OODA : le cœur des agents IA adaptatifs pour les campagnes publicitaires
La gestion de campagnes consiste moins à exécuter des tâches isolées qu’à piloter un environnement complexe et changeant. L’automatisation à base de règles couvre les cas connus ; les agents adaptatifs visent à prendre en charge une plus grande part du reste. La boucle OODA offre une structure concrète pour les concevoir, à condition que leurs limites et leurs points de validation soient explicites.
Par EpicflarePublié le Mis à jour le 6 min de lecture
1. Observer
Collecter les données de performance et le contexte : objectifs, plans, set-up, conversions, signaux tiers.
2. S’orienter
Transformer les observations en hypothèses à tester sur ce qui fonctionne et pourquoi.
3. Décider
Choisir un plan avec des sous-objectifs, des critères de réussite et les limites de ce qui peut s’exécuter sans supervision.
4. Agir
Appliquer la modification via les API des plateformes, la vérifier, puis mesurer le résultat métier.
Validation humaine au-delà des limites convenues
La gestion de campagnes publicitaires demande des agents IA qui ne se contentent pas d’exécuter des instructions prédéfinies, mais qui raisonnent, planifient et s’adaptent au sein d’un système complexe. La boucle OODA offre une structure utile pour ces agents : observer, s’orienter, décider et agir (Observe, Orient, Decide, Act). Conçue à l’origine comme un modèle de prise de décision militaire, elle se transpose bien au cycle de gestion des campagnes : chaque action produit de nouvelles données pour l’observation suivante.
La boucle OODA appliquée au cycle de vie d’une campagne
1. Observer : intégrer le contexte de la campagne
La phase Observer d’un agent publicitaire va au-delà des données de performance de la campagne. Via des API ou des serveurs MCP, il rassemble le contexte nécessaire pour interpréter ces données :
- Objectifs de campagne : des objectifs comme la notoriété de la marque, les conversions ou la valeur vie client (LTV).
- Planning : l’audience planning, avec des segments de données, et le media planning, avec le ciblage de l’inventaire et des whitelists.
- Paramètres d’exécution : enchères ouvertes (open auction), Deal IDs, seuils de prix d’enchère et paramètres d’optimisation des enchères.
- Données de conversion : volumes d’événements, déduplication et dynamique du tunnel de conversion.
- Signaux complémentaires : données et indicateurs tiers comme la visibilité (viewability), le trafic invalide (IVT), l’activation du son et l’encombrement publicitaire (ad clutter).
- Set-up de la campagne : répartition des line items, créations par line item, formats et variantes de création.
Le résultat est une vue structurée et régulièrement mise à jour de la campagne et de son contexte. Sa qualité dépend de la fraîcheur, de la couverture et de la cohérence des sources : les lacunes doivent être signalées, et non comblées par des suppositions.
2. S’orienter : des données brutes aux hypothèses de travail
C’est à cette étape que les observations deviennent des informations exploitables. L’agent repère des tendances et des anomalies, et formule des hypothèses sur leurs causes.
Une corrélation n’est pas une cause. Si un groupe d’audience convertit mieux avec une création donnée, la diffusion, la saisonnalité, des changements de budget ou les paramètres d’attribution peuvent produire le même effet. Les explications de l’agent sont des hypothèses à tester, par exemple avec une modification contrôlée ou un groupe témoin, avant qu’elles n’orientent des décisions à grande échelle.
Exemple : audience planning
L’agent compare la performance de la campagne selon les groupes d’audience et leurs créations, pour indiquer ce qui fonctionne bien et ce qui sous-performe. Lorsqu’un écart apparaît, il identifie les facteurs qui pourraient l’expliquer et propose un test pour les départager. La même approche s’applique à la stratégie créative, aux prix d’enchère, à la gestion des marges, au rythme de diffusion et au capping.
3. Décider : s’engager sur un plan d’action
Fort de ce contexte, l’agent évalue les actions possibles et arrête un plan. Dans un système complexe, des actions isolées peuvent avoir des conséquences inattendues : la décision doit donc tenir compte des interactions entre les éléments de la campagne.
Le plan décompose un objectif global en sous-objectifs, chacun assorti d’un critère de réussite qui indique s’il a été atteint. Il s’appuie sur la boîte à outils de l’agent, c’est-à-dire l’ensemble des capacités qu’il peut utiliser, et précise les actions qu’il peut mener seul et celles qui nécessitent une validation.
Exemple : media planning et enchères
Plutôt que de simplement augmenter une enchère, l’agent vérifie si la nouvelle enchère préserve une marge acceptable, si elle maintient le CPA de la campagne dans l’objectif et si elle risque de provoquer un pic de diffusion qui consommerait le budget trop vite. Il vérifie aussi les contraintes de capping et de pacing, qui peuvent être revues au passage.
4. Agir : exécuter et reboucler
La phase Agir traduit la décision en modification sur la plateforme, via son API ou un serveur MCP. Le résultat de l’action devient une nouvelle information pour la boucle suivante :
- Succès : la modification est confirmée et remplit ses critères techniques ; le plan est mis à jour et l’agent passe à la tâche suivante.
- Reprise après échec : la modification ne remplit pas ses critères ; l’agent revient à la phase Décider, diagnostique l’échec et met à jour le plan.
- Réinitialisation complète : après des échecs répétés, l’agent revient aux phases Observer et S’orienter pour réévaluer la situation, ou fait remonter le cas à une personne.
Il faut distinguer deux types de succès. Une confirmation de l’API montre que la modification a été appliquée ; elle ne montre pas que la modification a atteint son objectif métier. Le résultat métier (CPA, diffusion, marge) est évalué plus tard, sur une période définie, au regard des critères fixés lors de la phase Décider.
Exemple : mise à jour d’un line item dans un DSP
L’agent définit les modifications nécessaires, comme une nouvelle enchère, un nouveau budget, de nouvelles créations ou de nouveaux critères de ciblage. Il prépare la requête API, vérifie dans la documentation les clés et les valeurs attendues, puis l’envoie au DSP. Le critère de réussite technique est la confirmation de l’API, suivie d’une relecture du line item pour contrôler les valeurs. Si l’API renvoie une erreur, l’agent consulte la documentation et renvoie une requête corrigée, dans la limite d’un nombre de tentatives défini, puis fait remonter le cas à une personne. L’effet des nouveaux paramètres sur les résultats est évalué séparément, une fois que suffisamment de données sont disponibles.
Limites et validations
Un agent adaptatif travaille dans des limites fixées par des personnes. Avant qu’il n’intervienne sur des campagnes en cours de diffusion, définissez ce qu’il peut modifier seul et les points où une personne doit valider l’action.
Validation humaine requise
- Hausses ou réallocations de budget au-delà d’un seuil convenu
- Enchères ou marges en dehors de la fourchette convenue
- Mise en ligne de nouveaux deals, de nouvelles audiences ou de nouvelles créations
- Mise en pause, arrêt ou restructuration d’une campagne
- Tout ce qui touche aux engagements contractuels, à la brand safety ou au reporting client
Possible dans les limites convenues
- Petits ajustements dans des fourchettes validées au préalable
- Modifications journalisées et faciles à annuler
- Analyses, alertes et recommandations
Des conditions d’arrêt mettent la boucle en pause et alertent une personne : échecs répétés, données manquantes ou incohérentes, ou résultats en dehors de la fourchette attendue. Chaque observation, décision et action est journalisée, afin qu’une personne puisse comprendre pourquoi l’agent a agi.
Conclusion
La boucle OODA est une façon concrète de structurer un agent adaptatif : elle rend chaque étape explicite, de la collecte des données à l’action et à son contrôle. Elle ne dispense pas d’objectifs clairs, de données fiables et d’une supervision humaine.
La qualité de chaque cycle dépend aussi des connaissances métier transmises à l’agent : le contexte, les règles et les objectifs avec lesquels il travaille.
Pour aller plus loin
IA agentique et achat média : le guide pour investir
Une grille de lecture pour évaluer l’architecture, l’interopérabilité, les coûts d’exploitation et le contrôle avant d’investir dans l’IA appliquée à l’achat média.
PDF · 27 pages · Gratuit · un court formulaire débloque toutes les ressources
À lire aussi
- L’IA dans les opérations publicitaires : de la demande à l’exécution contrôlée
Un workflow AdOps pour les demandes de deals, avec des règles métier explicites, une validation humaine et des critères concrets pour évaluer l’apport de l’IA.
- Intégrer l’expertise AdTech dans les workflows IA
Transformer la connaissance des plateformes, les règles métier et les playbooks opérationnels en exigences pour un workflow IA, puis tester la fiabilité de leur application.
- Agents IA ou workflows automatisés ? Choisir la bonne approche
Comparer agents IA et workflows automatisés selon les exigences de la tâche, le contrôle, l’évaluation et le coût d’exploitation, pour choisir un point de départ adapté.
- Construire un workflow IA : commencer petit, évaluer, étendre
Cadrer un workflow IA autour d’une tâche opérationnelle, définir des critères d’évaluation et n’ajouter de la complexité que lorsque les tests le justifient.