Les agents IA sont des systèmes basés sur des modèles de langage capables de planifier une tâche, d’utiliser des outils comme une API ou un navigateur, de vérifier le résultat et de continuer jusqu’à ce que le travail soit terminé. Contrairement à un chatbot, qui ne fait que répondre, un agent agit. Pour les marques e-commerce, les utilisations pratiques aujourd’hui se situent dans les opérations : corriger les flux de produits, gérer le support de routine, préparer des rapports et surveiller les stocks et les prix, toujours avec des limites sur ce que l’agent peut modifier.
En quoi un agent IA est-il différent d’un chatbot ?
Un chatbot reçoit une question et renvoie du texte. Un agent reçoit un objectif, le divise en étapes, appelle des outils pour collecter des données ou effectuer des changements, et décide de ce qu’il faut faire ensuite en fonction de ce qu’il a trouvé. Les outils sont ce qui le rend utile : une recherche de commande, une API produit, un tableur, un expéditeur d’e-mails.
Les agents peuvent être construits avec des frameworks tels que le SDK OpenAI Agents, LangGraph, CrewAI ou l’utilisation d’outils et le protocole de contexte de modèle d’Anthropic, ou configurés sans code sur des plateformes comme Zapier, Make ou n8n qui incluent désormais des étapes IA. Shopify, Salesforce et HubSpot proposent tous leurs propres fonctionnalités d’agent au sein de leurs produits.
Les agents de navigateur, comme le mode agent d’OpenAI dans ChatGPT, peuvent cliquer sur des sites web comme une personne. Ils sont impressionnants dans les démonstrations mais plus lents et moins fiables que les agents qui appellent directement les API.
Quelles tâches e-commerce conviennent aux agents aujourd’hui ?
Les meilleures tâches sont fréquentes, basées sur des règles et faciles à vérifier. Un bon test : pourriez-vous écrire les étapes pour un nouveau stagiaire ? Si oui, un agent peut probablement les suivre avec supervision.
- Hygiène du flux de produits : trouvez les articles rejetés dans Google Merchant Center, lisez la raison et rédigez des corrections.
- Support sur le statut des commandes : recherchez une commande, vérifiez le statut du transporteur et répondez avec le lien de suivi.
- Reporting hebdomadaire : extrayez des données de Shopify, GA4 et des plateformes publicitaires et rédigez un résumé avec les anomalies signalées.
- Surveillance des prix des concurrents : vérifiez une liste de pages de concurrents et enregistrez les changements de prix.
- Tri des avis : triez les nouveaux avis par problème et rédigez des réponses pour approbation.
- Alertes de stock : remarquez les stocks faibles sur les articles avec des publicités actives et suggérez de les suspendre.
À quoi ressemble un agent bien conçu ?
Un agent utile a un travail restreint, une courte liste d’outils et des règles claires sur ce qui nécessite une approbation. Plus le travail est large, plus il y a de façons dont cela peut mal tourner.
Accès en lecture versus accès en écriture
Commencez avec des agents qui ne font que lire et rédiger. Un agent qui lit les erreurs du Merchant Center et propose des corrections dans une feuille est à faible risque. Un agent qui modifie directement les données produit nécessite des approbations, des journaux et un moyen d’annuler les changements.
Points d’approbation humaine
Les remboursements, les changements de prix, les changements de budget publicitaire et tout message à un client concernant l’argent doivent attendre l’approbation d’une personne. La plupart des plateformes d’agents prennent en charge une étape d’approbation ; utilisez-la.
Journaux
Chaque appel d’outil et chaque décision doivent être consignés avec l’heure, l’entrée et la sortie. Lorsque quelque chose ne va pas, le journal vous indique si l’agent a mal lu les données, choisi le mauvais outil ou suivi une mauvaise instruction.
Quels sont les principaux risques ?
Les agents font des erreurs qui se cumulent. Une mauvaise lecture à l’étape deux conduit à une mauvaise action à l’étape cinq. Les modèles de langage peuvent également mal interpréter des instructions ambiguës ou inventer une valeur lorsque des données manquent.
L’injection de prompts est un risque spécifique pour les agents qui lisent du contenu externe. Un avis produit ou un e-mail de fournisseur pourrait contenir du texte caché disant à l’agent de faire autre chose. Gardez les agents qui lisent du contenu non fiable à l’écart des outils qui peuvent modifier l’argent, les prix ou les données clients.
- Utilisez les autorisations API les plus restreintes possibles.
- Définissez des limites de dépenses et de changements par exécution.
- Séparez les agents de lecture des agents d’action.
- Testez avec des données réelles et désordonnées, pas avec des échantillons propres.
- Examinez un échantillon d’exécutions chaque semaine.
Comment mesurer la valeur d’un agent ?
Mesurez la tâche, pas la technologie. Pour le support, suivez la résolution sans contact répété et la satisfaction client. Pour les corrections de flux, suivez le temps de résolution des désapprobations et le nombre de produits actifs. Pour le reporting, suivez les heures économisées et si les anomalies signalées étaient réelles.
Suivez également le coût de la supervision. Si une personne passe une heure par jour à vérifier un agent qui économise quatre-vingt-dix minutes, le gain est faible. Cela peut toujours en valoir la peine si l’agent détecte les problèmes plus tôt, mais vous devez connaître le chiffre réel.
Comment Alien Road applique les agents IA
Notre équipe marketing IA commence par cartographier les opérations hebdomadaires d’un client : qui fait quoi, dans quel outil, combien de temps cela prend. À partir de cette liste, nous choisissons une tâche fréquente, basée sur des règles et facile à vérifier, souvent les corrections de flux Merchant Center ou le résumé de performance hebdomadaire.
La première version lit les données et rédige des résultats pour qu’une personne les approuve. Elle fonctionne avec des clés en lecture seule dans la mesure du possible et consigne chaque étape. Ce n’est qu’après plusieurs semaines d’exécutions stables que nous discutons de lui donner un accès en écriture limité.
Le reporting montre les heures économisées, le taux d’erreur dans les exécutions examinées et le temps de supervision. Si l’agent n’économise pas de temps après la supervision, nous l’éteignons ou restreignons son travail.
Devriez-vous construire ou acheter ?
Achetez d’abord si votre plateforme propose déjà un agent pour la tâche. Sidekick de Shopify, les fonctionnalités IA de Klaviyo et les outils de support comme Gorgias ou Zendesk incluent une automatisation de type agent qui connaît déjà le modèle de données. Construisez lorsque la tâche traverse plusieurs outils qu’aucun fournisseur ne connecte, ou lorsque vous avez besoin de contrôle sur les prompts, les journaux et les limites.
Les plateformes sans code se situent entre les deux. Elles sont rapides à configurer et conviennent aux tâches internes, mais la logique complexe devient difficile à maintenir dans un éditeur visuel. Si un flux de travail dépasse une douzaine d’étapes, envisagez de le passer au code.
Quelle que soit la voie que vous choisissez, rédigez un brief d’agent d’une page avant de construire : l’objectif, les outils, les données qu’il peut lire, les actions qu’il peut entreprendre, les points d’approbation et la personne qui en est responsable. Cette page devient la référence lorsque quelqu’un demande plus tard pourquoi l’agent a fait quelque chose d’inattendu.
Par où commencer cette semaine
Ouvrez Google Merchant Center et exportez la liste des produits désapprouvés ou limités. Notez les étapes qu’une personne suit pour corriger les trois problèmes les plus courants. Ensuite, construisez un agent en lecture seule, dans un outil sans code ou un court script, qui lit l’exportation et rédige une correction pour chaque article dans un tableur. Examinez chaque ligne vous-même avant que quoi que ce soit ne retourne dans le flux.
Continuez à lire : Agence de marketing IA · Marketing IA