« Développer ou acheter ? » La vraie question est de savoir comment mieux développer grâce à l'IA agentique

Les agents d'IA ont considérablement réduit le coût de développement des logiciels. Des processus qui prenaient autrefois des mois peuvent désormais être mis en place en quelques jours. Il n'est donc pas étonnant que les équipes développent davantage en interne qu'auparavant.

Le développement de technologies médiatiques destinées au commerce devient de plus en plus accessible. La question n’est plus de savoir si les équipes sont capables de développer ces technologies. Il s’agit désormais de déterminer ce qu’elles devraient développer elles-mêmes, quelles bases sont nécessaires pour cela et ce qu’elles sont prêtes à prendre en charge à long terme.

Mais si les agents permettent effectivement de produire rapidement du code fonctionnel, ils ne fournissent pas automatiquement tous les éléments nécessaires pour que ce code puisse fonctionner pendant des années sans tomber en panne. La gestion des données, la coordination des flux de travail, les tests, l’observabilité, la vérification humaine et le soutien opérationnel doivent tous être soigneusement pris en compte. 

C'est là que de nombreuses équipes se rendent compte qu'elles ont simplement remplacé une dépense par plusieurs autres : une base de données, une plateforme de déploiement d'agents, des dépenses liées aux jetons, ainsi qu'un processus impliquant une intervention humaine pour garantir la sécurité de l'ensemble.

Voici huit éléments à prendre en compte pour vous assurer de mettre en place les meilleures solutions possibles, et dans quels domaines un partenaire comme Skai vous aider :

Huit points à prendre en compte avant de développer des agents IA

1. Privilégiez la cohérence plutôt que le simple volume de travail

Les agents sont non déterministes (une même instruction ne produira pas toujours le même résultat) ; la cohérence n’est donc pas garantie. Si vous exécutez deux fois la même tâche, vous pouvez obtenir des structures, des formats ou des interprétations différents. Imaginez un agent chargé de générer votre résumé hebdomadaire des performances de campagne : une semaine, il intitule un indicateur « taux de conversion », la semaine suivante « CVR », et quelques semaines plus tard, le calcul sous-jacent a lui aussi changé. Aucune erreur n’est signalée. Le tableau de bord perd simplement le sens qu’il avait auparavant.

Demandez à vos développeurs : comment garantissons-nous la cohérence du schéma et de la logique à chaque exécution, et comment pourrions-nous même nous en rendre compte si cette cohérence venait à faire défaut ?

2. Prévoir ce qui se passe lorsque deux agents touchent le même objet

Assurer le bon fonctionnement des agents en production est un problème en soi, et la plupart des outils ne sont pas encore tout à fait à la hauteur. Les agents sont efficaces pour générer du code ; s'assurer que plusieurs exécutions n'entrent pas en conflit, ne perdent pas le fil de ce qu'elles font ou ne se gênent pas mutuellement est la partie la plus difficile, et rien de tout cela ne se fait automatiquement. Imaginez deux agents ajustant simultanément le rythme de dépense d’une même campagne, sans aucune coordination entre eux. L’un écrase les modifications de l’autre, et personne ne s’en rend compte avant que la campagne ne soit déjà en ligne et que les chiffres ne concordent plus.

Demandez à vos développeurs : que se passe-t-il lorsque deux processus d'agent accèdent simultanément aux mêmes données, et un workflow qui a échoué peut-il reprendre là où il s'était arrêté ?

3. Prévoir ce qui se passera lorsque le volume de données sera réel

Les modèles fonctionnent dans des fenêtres de contexte délimitées. Face à un volume réel de données, les agents ont donc besoin d’une infrastructure de données fiable et d’outils permettant d’interroger, d’agréger et de valider les informations, plutôt que de tenter de raisonner directement sur l’ensemble du jeu de données.

Un agent chargé de rapprocher les dépenses multicanal d’un trimestre complet a besoin que cette infrastructure lui fournisse d’emblée les bons totaux. Sans cela, quelqu’un finit par regrouper manuellement les données via l’agent. Il est facile de commettre une erreur subtile dans ce processus. Il suffit d’oublier un lot ou d’en compter un deux fois pour que le chiffre de ROAS présenté à la direction soit tout simplement erroné, sans qu’aucun indicateur du système ne le signale.

Demandez à vos développeurs : le volume réel de données est-il interrogé et agrégé via une infrastructure dédiée, ou l'agent tente-t-il d'analyser directement l'ensemble de données brutes ? Et quel est l'impact en termes de latence et de jetons à mesure que le volume augmente ?

4. Considérer la vérification de l'exactitude comme un axe de travail à part entière

Les résultats sont probabilistes ; ils doivent donc être vérifiés, et non pris pour acquis. Cela implique des contrôles automatisés, des tests et un historique des actions du système, chacun de ces éléments devant être développé et maintenu comme un projet à part entière. Un modèle d’attribution élaboré par un agent peut sembler convaincant lors d’une démonstration. En l’absence de contrôles, une erreur de calcul subtile dans la pondération des canaux peut orienter le budget dans la mauvaise direction pendant tout un trimestre avant que quelqu’un ne s’en aperçoive lors de la prochaine réunion de revue trimestrielle (QBR). Gartner prévoit que plus de 40 % des projets d’IA agentique seront annulés d’ici 2027 en raison précisément de ce type de contrôle des risques insuffisant (Gartner, 2025).

Demandez à vos développeurs : quel est notre système pour détecter les résultats erronés avant qu'ils n'aboutissent à une décision réelle, et à qui incombe la responsabilité de le maintenir à jour ?

5. Prévoyez les tâches d'entretien peu glamour

Les identifiants de connexion et les jetons API expirent. Les outils que vous avez connectés modifient leur fonctionnement en arrière-plan. Les versions logicielles deviennent obsolètes. Les planificateurs nécessitent une surveillance constante. Multipliez cela par une douzaine de fournisseurs de technologies publicitaires connectés, et la consolidation de ces intégrations en un ensemble qu’une seule personne puisse réellement gérer devient un projet à part entière. 

Il faut également une équipe spécialement formée à cet effet : des personnes qui maîtrisent suffisamment à la fois la technologie des agents et l’aspect marketing pour assurer une surveillance et un soutien 24 heures sur 24, et non une tâche rajoutée au poste existant de quelqu’un. Rien de tout cela ne constitue la partie intéressante du développement, mais tout est indispensable pour maintenir le système en état de marche. Le jour où une plateforme publicitaire modifie sa méthode d’authentification, quelqu’un doit s’en apercevoir et corriger le problème, sinon les rapports automatisés cesseront de fonctionner en plein milieu d’une campagne, sans aucun avertissement.

Demandez à vos développeurs : qui sera chargé de cet entretien bien après le lancement, et quel est le plan prévu pour le moment où ce sujet ne sera plus au centre des préoccupations ?

6. Prévoyez une étape « terminé » pour continuer à avancer

Comme le comportement des agents est émergent (il est impossible de prédire entièrement à l’avance tout ce qu’ils feront), les nouveaux cas limites ont tendance à imposer une refonte plutôt qu’un simple correctif rapide, et corriger correctement un problème implique souvent de retraiter ce qui a déjà été exécuté. Un pipeline conçu pour des structures de campagne standard peut nécessiter une véritable refonte dès le lancement d’un nouveau canal ou d’un nouveau format publicitaire, et ce travail revient alors à celui qui l’a créé au départ.

Demandez à vos développeurs : lorsqu'un nouveau cas de bordure apparaît, sommes-nous en mesure d'y apporter un correctif, ou devons-nous repenser la conception, et avons-nous prévu le temps nécessaire pour cela ?

7. Prévoyez des coûts qui évoluent en fonction de l'utilisation, et non des fonctionnalités

Chaque exécution d'agent, nouvelle tentative, vérification réussie et nouveau traitement utilise des jetons. Une phase pilote peut sembler pratiquement gratuite. En revanche, une charge de travail en production fonctionnant en continu sur des données réelles engendre chaque jour des coûts réels, et ces coûts dépendent du volume, et non de la liste des fonctionnalités. Cela va à l'encontre du principe économique qui régit la plupart des logiciels : en effet, l'échelle de production fait généralement baisser le coût unitaire. 

Les coûts liés aux agents évoluent souvent en fonction de l’utilisation, des tentatives de réessai et des vérifications ; par conséquent, les chiffres économiques d’un projet pilote peuvent ne pas refléter ceux de la production. La fiabilité incite également les équipes à se tourner vers les modèles les plus performants, mais aussi les plus coûteux, car les modèles bon marché qui donnent l’impression d’un coût abordable lors d’une démonstration ne sont souvent pas assez fiables pour la production. Un outil de reporting léger qui ne coûte que quelques dollars par jour en phase de test peut devenir un poste de dépense véritablement imprévisible dès lors qu’il est déployé sur l’ensemble des comptes et des canaux. C’est là tout le calcul du retour sur investissement (ROI) d’une plateforme de retail media que de nombreux projets pilotes négligent jusqu’à ce que la facture arrive réellement.

Demandez à vos développeurs : avons-nous modélisé le coût par jeton en fonction du volume de production réel, en tenant compte du niveau de modèle et du nombre de tentatives nécessaires pour garantir la fiabilité ?

8. C'est la gouvernance qui assure la cohésion des sept autres éléments

La cohérence, l'exactitude et la coordination supposent toutes qu'une personne puisse observer les actions d'un agent et intervenir avant que celles-ci ne causent des dommages. Considérer la gouvernance comme une simple case à cocher passe à côté de l'essentiel : c'est la couche qui rend les sept autres responsables vis-à-vis de toute personne extérieure à la salle où l'agent a été créé.

En pratique, cela implique une étape de validation avant la mise en œuvre d’une modification budgétaire, un journal de toutes les actions effectuées par un agent et de leurs motivations, ainsi qu’un moyen de remonter, à partir d’une mauvaise recommandation, jusqu’aux données d’entrée qui l’ont provoquée. Si vous faites l’impasse sur cette étape, il deviendra impossible d’expliquer à un client ou à votre supérieur pourquoi les deux agents du point n° 2 ont écrasé mutuellement leur rythme budgétaire, sans parler de revenir en arrière. Si vous faites l’impasse sur cette étape, les contrôles de cohérence du point n° 4 n’auront nulle part où transmettre leurs résultats.

Demandez à vos développeurs : si un agent apporte une modification qui s'avère erronée, qui en est informé, quel est le journal des modifications et dans quel délai cette modification peut-elle être annulée ?

À retenir

Les agents d'IA permettent de réduire considérablement les coûts et d'accélérer considérablement la phase de développement initiale, ce qui explique précisément pourquoi cette opportunité est si intéressante. Ce que l'on oublie souvent, c'est que les contrôles de cohérence, la logique de coordination et les couches de vérification nécessaires pour garantir la fiabilité de ces systèmes doivent encore être développés, testés et maintenus.

Sans cette base, les équipes risquent de devoir consacrer les économies réalisées au début à la mise en place de l'infrastructure nécessaire pour s'assurer de la fiabilité des résultats, valider les décisions et garantir le bon fonctionnement des flux de travail à long terme. Cet effort détourne l'attention de l'innovation que ces développements étaient censés permettre.

Skai aujourd’hui de cette infrastructure, testée et maintenue par une équipe dont la mission est d’assurer le bon fonctionnement de ces systèmes. Développer avec Skai partir d’une base qui prend déjà en charge la complexité des flux de travail agentiques, ce qui permet aux équipes de se concentrer sur la création de nouvelles fonctionnalités plutôt que sur la refonte de l’infrastructure sous-jacente.

Questions à poser à vos entrepreneurs

Pour garantir le meilleur résultat possible, il est utile de poser directement ces questions à vos entrepreneurs :

• Cohérence. Comment garantissons-nous le respect d'un schéma fixe et d'une logique déterministe à chaque exécution d'un agent, et comment pourrions-nous détecter un éventuel écart par rapport à cela ?
• Coordination. Qu'est-ce qui empêche deux exécutions d'agents d'altérer les mêmes données, et que se passe-t-il lorsqu'un workflow long échoue à mi-parcours ?
• Évolutivité. Comment traiter l'intégralité du volume de données dans une fenêtre de contexte délimitée sans omettre de lignes, sans compter deux fois les mêmes données et sans faire exploser les coûts ?
• Exactitude. Quel est notre système pour vérifier que les résultats fournis par l'agent sont corrects, et qui est chargé de le maintenir ?
• Opérations. Qui assure le fonctionnement continu, à long terme, des identifiants, des connecteurs, des dépendances et des planificateurs ?
• Facilité de maintenance. Lorsqu'un cas limite nous oblige à repenser la conception et à tout refaire, disposons-nous des ressources nécessaires pour faire face à cela ?
• Coût. Avons-nous modélisé le coût mensuel réel des jetons au volume de production, en tenant compte du niveau de modèle et du nombre de tentatives nécessaires pour garantir la fiabilité ?
• Gouvernance. Qui valide une modification avant sa mise en production, et jusqu'à quand peut-on remonter dans le temps pour en retracer l'origine si un problème survient ?
• Propriété. Parmi ces éléments, lesquels souhaitons-nous que notre équipe développe et gère à long terme, et lesquels préférerions-nous intégrer à une infrastructure qui s’en charge déjà ?

Alors que Skai s'en charge Skai

La plupart des équipes ne peuvent pas répondre à ces questions avec une certitude absolue, car la résolution efficace de ces problèmes prend du temps, et ce temps est souvent dépensé deux fois : une première fois pour identifier ce qui manque, et une seconde fois pour y remédier. C'est précisément le travail que Skai déjà accompli.

Connectez Skai votre écosystème d'IA

Utilisez Skai Hub, ses outils et MCP pour permettre à vos agents d'accéder à des données médias de commerce unifié, à des fonctionnalités marketing éprouvées et à des flux de travail, sans avoir à gérer des centaines de connexions individuelles avec les éditeurs.

Créez votre système d'exploitation de marketing agentique dans Skai

Utilisez Studio pour créer, coordonner et gérer les agents, les compétences et les flux de travail en fonction de vos propres objectifs, règles et processus.

Construisez en vous appuyant sur Skai

Faites appel Skai pour bénéficier d'un accompagnement en matière de stratégie, d'architecture et d'assistance pratique afin de passer de la phase de hiérarchisation des priorités à celle de mise en production.

Chez Skai, la gouvernance est au cœur de toutes nos fonctionnalités. Chaque action effectuée via Skai enregistrée, traçable et soumise aux autorisations et aux règles que vous définissez, conformément aux principes évoqués ci-dessus : il ne s'agit pas d'un mode spécial que vous activez ultérieurement.

En fin de compte, l’objectif n’est pas d’éviter de développer. Il s’agit plutôt de permettre à vos développeurs de se concentrer sur les flux de travail, les objectifs et la logique métier qui font la spécificité de votre organisation, tout en s’appuyant sur une base éprouvée pour les données, les outils, la gouvernance et l’infrastructure opérationnelle indispensables à tout projet de développement. Développer avec Skai votre équipe consacre son temps aux flux de travail et à la logique propres à votre activité, plutôt que de repenser ce que Skai déjà mis au point.

Vous êtes déjà Skai ? Contactez votre équipe dédiée pour vous lancer.

Vous découvrez Skai? Prenez rendez-vous pour une démonstration.

---

Questions fréquemment posées