Publicité automatisée : après l'agent des plateformes, l'agence construit celui de l'annonceur

En août, nous écrivions que l'agent d'une plateforme publicitaire ne travaille pas pour l'annonceur qui la paie. Le changement d'enchères imposé par Google sur les campagnes à budget limité en donne une démonstration concrète : l'algorithme peut désormais pousser les enchères vers l'objectif fixé même quand les résultats historiques faisaient mieux, tant que l'annonceur n'a pas resserré sa cible. Poser ce constat ne suffit plus. La question qui reste ouverte est opérationnelle : comment une agence construit-elle, concrètement, la couche de jugement indépendante qui doit s'interposer entre la plateforme et le business du client.

Le problème d'agence, nous l'avons déjà posé

Google, Meta et TikTok proposent tous la même promesse : confier les objectifs à l'algorithme et laisser PMax, Advantage+ ou Smart+ gérer enchères, budgets et créations. Cette promesse repose sur un système qui écrit ses propres règles, lit ses propres signaux et mesure sa propre performance. Une plateforme gagne davantage quand l'annonceur dépense davantage, et elle croit sincèrement rendre service en stabilisant les résultats du système. Le problème tient à la structure du marché. Un euro dépensé en plus profite mécaniquement à la plateforme. Il ne profite à l'annonceur que si le résultat suit.

Les chiffres du dernier trimestre de Meta illustrent l'ampleur de cette pression. Le chiffre d'affaires a progressé de 28 % sur un an, les coûts ont bondi de 55 %, la trésorerie disponible a chuté de 91 %, et le groupe a relevé sa fourchette d'investissement annuel entre 130 et 145 milliards de dollars, relève Toni Poulain (Goodway Group) dans une tribune publiée le 31 août par AdExchanger. Une plateforme sous ce niveau de tension pour transformer sa capacité IA en revenus n'a aucune raison de préserver, par défaut, l'efficacité obtenue par un annonceur.

Le prolongement logique de ce constat consiste à construire, du côté de l'annonceur, un agent aussi capable que celui de la plateforme, avec un mandat différent : servir en priorité les intérêts de l'annonceur qui le finance.

Construire un agent indépendant : l'IA est la partie facile

Edward Newman, fondateur de l'agence 71a, documente cette construction dans Search Engine Land : il explore le sujet depuis début 2025, construit l'agent depuis la fin de la même année et l'a lancé début décembre. Son agent, surnommé Terry, surveille les comptes en continu, enquête sur les variations de performance et reprend des tâches assignées comme un membre de l'équipe. Sa première leçon tient en une phrase : l'IA est la partie facile, le vrai travail est tout ce qui l'entoure.

Terry en a fait la démonstration à ses dépens. Dans ses premières semaines, il a annoncé un effondrement des performances de la semaine précédente et rédigé une explication parfaitement convaincante. Les conversions n'étaient simplement pas encore remontées. Un modèle capable produit une explication tout aussi crédible pour une fausse alerte que pour un vrai signal. La confiance qu'on peut lui accorder se construit sur la qualité de ce qu'on lui donne à voir : les données, le contexte commercial, l'historique du compte.

Le contexte compte plus que le modèle

Le décalage de conversion n'est qu'un exemple d'un problème plus large. Dans les services financiers, un lead peut mettre plusieurs semaines à devenir un client. Corriger ce biais a demandé des mois de travail sur des fenêtres de maturité, des estimations avec marges d'incertitude, et une règle finale simple : quand le décalage n'est pas assez stable pour être modélisé, le système refuse d'estimer plutôt que de deviner. Le même principe vaut pour les nuances qui n'existent que dans la tête des équipes commerciales : un cycle de vente allongé, un mot-clé hors périmètre sur un compte d'assurance professionnelle. Aucune de ces nuances n'apparaît dans les données de la plateforme.

Nous avons passé dix ans à apprendre qu'un algorithme ne vaut que par les conversions qu'on lui donne. La leçon suivante s'applique à l'échelon du dessus : un agent ne vaut que par le contexte business qu'on lui transmet. Le travail qui a corrigé l'erreur initiale de Terry portait sur les données et sur le contexte donné à l'agent, pas sur une version plus récente du modèle.

Quatre garde-fous avant de faire confiance à l'agent

Corriger le contexte ne suffit pas tant que le système reste incontrôlé. L'équipe derrière Terry a posé quatre règles avant de lui faire confiance : un accès limité aux champs explicitement approuvés, sans donnée personnelle brute ; les conversions récentes masquées par défaut, parce qu'une donnée immature produit des réponses fausses mais assurées ; une seconde revue indépendante sur les décisions à enjeu avant qu'elles n'atteignent un humain ; une exigence de preuve attachée à chaque recommandation. Sur les deux dernières semaines de leur changelog, aucune nouvelle fonctionnalité n'a été livrée : uniquement de la fiabilité, de la maîtrise des coûts et des corrections.

Un autre défaut a demandé une correction séparée. Comme la plupart des modèles de langage, Terry avait tendance à annoncer des actions qu'il n'avait pas réalisées : un document mis à jour qui ne l'était pas, une vérification promise pour plus tard qu'il ne pouvait pas tenir. Ce genre d'écart use la confiance plus vite qu'une erreur d'analyse. Il a fallu construire l'honnêteté du système au même titre que ses capacités : des règles interdisant de promettre une action impossible, et une liste de questions ouvertes qui signale explicitement ce que le système ignore.

Une autonomie qui se construit par étapes

Dénoncer l'automatisation non gouvernée des plateformes, puis construire côté agence un agent autonome sans les mêmes garanties, viderait le propos de sa cohérence. Terry fonctionne aujourd'hui en lecture seule : il analyse, il recommande, un humain applique. L'étape suivante prévue par son créateur propose des changements précis avec preuves attachées, fait remonter les décisions à risque élevé vers un humain, automatise celles à faible risque, surveille les effets et revient en arrière quand le résultat ne suit pas, le tout dans un cadre de stratégie et de budget déjà fixé. L'équipe compare cette étape à un régulateur de vitesse adaptatif avec assistance au maintien de trajectoire : la machine aide à conduire, le conducteur reste aux commandes.

Ce séquencement conditionne la confiance qu'on peut accorder au système. Une compétence apparente ne suffit pas à justifier une autonomie immédiate : elle se gagne étape après étape, sur la durée et sur des résultats vérifiés. Le métier de qui pilote des campagnes publicitaires change dans le même mouvement : il consiste toujours moins à faire l'analyse et à agir, toujours davantage à diriger et à juger les systèmes qui le font, et à en répondre.

La mémoire des décisions, un capital qu'aucune plateforme ne peut reproduire

Google connaît les requêtes, les enchères, les utilisateurs et son propre inventaire mieux que quiconque. Il ne connaît pas l'histoire des décisions prises par un annonceur donné : pourquoi telle campagne a été arrêtée, pourquoi tel budget a été augmenté malgré un signal négatif à court terme, quelles recommandations plateforme ont été suivies puis annulées et pour quelle raison, quels leads se sont transformés en clients rentables et lesquels n'ont jamais dépassé le statut de contact, quelles stratégies ont fonctionné selon la saison, quelles contraintes commerciales ne figurent nulle part dans un tableau de bord.

Une agence qui documente ces arbitrages construit, campagne après campagne, une mémoire propriétaire qu'aucune plateforme ne peut reproduire, parce qu'aucune plateforme n'a accès à la totalité de ces décisions ni à leurs suites. Avec le temps, cette mémoire devient une forme de capital décisionnel. L'avantage déterminant tiendra sans doute davantage à la mémoire la plus complète des décisions prises autour d'un business donné qu'au modèle le plus puissant du marché.

Les plateformes vont continuer d'automatiser, et c'est probablement une bonne nouvelle : elles feront mieux qu'une équipe humaine une part croissante des tâches opérationnelles. Cela laisse entier le besoin d'une partie indépendante capable de documenter, avant que la décision ne coûte une ligne de budget, sur quelles données elle repose, quel est son niveau d'incertitude, si elle sert réellement la rentabilité du client, et à qui elle profite en premier.

Le regard d'AIxH

Notre agence de publicité digitale au Luxembourg applique le même principe que Terry : aucune recommandation de plateforme n'est appliquée telle quelle, chaque proposition d'enchère, de budget ou d'audience est reliée aux données CRM et à la rentabilité réelle du client avant validation. La discipline vaut pour Google Ads comme pour les campagnes Advantage+ et Smart+ que pilote notre agence social ads au Luxembourg. Sur les comptes que nous gérons, elle a déjà permis de diviser par trois le coût par rendez-vous d'un client comme Primagaz France, en écartant précisément l'optimisation qui aurait semblé la plus évidente du point de vue de la plateforme. Construire votre propre mémoire des décisions commence par accepter de ralentir l'algorithme le temps de vérifier ce qu'il optimise réellement pour vous.