificielle (IA) et plus récemment les agents IA occupent aujourd'hui le devant de la scène, leur usage porte parfois à confusion. 

Avant d’explorer le potentiel des agents IA pour l’adtech, il faut d’abord se replonger dans chacun de ces termes recouvrant une réalité bien spécifique.

Machine learning, LLM ou agent IA : qui fait quoi 

Le machine learning est, depuis un certain temps déjà, la pierre angulaire de l’optimisation publicitaire. Régression logistique, réseaux neuronaux ou apprentissage par renforcement : ces méthodes permettent d’exploiter des volumes considérables de data-points et d’effectuer des calculs puissants en un temps record. Ainsi, le ML délivre des prédictions et exécute des décisions à grande échelle dans un contexte très spécifique et cloisonné. Concrètement, il s’agit d’algorithmes comme P-Max dans Google Ads permettant l’optimisation automatique de campagnes.

Depuis quelques années, l’IA s’impose progressivement au cœur des débats, principalement à travers des modèles d’IA générative. Entraînés à produire du contenu (texte, image, vidéo…), les modèles d’IA générative offrent des opportunités inégalées. Ces derniers sont en effet capables de comprendre des instructions complexes et de générer presque instantanément des résultats d’une qualité comparable à celle d’un travail humain.

Aujourd’hui, une nouvelle génération d’IA émerge : les “agents IA”. Ces derniers se distinguent par une capacité à atteindre des objectifs complexes grâce à des raisonnements avancés, une autonomie inédite et une capacité à opérer une multitude tâches.

Plus exactement, lorsqu’un objectif est donné à un agent, il peut appréhender un contexte, naviguer entre diverses sources d’information, bâtir des plans d’action et agir pour atteindre l’objectif préalablement fixé. On peut résumer cette nouvelle capacité d’adaptation et d’exécution grâce au modèle “OODA” : Observer, Orienter, Décider, Agir.

Les agents IA, une opportunité majeure pour l’adtech et le marketing digital ?

Les opportunités sont multiples car les modèles d’agents peuvent être adaptés à une grande variété de situations. Par exemple :

• Alléger les tâches répétitives, chronophages ou à faible valeur ajoutée, comme le debug de deal ID pour les adops ou la vérification des campagnes pour les média traders. 

• Automatiser des processus de production coûteux, comme la création de centaines de variantes d’ad-copies pour une campagne ciblant un grand nombre de personas très détaillées. 

• Générer un tout nouveau genre d’insights pour l’activation de campagnes (eg. mieux sélectionner les sources d’inventaire, le contexte ou la brand safety). 

• Assurer une disponibilité 24/7 pour contrôler la bonne livraison des campagnes, anticipant les imprévus sans attendre les mauvaises surprises du lundi matin.

La liste est aussi longue que les cas qu’on peut imaginer. 

On peut néanmoins résumer le potentiel en quatre piliers principaux :

• Réduction de la charge opérationnelle 

• Diminution globale des coûts 

• Augmentation de la réactivité et de la vitesse d’exécution 

• Accroissement de la proposition de valeur grâce à des use-cases toujours plus sophistiqués

Comment construire concrètement un agent performant ?

Les agents peuvent être spécialisés pour intervenir dans de multiples situations. La clé d’un bon agent repose sur un juste équilibre entre une spécialisation poussée sur une tâche précise, l’intégration de “connaissances métier” ou “data-points” permettant une prise de décision pertinente et la prise en compte des particularités de l’écosystème dans lequel il évolue.

Le plus prometteur est le cas de figure où plusieurs agents spécialisés sont orchestrés par un “master agent”. Celui-ci devient alors capable de couvrir un périmètre opérationnel de plus en plus large à mesure qu’il sollicite différents “sous-agents” spécialisés selon les obstacles rencontrés, jusqu’à accomplir pleinement la mission initiale.

Prenons l’exemple concret d’un adops côté publisher. Une tâche courante est le traitement des demandes de deal ID envoyées par une agence. 

Plusieurs actions doivent être effectuées : évaluation de la demande (prix, ciblage…), analyse de l’inventaire disponible, définition de la priorité du deal dans la médiation, création et envoi du deal ID, implémentation dans l’adserver. 

À cela s’ajoute la phase post-lancement, nécessitant potentiellement du debug et un monitoring précis pour éviter les sous-livraisons ou mauvaises performances. En somme, une dizaine de tâches interconnectées avec de nombreuses dépendances.

Toutes ces tâches peuvent aujourd’hui être automatisées grâce à un agent adops spécialisé dans la gestion des deal IDs, lui-même composé d'une dizaine de sous-agents ultra spécialisés dans chaque étape mentionnée précédemment.

Pour ce faire, il est nécessaire de calibrer l’agent avec un code interconnectant des modèles de raisonnement, d’exécution et d’évaluation. Le système doit être alimenté par une documentation métier précise. 

Il convient également de personnaliser certaines instructions pour prendre en compte les particularités de l’inventaire et des pratiques adops du publisher concerné, ainsi que les spécificités techniques du SSP et de l’adserver en place.

Ajoutez à cela quelques couches de contrôle pour détecter les anomalies et des couches d’évaluation continue de la tâche pour optimiser constamment ses performances, et vous obtenez un agent capable d’effectuer une mission complexe, variée et imprévisible avec un haut niveau de précision.

Vers où se dirige-t-on avec ces agents ?

La bonne nouvelle est que ces solutions deviennent de plus en plus accessibles. Construire un premier prototype peut prendre une petite poignée de semaines seulement (parfois moins), suivies de quelques semaines supplémentaires de tests afin d'affiner l’efficacité et d’obtenir un agent pleinement opérationnel.

Développer ces agents constitue une ambition considérable. En produire un grand nombre et les intégrer progressivement à l’écosystème du marketing digital prendra néanmoins du temps.

L'un des grands défis à venir sera la transformation des métiers actuels et la réorientation des expertises sur d’autres aspects du marketing digital. On assistera probablement à l’émergence d’un nouveau type de management : celui de “manager d’agents”, responsable de garantir la qualité des résultats obtenus. 

Ces managers d’un nouveau genre seront vraisemblablement plus proches du terrain, plus techniques et opérationnels que ce que nous connaissons aujourd’hui.

Enfin, il sera crucial de rester attentif à l’agilité nécessaire pour intégrer ces agents. De grandes entreprises pourraient rapidement être challengées par des modèles opérationnels composés de petites équipes d’experts capables de traiter une quantité massive de tâches métiers à une vitesse inégalée grâce à un écosystème principalement propulsé par une galaxie d’agents.