L’IA dans les opérations publicitaires : de la demande à l’exécution contrôlée

Trois couches d’IA dans les opérations publicitaires

Dans la publicité digitale, l’IA s’est développée en trois couches : le machine learning prédictif, l’IA générative et, plus récemment, les agents IA. Chaque couche apporte des capacités, et chacune a des limites qui conditionnent la façon de l’utiliser dans les opérations.

Le machine learning prédictif : l’optimiseur fondamental

Depuis des années, le ML prédictif est le moteur invisible de l’efficacité du marketing digital. Sa fonction première est la prédiction et la prise de décision propres à une tâche.

• Ce que c’est : cette couche regroupe les algorithmes, de la régression logistique aux réseaux de neurones complexes, qui alimentent les systèmes d’enchères en temps réel, prévoient les résultats des campagnes et optimisent la diffusion média.
• Comment cela fonctionne : les modèles de ML sont entraînés sur des données historiques pour repérer des régularités et prédire des résultats futurs. En pratique, il s’agit par exemple d’estimer l’enchère pour une impression publicitaire ou de prévoir le taux de clic d’une création donnée.
• Sa limite : l’intelligence du ML prédictif est profonde mais étroite. Il est performant dans son périmètre défini, mais ne peut pas en sortir. Il peut optimiser une variable, mais pas remettre en question la stratégie qui la sous-tend ni exécuter des tâches dans des logiciels connexes.

L’IA générative : le multiplicateur de contenu

La large diffusion des grands modèles de langage (LLM) a marqué le deuxième grand tournant, en faisant passer l’IA de l’analyse pure à la création. Sa fonction est de comprendre des instructions complexes pour produire du contenu nouveau.

• Ce que c’est : les modèles d’IA générative traitent le langage humain dans toutes ses nuances et génèrent à la demande du texte, des images et des brouillons structurés.
• Comment cela fonctionne : avec un prompt détaillé, un opérateur peut demander au modèle de rédiger des textes publicitaires, d’écrire le script d’une vidéo ou d’esquisser une stratégie de mise sur le marché. Cela peut nourrir l’idéation créative et stratégique ; le résultat doit néanmoins être relu.
• Sa limite : l’IA générative est fondamentalement un outil réactif. Elle agit à partir d’un prompt, mais ne peut pas agir sur ce qu’elle produit. Une personne doit faire le lien entre la génération et la mise en œuvre, en transférant manuellement le contenu ou la stratégie créés dans les systèmes opérationnels concernés.

Les agents IA : planification et utilisation d’outils

Les agents IA combinent les capacités des couches précédentes avec la capacité d’agir. Un agent est orienté vers un objectif plutôt qu’utilisé pour une seule étape, et il peut enchaîner plusieurs actions dans la limite des permissions qui lui sont accordées.

• Ce que c’est : un agent IA est un système capable de percevoir son environnement, de raisonner, d’élaborer un plan en plusieurs étapes et de l’exécuter dans différentes applications pour atteindre un objectif.
• Comment cela fonctionne : les agents fonctionnent en boucle continue :
  1. Observer : collecter des données à partir de sources comme les tableaux de bord de performance, les boîtes de réception ou les alertes d’API.
  2. S’orienter : analyser les nouvelles informations au regard de l’objectif.
  3. Décider : élaborer ou mettre à jour un plan, en décomposant l’objectif en une suite de tâches exécutables.
  4. Agir : exécuter les tâches en interagissant avec d’autres logiciels via des API, et adapter le plan en fonction des retours.
• Ce que cela change : un agent peut relier l’interprétation et l’exécution d’un système à l’autre. Pour la même raison, ses permissions, ses points de validation et ses conditions d’arrêt doivent être définis explicitement.

Choisir une architecture

Un workflow AdOps peut s’appuyer sur un seul modèle, sur plusieurs composants spécialisés ou sur aucun agent. Choisissez l’architecture la plus simple qui répond aux exigences. N’ajoutez des agents distincts que lorsque l’évaluation montre un bénéfice qui justifie la coordination et la maintenance supplémentaires.

L’exemple ci-dessous applique ce principe à une tâche courante chez les éditeurs : la gestion des demandes de deals directs envoyées par les agences.

Workflow illustratif : traiter les demandes de deals

L’exemple suivant découpe le processus en cinq fonctions. Elles n’ont pas toutes besoin d’être mises en œuvre comme des agents indépendants.

Dans cette conception, l’IA aide à interpréter les demandes et à proposer des paramètres, tandis que les règles tarifaires, les données d’inventaire et les engagements existants restent explicites. Rien n’est mis en ligne sans validation, et le suivi fait remonter les problèmes qu’il n’est pas autorisé à résoudre.

Validation et mesure

Avant que le workflow ne traite des demandes réelles, testez-le sur des demandes passées représentatives et comparez ses résultats avec ce que l’équipe aurait fait. Consignez chaque action et chaque validation afin de pouvoir retracer les erreurs. La valeur du workflow peut ensuite être évaluée sur quatre points :

La place de l’humain

Un workflow de ce type transforme le travail de l’équipe des opérations plutôt qu’il ne le supprime. Les personnes définissent et maintiennent les règles métier, valident les actions qui ont un impact commercial, traitent les exceptions et examinent dans la durée les performances du workflow.