Les AI Agents échouent en marketing principalement parce que les équipes leur donnent des objectifs vagues, trop d’outils et aucune étape de révision, et non parce que les modèles sont faibles. Un agent est un modèle de langage qui planifie des étapes et appelle des outils tels que la recherche, un CMS ou une API publicitaire par lui-même. Cette autonomie n’est utile que lorsque la tâche, les autorisations et les vérifications sont définies avant son exécution.
Vous trouverez ci-dessous les erreurs que nous constatons le plus souvent lorsque les entreprises essaient des agents pour la recherche, le reporting, les opérations de contenu ou la gestion de campagnes, et les contrôles qui les empêchent.
Qu’est-ce qui compte comme un AI Agent ?
Le terme est utilisé de manière vague. Un chatbot qui répond aux questions n’est pas vraiment un agent. Un agent reçoit un objectif, décide des actions à entreprendre, les exécute via des outils et vérifie les résultats, souvent en boucle. Des frameworks tels que l’OpenAI Agents SDK, l’utilisation d’outils d’Anthropic et le Model Context Protocol, LangGraph et CrewAI sont des moyens courants de les construire.
Les produits proposent également des fonctionnalités d’agent : agents de navigation qui cliquent sur des sites web, agents de codage qui modifient des fichiers, et fonctionnalités de plateforme au sein de Google Ads ou Meta qui ajustent les campagnes. Les erreurs ci-dessous s’appliquent à tous.
Erreur 1 : Un objectif que personne ne pourrait vérifier
“Améliorer notre SEO” n’est pas une tâche qu’un agent peut terminer. Il fera quelque chose, signalera un succès et vous laissera deviner. Les agents ont besoin d’un objectif avec un état final visible : “Trouvez toutes les pages produits avec des méta-descriptions manquantes et rédigez-en une pour chacune dans cette feuille.”
Les agences rédigent les tâches des agents comme elles rédigent des briefs pour un collègue junior : entrée, sortie, format, limites et quoi faire quand quelque chose n’est pas clair.
Erreur 2 : Donner un accès en écriture dès le premier jour
Un agent connecté à un compte publicitaire en direct avec l’autorisation de modifier les enchères peut dépenser de l’argent plus vite que quiconque ne le remarque. Un agent de contenu avec des droits de publication peut pousser des erreurs sur des centaines de pages.
- Démarrez chaque agent en mode lecture seule et examinez ses actions proposées
- Passez en mode brouillon : il peut créer des brouillons, des campagnes en état suspendu ou des pull requests
- N’accordez des modifications directes que pour les actions à faible risque avec une limite stricte (plafond budgétaire, nombre de pages)
- Tenez un journal de chaque appel d’outil avec les entrées et les sorties
Erreur 3 : Trop d’outils à la fois
Chaque outil qu’un agent peut appeler est une chance supplémentaire de choisir le mauvais. Un agent avec vingt outils passe des étapes à explorer et s’embrouille entre des fonctions similaires. Donnez-lui les trois ou quatre outils dont la tâche a besoin, avec des noms et des descriptions clairs.
Pourquoi les agents inventent-ils des choses au milieu d’une tâche ?
Les tâches longues accumulent les erreurs. Si l’étape trois renvoie un résultat vide et que l’agent suppose des données au lieu de s’arrêter, chaque étape ultérieure se construit sur cette supposition. Le rapport final semble convaincant mais est faux.
La solution est de rendre l’échec explicite. Dites à l’agent de s’arrêter et de signaler lorsqu’un outil ne renvoie aucune donnée, et concevez des outils qui renvoient des messages d’erreur clairs au lieu de chaînes vides. Demandez des sources : chaque chiffre dans un rapport doit pointer vers la requête ou la page d’où il provient.
Erreur 4 : Aucune évaluation avant la mise à l’échelle
Une démo qui a fonctionné une fois n’est pas une preuve. Avant qu’un agent ne s’exécute sur un compte ou un site complet, testez-le sur un échantillon avec des réponses correctes connues. Pour un agent de reporting, comparez ses chiffres avec une extraction manuelle pour dix comptes. Pour un agent d’audit de contenu, vérifiez ses conclusions par rapport à un ensemble de pages que quelqu’un a révisé.
Erreur 5 : Ignorer le coût et le temps
Les agents effectuent de nombreux appels de modèle par tâche, et les longs contextes sont facturés à chaque étape. Une tâche qui coûte peu sur une page de test peut devenir coûteuse sur des milliers. Mesurez les jetons par tâche terminée pendant les tests et définissez un budget par exécution dans le code.
Erreur 6 : Injection de prompt depuis le web
Un agent de navigation lit des pages web, et les pages web peuvent contenir du texte écrit pour le manipuler, comme des instructions cachées pour envoyer des données ailleurs. Tout agent qui lit du contenu non fiable et possède également des outils qui envoient des données ou effectuent des modifications a besoin d’une séparation : traitez le texte de la page comme des données, jamais comme des instructions, et exigez une approbation pour toute action sortante.
Quelles tâches conviennent aux agents aujourd’hui ?
Les agents fonctionnent bien sur des tâches répétitives, ayant une sortie vérifiable et tolérant une boucle de brouillon et de révision :
- Audits SEO techniques qui listent les problèmes avec les URL de page
- Extraire les chiffres hebdomadaires de plusieurs plateformes dans un brouillon de rapport
- Surveillance des pages concurrentes avec des résumés de changements
- Rédaction en masse de métadonnées pour approbation humaine
- Vérification des pages de destination pour les liens brisés, les balises manquantes ou les actifs lents
Un test utile est la réversibilité. Si une sortie erronée peut être détectée lors de la révision et jetée sans coût, un agent est un bon choix. Si une action erronée atteint les clients ou dépense du budget avant que quiconque ne le voie, gardez une personne dans la boucle ou gardez l’agent à l’écart.
Ils sont plus faibles en stratégie, sur les jugements qui dépendent d’un contexte extérieur aux données, et sur tout ce où une action erronée est difficile à annuler.
Comment Alien Road applique les AI Agents
Dans une mission typique, notre équipe commence par un inventaire des tâches répétitives que le personnel marketing du client effectue déjà chaque semaine, avec le temps que chacune prend. Nous choisissons une tâche avec une sortie claire et construisons un agent pour celle-ci en mode lecture seule ou brouillon, avec journalisation dès la première exécution.
Les tests s’exécutent sur un échantillon où nous connaissons déjà le résultat correct, et nous mesurons la précision, le temps économisé et le coût par exécution. Ce n’est qu’après que l’agent égale le travail manuel sur cet échantillon qu’il passe à la portée complète, toujours avec une personne approuvant les changements.
Le reporting mensuel montre les heures que l’agent a remplacées, les erreurs détectées lors de la révision et le coût d’exécution, afin que le client puisse décider de l’étendre à la tâche suivante ou de l’arrêter.
Erreur 7 : Personne ne possède l’agent
Les agents dérivent. Une plateforme change un champ d’API, un site web change sa mise en page, une mise à jour de modèle change la façon dont les instructions sont lues. Sans un propriétaire qui examine les journaux et les sorties chaque semaine, un agent peut produire des résultats erronés pendant un mois avant que quelqu’un ne le remarque. Assignez une personne nommée, de la même manière que vous le feriez pour un rapport planifié ou une automatisation dans Zapier.
Par où commencer cette semaine
Notez une tâche récurrente qui prend à quelqu’un de votre équipe au moins deux heures par semaine et produit un document ou une feuille de calcul. Définissez la sortie exacte, listez les outils nécessaires pour la produire, et exécutez un agent dessus en mode lecture seule pendant un cycle. Comparez son résultat ligne par ligne avec la version humaine avant de décider quoi que ce soit d’autre.
Continuer la lecture : Agence de Marketing AI · Marketing AI