Jusqu’à présent, nous avons appris à utiliser l’intelligence artificielle principalement comme un interlocuteur. Nous lui posons une question et recevons en retour un texte, une analyse, une image, un résumé ou un morceau de code. La valeur réside dans la qualité de la réponse, bien que l’interaction se termine souvent là.
Avec l’IA agentique, cette limite commence à se déplacer. L’intelligence artificielle peut comprendre un objectif, identifier les étapes requises, utiliser les outils disponibles et préparer l’action suivante. Elle peut interroger un système, récupérer et comparer des informations, valider une configuration, créer un brouillon et le soumettre à l’utilisateur pour approbation.
Cela introduit un système d’IA capable de participer aux processus et de soutenir leur exécution.
Le changement est particulièrement pertinent en marketing et en gestion des données, où le principal défi est rarement un manque d’informations. Plus souvent, il s’agit de tout ce qui est nécessaire pour rendre ces informations utilisables. Les équipes doivent comprendre les structures des ensembles de données, naviguer entre les outils, coordonner différentes compétences et traduire l’analyse en activité concrète.
L’IA agentique peut raccourcir cette distance et créer un chemin plus direct entre l’intention et l’action. Pour apporter une valeur significative, elle doit cependant comprendre son contexte opérationnel, s’intégrer aux données et plateformes métier, et agir dans des limites claires, vérifiables et contrôlées.
Au-delà du chatbot : une nouvelle couche d’interaction avec les plateformes
Un assistant génératif traditionnel reçoit une entrée et produit une sortie basée sur le contexte disponible. Un système agentique peut décomposer un objectif en une séquence d’opérations, sélectionner les outils les plus appropriés, appeler des API ou des fonctions de plateforme, et coordonner un flux de travail en plusieurs étapes.
La différence concerne également la capacité du système à interagir avec son environnement d’exploitation. Un agent peut interroger des bases de données, lire des métadonnées, effectuer des vérifications, utiliser des outils spécialisés, maintenir le contexte à travers différentes étapes et renvoyer un résultat opérationnel en plus des informations fournies.
Imaginez, par exemple, qu’un responsable marketing souhaite identifier les clients ayant effectué au moins un achat au cours des 30 derniers jours, vérifier combien d’entre eux ont une adresse e-mail valide et créer une audience pour une campagne.
Un processus traditionnel peut exiger des équipes de :
- identifier les tables et relations correctes ;
- vérifier la qualité, l’exhaustivité et le format des champs ;
- définir la logique de segmentation ;
- exécuter une requête ou configurer des filtres ;
- calculer la taille potentielle de l’audience ;
- sélectionner la destination ;
- configurer et démarrer la synchronisation.
Avec une interface agentique, le même objectif peut être exprimé en langage naturel. L’agent interprète l’intention, identifie les sources pertinentes, appelle les outils requis, vérifie la disponibilité et la qualité des données, construit la logique d’audience et calcule un aperçu.
Avant d’effectuer une opération qui modifie le système, il peut présenter la configuration proposée, les paramètres utilisés et l’action qu’il a l’intention d’exécuter. L’utilisateur peut alors approuver, modifier ou rejeter l’étape proposée.
La valeur s’étend au-delà de la réduction du temps opérationnel. Elle modifie le niveau d’abstraction par lequel les personnes accèdent aux capacités d’une plateforme. Les utilisateurs n’ont pas nécessairement besoin de connaître la syntaxe d’une requête, la structure complète d’un schéma de données ou la séquence technique des opérations. Ils peuvent exprimer le résultat qu’ils souhaitent obtenir, tandis que l’agent traduit cette intention en appels d’outils et en configurations vérifiables.
L’interaction conversationnelle devient donc une couche d’orchestration connectant les utilisateurs, les données et les capacités de la plateforme. Elle complète l’interface traditionnelle en offrant un accès plus direct, guidé et transparent aux processus opérationnels.
La vraie valeur réside dans le contexte opérationnel
Pour apporter une valeur significative dans un environnement professionnel, un agent a besoin de plus que la connaissance générale d’un modèle linguistique. Il doit opérer dans un contexte d’application précis et comprendre quelles données sont disponibles, comment elles sont organisées, quelles relations existent entre les tables et les profils, quels outils il peut utiliser, quels modèles sont actifs et quelles autorisations l’utilisateur détient.
Ce contexte implique plus que la fourniture d’une plus grande quantité d’informations. Il inclut les métadonnées, les schémas, les règles métier, les configurations, les autorisations et l’état actuel des ressources. Ces éléments permettent à l’agent de traduire une requête générale en une séquence d’opérations compatibles avec l’environnement réel.
Sans accès à ce contexte, l’IA peut suggérer une méthode ou décrire une procédure, bien qu’elle puisse être incapable de vérifier si les données requises existent, si un champ est approprié, si une connexion est active ou si l’utilisateur est autorisé à effectuer une action spécifique.
L’IA agentique repose donc sur la capacité à connecter un modèle linguistique à des outils opérationnels via des interfaces structurées. L’agent doit découvrir les fonctions disponibles, comprendre leurs paramètres et contraintes, les appeler au bon moment et utiliser le résultat de chaque opération pour déterminer l’étape suivante.
Dans cette architecture, le modèle linguistique interprète l’intention et orchestre le processus, tandis que les outils spécialisés, les API et les services gèrent l’exécution. Le protocole de contexte de modèle (Model Context Protocol), par exemple, définit une norme ouverte par laquelle un assistant IA peut accéder de manière contrôlée aux données, ressources et fonctions exposées par des systèmes externes.
Cette intégration répond à l’une des principales limitations affectant l’adoption de l’IA dans les processus métier, la séparation entre l’environnement où une requête prend naissance et le système où elle doit être exécutée. Lorsqu’un assistant ne peut pas accéder aux outils utilisés par l’équipe, l’utilisateur doit récupérer manuellement les informations, les copier dans la conversation, interpréter la réponse et recréer l’opération dans une autre application.
Un système agentique intégré peut réduire ces étapes. Il peut fonctionner directement au sein de la plateforme ou rendre certaines capacités de la plateforme disponibles via des assistants IA déjà adoptés par l’organisation. Cela crée un flux de travail plus continu dans lequel les données, le raisonnement et les opérations font partie du même processus, tandis que les rôles, les autorisations et les niveaux d’accès restent distincts.
Des capacités opérationnelles accrues tout en gardant le jugement humain au centre
L’idée d’un système capable d’agir attire souvent l’attention sur son degré d’autonomie. Dans un environnement professionnel, une question plus utile concerne les activités qui devraient être attribuées à l’agent, dans quelles limites et sous quel niveau de supervision.
L’agent traduit l’objectif de l’utilisateur en opérations techniques. Il identifie les sources pertinentes, sélectionne les outils, vérifie les prérequis et prépare l’action. L’évaluation stratégique reste du ressort de la personne qui comprend le contexte métier et peut déterminer si le résultat proposé est cohérent, utile et approprié.
Une audience peut être formellement correcte tout en étant mal adaptée à la campagne. Un modèle peut utiliser des champs valides avec une pertinence limitée par rapport à l’objectif. Une synchronisation peut être techniquement réalisable tout en restant incohérente avec la gouvernance interne.
L’intervention humaine fait donc partie intégrante d’une architecture agentique. Les activités de lecture, d’exploration et de prévisualisation peuvent souvent être automatisées, tandis que les opérations d’écriture, d’activation et de suppression nécessitent une autorisation, une confirmation explicite et une traçabilité.
Dans un modèle « human-in-the-loop », l’agent réduit la complexité technique et prépare l’action. L’utilisateur évalue sa pertinence et décide de poursuivre ou non. Pour soutenir une décision éclairée, le système doit rendre transparentes les données consultées, les outils utilisés, les paramètres sélectionnés et les modifications proposées.
L’IA agentique dans la plateforme de prédiction Bytek
Les nouvelles capacités de la plateforme de prédiction Bytek évoluent dans cette direction, rendant le flux de travail complet des données plus accessible. Cela englobe la configuration des sources de données, le développement de modèles prédictifs, l’analyse et l’activation. L’objectif va au-delà de l’introduction d’une interface conversationnelle et concerne la manière dont les utilisateurs interagissent avec les capacités opérationnelles de la plateforme.
Data Source Manager : configurer les données via un processus guidé
La première étape consiste à connecter et à configurer correctement les sources de données qui alimenteront la plateforme.
Data Source Manager guide les utilisateurs à travers l’intégration des ensembles de données. Il analyse automatiquement les tables et les champs, leur permet de sélectionner les informations à inclure, prend en charge la configuration des identifiants et permet une révision de la structure globale avant l’activation.
Pour les utilisateurs de BPP, cela offre un moyen plus rapide de comprendre quelles données sont disponibles et comment la plateforme les interprétera. Les utilisateurs peuvent décider quelles tables inclure, améliorer les noms et descriptions de champs, associer correctement des identifiants tels que des adresses e-mail ou des identifiants client, et vérifier comment ces identifiants contribueront à la réconciliation des profils.
Le processus guidé réduit la probabilité que des erreurs de configuration initiales affectent les activités ultérieures. Une définition d’identifiant incomplète, un champ peu clair ou une table mal sélectionnée peuvent compromettre les audiences, les signaux et les modèles. Data Source Manager rend ces étapes plus visibles et plus faciles à contrôler avant l’activation de la plateforme.
La valeur s’étend également à la collaboration entre les équipes. Les équipes d’infrastructure conservent le contrôle de la configuration technique, tandis que les équipes marketing, d’analyse et de données accèdent à une représentation plus claire et plus cohérente des données qu’elles utiliseront. L’intégration peut donc devenir le point de départ d’un processus opérationnel plus fiable, étroitement lié au reste de la plateforme.
AI Model Copilot : transformer les données en prédictions opérationnelles
Une fois les données configurées, les utilisateurs peuvent les appliquer à des modèles prédictifs liés à des objectifs métier concrets.
AI Model Copilot guide la configuration, l’entraînement et le déploiement de modèles tels que la propension, le churn, la valeur vie client prédictive, le clustering RFM et la classification des intérêts. Les utilisateurs peuvent commencer par le résultat qu’ils souhaitent obtenir et identifier le modèle le plus approprié, réduisant ainsi la nécessité de traduire indépendamment une exigence métier en une configuration technique.
Une équipe marketing peut l’utiliser pour créer un modèle qui estime la probabilité d’achat, identifie les clients à risque de désabonnement, prédit la valeur future du client ou segmente la base de clients en fonction de la récence, de la fréquence et de la valeur monétaire. Les résultats peuvent ensuite soutenir la création d’audiences, la définition de signaux envoyés aux plateformes publicitaires ou la personnalisation des activités de rétention.
Le Copilot prend en charge la sélection des tables, des variables, des plages de temps et des paramètres d’entraînement, ce qui facilite la compréhension de la relation entre les données d’entrée et les résultats attendus. Le modèle est initialement enregistré comme brouillon, permettant à l’utilisateur de revoir la configuration avant de l’activer et de générer des prédictions.
Cette approche peut rapprocher la modélisation prédictive des équipes qui comprennent le problème métier mais ne gèrent pas directement chaque étape technique du processus. L’expertise en science des données reste centrale pour les projets plus complexes, tandis que les activités récurrentes peuvent être gérées par un processus guidé, plus rapide et plus structuré.
AI Copilot : accéder aux capacités de BPP via le langage naturel
AI Copilot est l’assistant conversationnel intégré à la plateforme. Il permet aux utilisateurs d’explorer leur espace de travail et d’effectuer des activités opérationnelles en décrivant directement ce qu’ils veulent savoir ou réaliser.
Grâce à une requête en langage naturel, les utilisateurs peuvent vérifier quelles tables et quels champs sont disponibles, évaluer la qualité d’un champ de données, examiner le nombre de profils réconciliés dans le graphe d’identité, voir quels modèles sont actifs ou vérifier les destinations vers lesquelles une audience est synchronisée.
Le Copilot peut également prendre en charge la création et la gestion d’audiences et de signaux. Un utilisateur peut lui demander de créer un segment de clients ayant acheté au cours des 30 derniers jours, de calculer sa taille avant de l’enregistrer, ou de cloner une audience existante avec des conditions différentes.
Cela peut réduire le temps nécessaire pour identifier les fonctions correctes, configurer les filtres ou naviguer entre les différentes sections de la plateforme. L’utilisateur peut se concentrer sur l’objectif opérationnel tandis que le Copilot identifie les outils requis et organise les étapes.
Les opérations de lecture sont effectuées immédiatement. Lorsqu’une activité implique un changement, le Copilot affiche une carte montrant l’action proposée, les paramètres sélectionnés et l’effet attendu. L’utilisateur peut l’approuver ou la rejeter, tandis que les audiences, les signaux et les autres entités sont initialement créés comme brouillons.
Les utilisateurs peuvent ainsi acquérir une plus grande autonomie dans l’exploration et l’activation des données tout en conservant une visibilité sur les informations consultées par le système et un contrôle sur les opérations qui modifient l’espace de travail.
Bytek MCP : utiliser BPP via les assistants IA déjà adoptés par l’organisation
AI Copilot offre des capacités agentiques au sein de la plateforme. Bytek MCP rend certaines capacités disponibles via des assistants externes compatibles avec le protocole de contexte de modèle (Model Context Protocol), y compris Claude et ChatGPT.
Pour les utilisateurs, cela signifie pouvoir accéder à BPP tout en continuant à travailler dans leur environnement actuel. À partir d’un assistant IA externe, ils peuvent consulter les données, les audiences, les signaux, les connexions et les modèles, exécuter des requêtes en lecture seule contrôlées et préparer de nouveaux brouillons pour une révision ultérieure au sein de la plateforme.
Un utilisateur analysant une stratégie de campagne dans Claude ou ChatGPT peut, par exemple, vérifier si une audience spécifique existe déjà, vérifier quelles données sont disponibles pour la construire, ou préparer un nouveau brouillon sans copier manuellement des informations entre différents systèmes.
Cela réduit le changement de contexte et intègre BPP dans les flux de travail IA déjà utilisés par l’organisation. Les capacités de la plateforme peuvent être accessibles depuis l’environnement où l’équipe travaille déjà, plutôt que de rester liées à une seule interface.
L’accès reste personnel et limité. Chaque identifiant est associé à un utilisateur et un espace de travail spécifiques et n’accorde que les opérations autorisées. Les assistants externes peuvent lire des informations et créer des brouillons, tandis que l’activation et les modifications plus sensibles restent au sein de BPP.
Cela offre aux utilisateurs une plus grande continuité entre les données, l’analyse et les opérations tout en maintenant la séparation des environnements, un accès sécurisé et une supervision des actions.
De l’interaction à l’orchestration
L’IA agentique introduit une manière d’accéder aux plateformes où les utilisateurs peuvent commencer par l’objectif plutôt que par la séquence technique requise pour l’atteindre. L’agent interprète la requête, identifie les données et les outils pertinents, coordonne les étapes et renvoie une proposition opérationnelle vérifiable.
Cela peut également affecter la relation entre l’expertise spécialisée et l’utilisation quotidienne de la technologie. La connaissance technique reste fondamentale pour concevoir les infrastructures, les modèles, les autorisations et les règles de gouvernance. En même temps, davantage de personnes peuvent accéder à ces capacités sans avoir besoin d’une connaissance détaillée des requêtes, des schémas et des configurations.
L’efficacité de ce modèle dépend de la qualité de son intégration avec le contexte opérationnel. Un agent peut apporter de la valeur lorsqu’il comprend les données disponibles, reconnaît les limites de l’espace de travail, utilise les outils autorisés et rend visibles ses opérations proposées. Sans ces éléments, l’interaction peut rester déconnectée des processus réels.
L’évolution des interfaces peut donc impliquer leur transformation progressive. Les tableaux de bord, les filtres et les configurations peuvent continuer à offrir contrôle et détail, tandis que la couche agentique coordonne les activités distribuées entre les données, les modèles et les destinations.
Dans les plateformes de données et de marketing, une grande partie de la valeur réside dans la création d’une plus grande continuité entre l’analyse et l’activation. Cela implique de comprendre quelles informations sont disponibles, de les transformer en segments ou en prédictions, et de les utiliser dans les canaux opérationnels par un processus plus direct.
