L’IA agentique commence à entrer dans les workflows d’achat média. Mais entre agents maison, MCP, AdCP, AAMP, frameworks et solutions propriétaires, les choix technologiques se multiplient.
Ce livre blanc réalisé par Raphael Ambit, fondateur d’Epicflare, propose une grille de lecture pour éviter deux erreurs : attendre que le marché se stabilise ou investir trop lourdement dans une architecture vite dépassée.
MCP et protocoles métier ne jouent pas le même rôle
Le MCP (Model Context Protocol) est un connecteur : il expose les fonctions d’une plateforme sous forme d’outils qu’un assistant ou un agent peut appeler. Il permet par exemple d’interroger un DSP en langage naturel ou d’extraire un reporting.
AdCP et AAMP sont d’une autre nature. Ces protocoles open source normalisent les échanges entre agents publicitaires : découverte d’inventaire, média planning, négociation de deal IDs ou implémentation de campagnes. MCP assure la connexion ; le protocole organise la transaction. Il ne faut donc pas choisir entre les deux : ils peuvent fonctionner ensemble.
Le critère décisif est l’ouverture vers l’extérieur. Si des agents doivent transacter avec les buyer ou seller agents d’autres entreprises, le protocole commun devient difficilement contournable. Comme OpenRTB, la norme fonctionne parce que toute la chaîne parle le même langage. Pour un agent interne - audit de campagnes, analyse de données ou automatisation d’un workflow -, le choix reste ouvert entre développement sur mesure et réutilisation d’une ossature existante.
La valeur se déplace vers l’expertise métier
Le livre blanc acte aussi le recul de l’agent isolé, construit autour d’un LLM et de quelques connexions. Les architectures les plus avancées reposent désormais sur des systèmes agentiques : plusieurs agents spécialisés se partagent une tâche, confrontent leurs résultats et sont coordonnés par un orchestrateur.
Des frameworks comme LangGraph, CrewAI ou AutoGen fournissent une partie de cette architecture. Epicflare estime qu’un système performant peut être développé en moins d’un trimestre, avec un temps et un budget divisés par trois ou quatre par rapport à des projets comparables menés un an plus tôt.
L’investissement porte désormais davantage sur la traduction des pratiques métier : règles de décision, données propriétaires, connexions aux DSP et ad servers, critères d’évaluation. Pour une agence, la différence ne résidera pas dans le simple fait de posséder un agent, mais dans sa capacité à y inscrire une méthode de travail difficile à reproduire.
Le coût de construction baisse, pas forcément la facture totale
Un système composé de plusieurs agents consomme davantage de contexte, multiplie les appels aux modèles et répète des tâches pour vérifier ses résultats. Le prix unitaire des tokens baisse, mais leur volume peut augmenter plus vite. Les économies réalisées sur le développement peuvent donc être absorbées par les coûts d’exploitation.
Réduire trop tôt le nombre d’itérations ou utiliser un modèle moins performant peut conduire à tester une version bridée, puis à conclure à tort que le cas d’usage ne fonctionne pas. Le guide conseille d’établir d’abord une performance de référence, puis de mesurer la perte de qualité associée à chaque économie.
L’évaluation devient une brique du produit : cas de référence, seuils d’acceptation explicites et contrôles réguliers. Même enjeu pour l’auditabilité. Les échanges entre agents produisent trop de traces pour être relus manuellement ; le système doit localiser les anomalies qui justifient une intervention humaine.
Investir vite, mais sur un périmètre maîtrisé
Une architecture construite aujourd’hui peut être dépassée dans six à dix-huit mois. La réponse proposée n’est pourtant pas d’attendre, mais de lancer des projets courts, ciblés et faciles à remplacer. L’apprentissage accumulé peut conserver sa valeur, même si la première brique technique devient obsolète.
Le principal piège consiste à bâtir des surcouches complexes pour compenser les faiblesses actuelles des modèles. Elles peuvent être corrigées par leurs fournisseurs ou rendues inutiles par une nouvelle génération technologique. Mieux vaut investir dans ce qui reste propre à l’entreprise : ses données, ses règles métier, ses intégrations et sa capacité à mesurer la performance.
La même prudence vaut pour l’autonomie. Dès qu’un agent peut modifier un budget, suspendre une campagne ou agir sur un environnement tiers, la validation humaine, l’élargissement progressif des permissions et des interdits absolus deviennent indispensables. L’autonomie ne se décrète pas : elle se gagne par la mesure du taux d’erreur et du risque.
Le livre blanc détaille ces arbitrages pour aider agences, annonceurs et adtech à déterminer quoi construire, quoi standardiser, quoi connecter - et dans quoi ne surtout pas investir.
Télécharger le livre blanc : ICI
Ce livre blanc est fait pour vous si…
Vous êtes une agence, un annonceur, une adtech ou un éditeur qui cherche à automatiser une partie de ses opérations média.
Vous devez arbitrer entre le développement d’agents maison et l’utilisation de standards comme AdCP ou AAMP.
Vous vous demandez si le MCP répond à un véritable besoin de connexion ou s’il ajoute simplement une couche technique.
Vous cherchez à intégrer votre expertise, vos données et vos méthodes propriétaires sans recréer toute l’architecture agentique.
Vous devez évaluer le coût réel d’un projet : développement, consommation de modèles, maintenance, contrôle et audit.
Vous voulez accorder davantage d’autonomie aux agents sans perdre la maîtrise des budgets, des campagnes et des environnements auxquels ils accèdent.
Vous souhaitez investir dès maintenant, mais sur un périmètre assez ciblé pour limiter le risque d’obsolescence.
