Après l’IA générative, qui rédige un texte ou crée une image à la demande, voici l’IA agentique : des systèmes capables de poursuivre un objectif, de décider des étapes et d’agir avec des outils. Le terme est partout, et pas toujours bien employé. Définition, fonctionnement, exemples d’entreprises et, surtout, ce que l’IA agentique change concrètement pour le marketing.
Une IA générative répond à une demande. Une IA agentique reçoit un objectif, construit un plan et l’exécute en utilisant des outils, en vérifiant ses résultats à chaque étape. En marketing, cela permet de passer d’un objectif (« relancer mes clients inactifs ») à une campagne complète, que l’équipe relit et valide avant l’envoi.
L’IA agentique, c’est quoi ?
L’IA agentique (en anglais agentic AI) désigne des systèmes d’intelligence artificielle capables d’agir de façon autonome pour atteindre un objectif. On parle d’agents IA : des programmes qui s’appuient sur un grand modèle de langage (le « cerveau »), mais qui ne se contentent pas de répondre. Ils décomposent une mission en étapes, choisissent les bons outils, exécutent les actions et corrigent leur trajectoire si le résultat n’est pas celui attendu.
Une image simple : l’IA générative est un excellent rédacteur à qui l’on passe commande, texte par texte. L’IA agentique ressemble davantage à un chef de projet à qui l’on confie un objectif et un cadre, et qui revient avec un travail terminé, prêt à être validé.
Le sujet n’a rien d’une mode passagère. Le cabinet Gartner estime que 33 % des logiciels d’entreprise intégreront de l’IA agentique d’ici 2028, contre moins de 1 % en 2024, et qu’au moins 15 % des décisions de travail quotidiennes seront alors prises de manière autonome par des agents.
IA générative, automatisation, IA agentique : les différences
Les trois notions se ressemblent et se combinent souvent. Elles ne font pourtant pas la même chose :
- L’automatisation classique exécute des règles fixées à l’avance : « si un client n’a pas acheté depuis 90 jours, envoyer tel email ». Elle est fiable, mais rigide. Elle ne sait pas faire face à une situation qui n’a pas été prévue.
- L’IA générative produit un contenu en réponse à une consigne : un objet d’email, un visuel, un résumé. Elle est créative, mais elle attend la consigne suivante. C’est l’humain qui enchaîne les étapes.
- L’IA agentique reçoit un objectif, raisonne sur les étapes à suivre, utilise des outils (bases de données, logiciels, canaux d’envoi) et ajuste son plan selon les résultats. Elle combine la souplesse de l’IA générative et la capacité d’action de l’automatisation.
Autrement dit, la question n’est plus « que peut-on demander à l’IA ? » mais « quelle mission peut-on lui confier, avec quel cadre et quels contrôles ? ».
Comment fonctionne un agent IA ?
Quelle que soit sa spécialité, un agent IA suit une boucle en cinq temps :
- Comprendre l’objectif : ce qui est attendu, les contraintes à respecter, le critère de réussite.
- Collecter le contexte : les données utiles, l’historique, les documents de référence.
- Planifier : découper la mission en tâches et décider de leur ordre.
- Agir avec des outils : interroger un logiciel, créer un document, préparer un envoi. C’est ce qui distingue un agent d’un simple assistant conversationnel.
- Vérifier et ajuster : contrôler le résultat, recommencer une étape si besoin, puis rendre compte.
Deux éléments font la différence entre un agent utile et un gadget. D’abord la mémoire : un agent qui connaît votre entreprise, vos clients et vos précédentes actions travaille bien mieux qu’un agent qui repart de zéro. Ensuite les garde-fous : les actions qu’il a le droit de mener seul, celles qui exigent une validation humaine, et celles qui lui sont interdites.
Des exemples d’IA agentique dans les entreprises
L’IA agentique est déjà à l’œuvre dans des métiers très différents. Quelques exemples parlants :
Klarna : le service client
La fintech suédoise a déployé début 2024 un assistant IA chargé de traiter les demandes de ses clients : remboursements, retours, questions de paiement. Selon l’entreprise, il a mené 2,3 millions de conversations dès son premier mois, soit deux tiers des échanges du service client, avec un temps de résolution passé de 11 à moins de 2 minutes. Klarna a depuis rappelé l’importance de laisser à ses clients la possibilité de parler à un conseiller humain : un bon résumé de l’équilibre à trouver.
GitHub : le développement logiciel
Avec son agent de code Copilot, GitHub permet de confier une tâche de développement à un agent : il lit le ticket, explore le code, écrit la modification, lance les tests et soumet son travail. Le développeur garde la main : il relit et décide d’intégrer, ou non, la proposition.
Stripe et OpenAI : le commerce agentique
En septembre 2025, OpenAI a lancé l’achat direct dans ChatGPT, avec Stripe pour le paiement et un protocole ouvert, l’Agentic Commerce Protocol. Un consommateur peut demander à l’assistant de trouver un produit et de l’acheter, sans quitter la conversation. Les premiers vendeurs concernés étaient des boutiques américaines d’Etsy.
ServiceNow et Mistral AI : les agents au cœur des entreprises
ServiceNow propose des agents IA qui prennent en charge des demandes informatiques et RH, du diagnostic jusqu’à la résolution. En France, Mistral AI met à disposition des entreprises les briques pour construire leurs propres agents sur ses modèles.
Le point commun de ces exemples : un périmètre clair, des outils bien identifiés et un humain qui reste responsable du résultat.
Le marketing agentique : quand l’IA mène la campagne
Le marketing agentique applique ce principe aux campagnes. Au lieu de produire un texte ou un visuel isolé, l’agent IA prend en charge l’ensemble de la chaîne : de l’objectif jusqu’à la campagne prête à diffuser, puis à l’analyse de ses résultats.
C’est un changement de taille pour les équipes. Aujourd’hui, une campagne mobilise souvent plusieurs outils et plusieurs personnes : un export du CRM, un tableur pour la segmentation, un outil d’emailing, un autre pour les SMS, un graphiste, puis un reporting assemblé à la main. Avec un agent, le point de départ devient simplement l’objectif.
Une campagne en six étapes, menée par un agent
- L’objectif : « Relancer les clients qui n’ont pas fait l’entretien de leur véhicule depuis plus d’un an. »
- L’analyse des données : l’agent repère les clients concernés, leur historique et leurs consentements.
- La segmentation : il distingue par exemple les clients fidèles qui s’éloignent et ceux qui risquent d’être perdus, grâce à un scoring de type RFM (récence, fréquence, montant).
- La création : il rédige les messages pour chaque segment et chaque canal (email, SMS, RCS, message vocal, landing page), dans le ton et la charte de la marque.
- La planification : il propose un calendrier d’envoi et des relances, en respectant la pression marketing de chaque client.
- La mesure : après l’envoi, il suit les résultats et propose des ajustements pour la vague suivante.
À chaque étape clé, l’équipe marketing relit, ajuste et valide. L’agent fait gagner un temps considérable sur la préparation ; la décision d’envoyer reste humaine.
Ce que l’agent fait, ce que l’équipe décide
- L’agent analyse, segmente, rédige, décline, planifie et mesure. Il propose plusieurs options quand c’est utile.
- L’équipe fixe l’objectif et le budget, choisit le message et l’offre, valide la cible et donne le feu vert à l’envoi.
Des usages concrets pour les réseaux et les points de vente
Le marketing agentique prend tout son sens quand les campagnes doivent être nombreuses, régulières et adaptées localement :
- Réactiver les clients inactifs d’un magasin, d’un salon ou d’une concession, avec un message adapté à leur historique.
- Décliner une campagne nationale dans chaque point de vente d’un réseau, avec ses horaires, son adresse, son équipe et ses offres locales.
- Anticiper les moments clés : fin de contrat, entretien à prévoir, renouvellement, anniversaire d’achat.
- Lancer un événement (portes ouvertes, soirée clients, déstockage) sur plusieurs canaux en quelques minutes.
- Qualifier les réponses grâce à un échange conversationnel, puis transmettre les contacts intéressés à l’équipe commerciale.
Pour un point de vente sans service marketing, c’est la possibilité de mener des campagnes de qualité sans y passer ses soirées. Pour une tête de réseau, c’est l’assurance que chaque point de vente communique, dans un cadre de marque commun.
Quand le client aussi a son agent
Le commerce agentique change aussi la façon dont les clients cherchent et achètent. Si un consommateur demande à son assistant IA de lui trouver « un garage ouvert samedi près de chez moi » ou « une paire de chaussures de running en promotion », c’est l’agent qui compare et recommande. Pour être choisies, les entreprises devront fournir des informations fiables et à jour : horaires, offres, avis clients, fiches produits. Soigner ces données devient un enjeu marketing à part entière.
Les garde-fous indispensables
- Le consentement et le RGPD : un agent ne doit contacter que les personnes qui l’ont accepté, sur les canaux autorisés, et respecter les demandes de désinscription.
- La pression marketing : plafonner le nombre de messages par client, tous canaux confondus.
- La marque : un ton, une charte et des mentions obligatoires que l’agent applique systématiquement.
- La validation humaine avant tout envoi, et la traçabilité de ce que l’agent a fait et pourquoi.
- La qualité des données : un agent qui travaille sur une base incomplète ou périmée produira des campagnes à son image.
Les limites à connaître
L’enthousiasme autour de l’IA agentique ne doit pas masquer ses limites. Gartner prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, en raison de coûts mal anticipés, d’une valeur métier floue ou de risques mal maîtrisés. Le cabinet dénonce aussi l’agent washing : de nombreux outils sont rebaptisés « agents » sans en avoir les capacités. Sur plusieurs milliers d’acteurs qui se revendiquent de l’IA agentique, Gartner n’en jugeait qu’environ 130 véritablement concernés.
Avant de choisir une solution, quelques questions simples permettent de faire le tri :
- L’outil agit-il vraiment, ou se contente-t-il de suggérer du texte ?
- Sur quelles données s’appuie-t-il, et où sont-elles hébergées ?
- Quelles actions peut-il mener seul, et lesquelles exigent une validation ?
- Comment mesure-t-on ce qu’il rapporte, en temps gagné comme en chiffre d’affaires ?
- Est-il conçu pour votre métier, ou faut-il tout lui expliquer ?
Par où commencer ?
- Choisir un cas d’usage précis et récurrent, par exemple la réactivation des clients inactifs.
- Rassembler les données utiles : base clients, historique d’achats, consentements.
- Fixer le cadre : ton de marque, canaux autorisés, pression marketing, circuit de validation.
- Mesurer avant et après : temps de préparation, taux de réponse, ventes générées.
- Étendre progressivement à d’autres campagnes une fois le premier cas maîtrisé.
C’est l’approche de Lexxy, agent IA de campagnes marketing conçu pour les réseaux et les points de vente. Vous décrivez votre objectif ; Lexxy analyse vos données clients, construit les segments et prépare une campagne multicanale prête à être relue, ajustée et diffusée. Découvrez son fonctionnement sur la page Plateforme et ses usages pour les réseaux sur la page Réseaux.
Sources
Études
Klarna
- Klarna, bilan du premier mois de son assistant IA (février 2024)
- Entrepreneur, Klarna recrute des conseillers humains pour son service client (mai 2025)
GitHub
Stripe et OpenAI
- OpenAI, Instant Checkout et Agentic Commerce Protocol (septembre 2025)
- Stripe, paiement des achats dans ChatGPT (septembre 2025)
ServiceNow
- ServiceNow, qu’est-ce que l’IA agentique ?
- ServiceNow, annonce de ses nouveaux agents IA (janvier 2025)
Mistral AI
