Votre IA sait écrire. Le problème ? Le vrai travail commence souvent après sa réponse.
Vous lui demandez d’analyser un marché. Elle vous livre une synthèse.
Très bien.
Maintenant, il faut vérifier les chiffres, retrouver les sources, regarder ce que font réellement les concurrents, comparer les prix, distinguer les signaux sérieux des simples suppositions, décider quoi tester… puis passer dans trois ou quatre autres outils pour exécuter.
On devait gagner du temps. On finit parfois avec une nouvelle couche de travail.
C’est précisément ce que les agents IA marketing commencent à changer en 2026.
Pendant quelques années, notre relation à l’intelligence artificielle a ressemblé à celle que l’on entretient avec un GPS : on pose une question, il indique une direction, puis on reprend le volant.
L’agent IA pousse la logique un cran plus loin.
On lui donne une destination. Il peut examiner la route, consulter les informations disponibles, utiliser certains outils, comparer plusieurs options et préparer — parfois exécuter — l’étape suivante.
Le vrai changement n’est donc pas simplement l’arrivée de modèles plus intelligents.
C’est le passage du prompt au workflow.
Et pour le marketing, ce glissement compte énormément.
Commençons par enlever un peu de brouillard.
Tous les outils qui intègrent de l’IA ne sont pas des agents.
Un chatbot classique attend généralement une demande, génère une réponse et s’arrête là. Un agent IA, lui, peut recevoir un objectif plus large, décomposer le travail, consulter des ressources autorisées, utiliser des outils et ajuster son parcours selon ce qu’il découvre.
La différence tient en deux lignes.
IA conversationnelle :
Question → réponse.
IA agentique :
Objectif → recherche → données → raisonnement → outil → vérification → action.
Ce n’est pas qu’une nuance technique.
Les usages commencent eux-mêmes à devenir plus longs.
OpenAI rapporte qu’en mai 2026, 70,2 % des utilisateurs individuels échantillonnés de Codex avaient formulé au moins une demande correspondant à plus d’une heure de travail humain estimé. Pour 25,6 % d’entre eux, au moins une demande correspondait même à plus de huit heures de travail humain estimé.
Autrement dit, une partie des utilisateurs ne demande déjà plus seulement :
« Donne-moi dix idées de headlines. »
Elle commence à demander :
« Analyse ces informations, trouve le problème, propose une solution et prépare ce qu’il faut pour l’exécuter. »
C’est un changement de posture.
Microsoft le résume avec une question assez juste :
“What outcomes am I now positioned to drive?”
Le sujet devient moins ce que l’IA peut produire que le résultat qu’elle peut aider à obtenir.
Pendant longtemps, nous avons optimisé l’interface avec l’IA : meilleur prompt, meilleur modèle, meilleur template.
Avec les agents, la bataille se déplace vers quelque chose de moins spectaculaire mais souvent plus rentable : la conception du travail.
Quelles données faut-il consulter ?
À quel moment ?
Quelle décision doit être prise ?
Quels outils faut-il mobiliser ?
Qu’est-ce qui exige une validation humaine ?
Voilà les questions qui commencent à compter.
Conseil pratique : prenez une tâche marketing répétitive qui vous oblige aujourd’hui à naviguer entre au moins trois outils. Dessinez les étapes avant même de choisir un agent. Le workflow vaut souvent plus que le modèle.
Un marketeur peut désormais produire vingt concepts de campagne avant son premier café.
Impressionnant.
Mais ces vingt concepts peuvent tous reposer sur une mauvaise hypothèse.
C’est là que l’euphorie autour de l’IA devient un peu trompeuse.
Produire plus vite n’améliore pas automatiquement la décision qui précède la production.
Vous pouvez demander à une IA :
« Construis une campagne pour ce produit en insistant sur la sécurité. »
Elle peut créer un angle solide, une landing page cohérente et des publicités impeccables.
Sauf que le marché, lui, s’intéresse peut-être davantage à la facilité d’installation.
Le contenu n’est pas mauvais.
Le point de départ l’est.
Et lorsqu’une mauvaise hypothèse est exécutée avec beaucoup de talent et énormément de vitesse, elle devient parfois plus difficile à remettre en question.
Les chiffres du BCG montrent assez bien ce décalage.
Dans son enquête 2026 menée auprès de 300 CMO internationaux, 96 % déclarent que l’IA entraîne une transformation de bout en bout de leur fonction marketing. Pourtant, 42 % utilisent encore principalement l’IA générative comme assistant sur quelques tâches individuelles. Seulement 8 % déclarent mener des campagnes où plusieurs agents fonctionnent de façon autonome.
Mark Abraham, Managing Director et Senior Partner chez BCG, pose le problème ainsi :
“Most marketing organizations are not yet built to compete in that environment.”
Le logiciel avance vite.
Le processus, lui, avance moins vite.
C’est pourquoi accumuler les assistants IA ne résout pas nécessairement grand-chose.
Un outil écrit.
Un autre analyse les concurrents.
Un troisième génère des créatifs.
Un quatrième construit une page.
Un cinquième affiche les résultats.
Mais où vit la logique qui relie tout cela ?
Si une objection découverte pendant la recherche n’arrive jamais dans l’offre, si l’offre n’arrive pas dans la publicité, ou si les performances de la campagne ne corrigent jamais l’hypothèse d’origine, vous avez beaucoup d’IA…
et peu d’apprentissage.
En 2026, le moat n’est probablement pas « avoir accès à l’IA ».
Cet accès devient banal.
Le moat se rapproche plutôt de ceci :
conserver le contexte suffisamment longtemps pour qu’une observation puisse influencer une décision, puis que le résultat de cette décision améliore la suivante.
C’est une boucle.
Pas un prompt.
Conseil pratique : lorsque vous évaluez un outil IA, ne demandez pas seulement « que peut-il générer ? ». Demandez : quelle information entre, quelle décision sort et qu’apprend le système après le résultat ?
Prenons quelque chose de concret.
Vous repérez un produit e-commerce qui semble intéressant.
Le réflexe classique serait de commencer à travailler sur les publicités : hooks, vidéos, landing page, offre.
Minute.
Avant de financer le message, il faudrait peut-être vérifier si l’opportunité elle-même tient debout.
Un agent pourrait recevoir comme objectif :
« Évalue cette opportunité et indique-moi ce que nous devons tester avant d’investir dans l’acquisition. »
À partir de là, le travail change de forme.
L’agent peut examiner les informations auxquelles il est autorisé à accéder : pages concurrentes, résultats de recherche, avis, prix, promesses, données internes ou performances précédentes.
Il peut détecter des motifs.
Une plainte revient partout ?
Un concurrent domine un angle précis ?
Les prix se concentrent dans une fourchette très nette ?
Des questions réapparaissent dans les recherches ?
Très vite, un détail devient essentiel : il faut arrêter de mélanger ce qui a été observé et ce que l’on en déduit.
Prenons un exemple.
Observation : 7 concurrents sur 10 mettent fortement en avant l’autonomie de leur produit.
Ce n’est pas la même chose que :
Hypothèse : l’autonomie est le premier critère de décision du marché.
La première phrase décrit une donnée.
La seconde interprète cette donnée.
Et il faut encore tester l’interprétation.
Ce petit découpage évite beaucoup d’erreurs.
Microsoft a analysé plus de 100 000 conversations Microsoft 365 Copilot et indique que 49 % des interactions classifiées soutenaient des activités cognitives comme l’analyse, la résolution de problème, l’évaluation ou la réflexion créative. Dans la même étude, 86 % des utilisateurs interrogés disent traiter la production de l’IA comme un point de départ plutôt qu’une réponse définitive.
Leur formule mérite d’être gardée :
“Stay responsible for the thinking.”
Voilà probablement le bon équilibre.
L’agent peut chercher.
Comparer.
Structurer.
Préparer.
L’humain garde le jugement.
Cette logique correspond directement au workflow présenté dans DAKA : partir de la recherche, transformer les données en décision, passer à l’offre et au message, exécuter, mesurer, puis réinjecter les résultats dans la décision suivante.
Ce n’est donc pas une collection de fonctions indépendantes.
C’est une chaîne.
Donnée → insight → hypothèse → décision → action → résultat → apprentissage.
La donnée seule ne crée pas beaucoup de valeur.
L’action seule non plus.
La valeur apparaît entre les deux.
Elle se trouve dans la capacité à répondre à une question simple :
« Qu’est-ce que cette information change dans ce que nous devons faire ? »
Conseil pratique : structurez les sorties de votre agent en quatre blocs : faits observés / interprétation / hypothèses à tester / actions recommandées. Vous rendrez les décisions beaucoup plus auditables.
Pas besoin de mettre un agent partout.
Ce serait même une assez mauvaise idée.
La bonne question est : où perdons-nous actuellement le plus de temps à chercher, transférer, comparer ou interpréter de l’information ?
C’est souvent là que les meilleurs cas d’usage apparaissent.
Imaginez devoir analyser vingt concurrents.
Il faut trouver leurs offres, leurs prix, leurs angles, leurs pages, leurs preuves sociales, leurs objections traitées et parfois leurs campagnes.
Ce travail n’est pas intellectuellement impossible.
Il est simplement pénible à répéter.
Un agent peut absorber une bonne partie de la collecte et de la structuration, puis laisser à l’humain les arbitrages qui comptent.
Les clients disent énormément de choses.
Le problème est qu’ils les disent partout.
Avis produits. Tickets support. Reddit. Commentaires. Moteurs de recherche. CRM. Chats.
Un agent peut aider à regrouper cette matière pour faire émerger les mots employés, les objections récurrentes ou les situations qui déclenchent l’achat.
Et cette matière nourrit ensuite le copywriting.
Beaucoup plus efficacement qu’un persona inventé dans une salle de réunion.
Une campagne attire des clics mais ne vend pas.
Pourquoi ?
Le problème peut venir de la publicité.
Ou de l’offre.
Ou de la page.
Ou d’une rupture entre la promesse de l’annonce et ce que l’utilisateur découvre ensuite.
Un agent peut comparer ces éléments et orienter le diagnostic.
Voici probablement un usage encore sous-estimé.
Une équipe marketing manque rarement d’idées.
Elle manque de certitude sur l’idée à tester maintenant.
L’agent devient intéressant lorsqu’il aide à classer les possibilités selon le potentiel, la qualité des preuves disponibles, l’effort nécessaire et le risque.
Les données de Forrester montrent à quel point le mouvement est déjà avancé dans les agences américaines : 9 agences sur 10 utilisent l’IA générative et environ la moitié utilisent déjà l’IA agentique pour l’exécution marketing. L’étude indique aussi que 70 % utilisent l’IA pour la recherche et la competitive intelligence.
Mais Forrester introduit un avertissement utile. Jay Pattisall parle du risque de :
“Mistaking efficiency for effectiveness.”
Autrement dit : faire la mauvaise chose deux fois plus vite reste… faire la mauvaise chose.
Le KPI d’un agent marketing ne devrait donc pas seulement être le temps économisé.
Il faudrait aussi regarder :
C’est beaucoup plus proche de la valeur business.
Conseil pratique : commencez par un workflow à forte intensité d’information, comme la veille concurrentielle ou le diagnostic de funnel. Gardez les actions irréversibles pour plus tard.
On parle énormément des modèles.
On devrait probablement parler davantage du contexte.
Deux entreprises peuvent utiliser exactement le même modèle d’IA et obtenir des résultats très différents.
Pourquoi ?
L’une lui donne une phrase et attend une idée.
L’autre lui donne accès à des données structurées, des contraintes précises, l’historique des tests, les signaux clients et des règles de décision.
Le cerveau est identique.
La matière première ne l’est pas.
Voilà pourquoi market intelligence et agentic AI commencent à converger.
Une IA sans contexte peut imaginer une campagne.
Une IA correctement alimentée peut identifier que six concurrents utilisent le même angle, qu’une objection revient constamment dans les avis, que le marché accepte une certaine fourchette de prix et qu’une promesse semble encore peu exploitée.
Là, quelque chose d’intéressant se produit.
On ne demande plus seulement :
« Que pouvons-nous créer ? »
On demande :
« Que nous disent les données, et quel test découle logiquement de cette information ? »
Cette philosophie est au cœur du modèle DAKA : comprendre le marché, identifier la demande, observer les concurrents, analyser le funnel et les signaux de confiance, puis transformer cette matière en décision et en exécution.
Les données McKinsey montrent en parallèle que la mise à l’échelle des agents progresse surtout dans les grandes structures : en 2026, 40 % des répondants appartenant à des organisations dépassant 1 milliard de dollars de chiffre d’affaires déclarent être en phase de scaling d’agents IA, contre 27 % un an auparavant. Pour les organisations plus petites, le chiffre reste à 22 %.
Ce différentiel raconte peut-être quelque chose.
Les entreprises qui disposent déjà de données, de processus et de systèmes relativement structurés ont plus de matière à donner aux agents.
Le modèle seul ne suffit pas.
L’infrastructure autour compte énormément.
Et côté marketing, Gartner anticipe qu’à l’horizon 2028, 60 % des marques utiliseront l’IA agentique pour faciliter des interactions individualisées avec leurs clients.
Emily Weiss, Senior Principal Researcher chez Gartner, résume le bouleversement de manière assez radicale :
“This marks the end of channel-based marketing as we know it.”
Peut-être.
Mais avant d’arriver à un marketing entièrement orchestré par agents, beaucoup d’entreprises ont un problème plus terre-à-terre à résoudre : leurs données restent dispersées, leurs outils communiquent mal et leurs apprentissages disparaissent entre deux campagnes.
C’est là que le chantier commence vraiment.
Conseil pratique : avant de connecter davantage d’IA à votre stack, identifiez les cinq sources de données qui influencent réellement vos décisions marketing. Si elles sont inutilisables ou isolées, commencez par là.
À partir du moment où une IA ne fait plus que suggérer du texte, les conséquences changent.
Un texte moyen ?
On le réécrit.
Une campagne envoyée au mauvais segment, un budget déplacé automatiquement ou une mauvaise donnée intégrée dans une décision commerciale ?
La conversation devient différente.
C’est pourquoi l’autonomie ne doit pas être binaire.
Il ne s’agit pas de choisir entre :
« L’IA ne touche à rien. »
et :
« L’IA gère tout. »
Il existe tout un spectre.
Un agent peut chercher sans publier.
Analyser sans modifier.
Préparer une action sans l’exécuter.
Exécuter sous un certain montant.
Demander une validation au-delà d’un seuil.
Cette granularité compte énormément.
Microsoft rapporte que 50 % des utilisateurs d’IA interrogés considèrent le contrôle qualité des résultats IA comme une compétence humaine devenue plus importante, tandis que 46 % citent la pensée critique.
Et les risques commencent déjà à apparaître dans les enquêtes entreprises.
En septembre 2026, EY a interrogé 202 décideurs IA seniors travaillant dans de grandes entreprises américaines. 36 % déclarent que leur organisation a déjà subi un incident ou une défaillance IA ayant entraîné un impact matériel négatif. Parmi les organisations utilisant l’IA agentique, 26 % des répondants disent qu’elles ne sont pas capables de détecter certains agents non autorisés opérant en interne.
John McLain, AI Leader chez EY, résume le problème ainsi :
“The biggest agentic AI risk is that human oversight hasn’t evolved accordingly.”
On revient toujours au même point.
L’agent doit pouvoir agir.
Mais il faut savoir pourquoi il agit, avec quelles données, dans quelles limites et qui reste responsable du résultat.
Plus une action est :
plus la supervision humaine doit augmenter.
Inversement, une tâche réversible, répétitive et facilement vérifiable peut supporter davantage d’autonomie.
Ce n’est pas aussi spectaculaire qu’un agent entièrement autonome.
C’est souvent beaucoup plus intelligent.
Conseil pratique : classez vos actions agentiques en trois catégories : autonome / validation requise / humain uniquement. Cette règle simple évite beaucoup d’ambiguïtés.
Pris séparément, les statistiques IA donnent vite le tournis.
Mises côte à côte, elles racontent pourtant une histoire assez claire.
| Signal | Donnée 2026 | Lecture utile |
|---|---|---|
| Délégation de tâches longues | 70,2 % des utilisateurs Codex échantillonnés ont demandé au moins une tâche estimée à plus d’une heure de travail humain | L’usage se déplace progressivement de la réponse vers la délégation. |
| Transformation marketing | 96 % des CMO interrogés par BCG disent que l’IA transforme leur fonction end-to-end | L’ambition est massive, l’intégration réelle beaucoup moins homogène. |
| Usage encore fragmenté | 42 % des mêmes CMO utilisent surtout la GenAI sur des tâches isolées | Beaucoup d’entreprises ont encore des outils IA, pas forcément des workflows IA. |
| Agents dans les agences | Environ 50 % des agences américaines étudiées par Forrester utilisent l’IA agentique pour l’exécution marketing | L’agentic marketing sort clairement du laboratoire. |
| Contrôle humain | 50 % des utilisateurs interrogés par Microsoft citent le contrôle qualité comme compétence devenue plus importante | Plus d’IA ne signifie pas moins de jugement humain. |
| Risque opérationnel | 36 % des décideurs IA seniors interrogés par EY rapportent un incident IA à impact matériel | L’autonomie doit avancer avec la gouvernance. |
Ces études n’observent pas les mêmes populations et leurs chiffres ne doivent pas être comparés comme s’ils provenaient d’un seul échantillon.
Mais leur direction est cohérente.
Plus de délégation. Plus d’intégration. Plus de besoin de contrôle.
Voilà probablement le portrait le plus honnête de l’agent IA en 2026.
Un agent IA marketing est un système d’intelligence artificielle capable de poursuivre un objectif marketing en plusieurs étapes. Selon les accès qui lui sont accordés, il peut rechercher des informations, analyser des données, utiliser des outils, formuler des recommandations et parfois exécuter certaines actions.
Un chatbot répond principalement à une interaction. Un agent peut poursuivre un objectif sur plusieurs étapes et utiliser des outils ou données externes.
La frontière n’est toutefois pas absolue : une interface conversationnelle peut elle-même donner accès à des fonctions agentiques.
Une automatisation classique suit généralement un chemin préétabli :
si A se produit, effectuer B.
Un agent peut disposer d’une certaine latitude pour déterminer quelles étapes sont nécessaires selon le contexte rencontré.
Les cas d’usage particulièrement adaptés incluent la recherche marché, l’analyse concurrentielle, l’analyse de la voix du client, le diagnostic de funnel, la préparation de campagnes, la qualification de leads, le reporting et la priorisation des tests.
Techniquement, certains le peuvent.
Businessment, ce n’est pas toujours souhaitable.
Le niveau d’autonomie doit dépendre du risque, du coût potentiel d’une erreur, de la réversibilité de l’action et de la qualité des données disponibles.
Quelques principes sont particulièrement utiles : imposer des sources vérifiables, limiter les données auxquelles l’agent peut accéder, distinguer faits et hypothèses, conserver une trace des actions réalisées et demander une validation humaine pour les décisions sensibles.
Oui.
Mais le prompt devient une pièce d’un ensemble plus large.
La compétence intéressante consiste de plus en plus à définir un objectif clair, fournir le bon contexte, concevoir le workflow, fixer les limites et évaluer correctement le résultat.
Nous avons passé plusieurs années à apprendre comment parler aux modèles.
La prochaine étape consiste peut-être à apprendre comment travailler avec eux.
Et la différence est importante.
Un prompt peut vous donner une excellente réponse.
Un workflow peut prendre une question, chercher des preuves, mobiliser des outils, identifier ce qui reste incertain, proposer une décision et transformer le résultat obtenu en nouvel apprentissage.
C’est un changement plus profond qu’il n’y paraît.
Parce que lorsque tout le monde peut générer une publicité, une présentation, une image ou une landing page en quelques minutes, la production cesse progressivement d’être rare.
Le contexte, lui, reste rare.
Les bonnes données restent rares.
Le jugement reste rare.
Et la capacité à apprendre plus vite que les autres reste terriblement précieuse.
Voilà pourquoi l’enjeu autour des agents IA marketing ne devrait pas se résumer à :
« Jusqu’où pouvons-nous automatiser ? »
Une question plus intéressante serait :
« Jusqu’où pouvons-nous réduire l’incertitude avant de prendre une décision ? »
C’est là que l’IA agentique devient vraiment utile.
Pas lorsqu’elle remplace une réflexion.
Lorsqu’elle aide l’entreprise à relier plus vite les signaux du marché, les preuves disponibles, la décision à prendre et l’action à tester.
Le prompt reste là.
Mais il n’est plus le centre de l’histoire.
Le centre, désormais, c’est la boucle :
observer → comprendre → décider → agir → mesurer → apprendre.
Et l’entreprise qui raccourcit cette boucle sans sacrifier la qualité de ses décisions ne gagne pas seulement du temps.
Elle apprend plus vite.