Celeste Custom Agents : l'analyste le plus productif de votre équipe ne quitte jamais son poste

La plupart des produits d'IA utilisés dans le domaine du marketing reposent sur le même modèle d'interaction. On pose une question et on agit en fonction de la réponse obtenue. Ce cycle présente un réel intérêt, mais il a aussi ses limites.

Ce plafond se manifeste dans les tâches qui s'effectuent selon un calendrier précis : bilans hebdomadaires d'avancement, synthèses de performances multicanaux, analyses des attributs créatifs qui doivent être réalisées chaque lundi avant que quiconque puisse prendre une décision budgétaire. Il ne s'agit pas de questions ponctuelles, mais de processus récurrents, et chaque semaine, un membre de votre équipe doit les relancer à partir de zéro.

L'aide est réactive. L'autonomie ne l'est pas.

Lorsque nous avons développé Celeste, nous avons commencé par la couche conversationnelle, car c’est là que résidait la valeur la plus immédiate. Les responsables marketing pouvaient poser des questions en langage courant, obtenir des réponses fondées sur les données réelles de leurs campagnes et agir plus rapidement que ne le permettait n’importe quel processus de reporting. C’est exactement ce que font aujourd’hui plus de 1 500 utilisateurs répartis dans plus de 200 organisations, générant ainsi des dizaines de milliers d’interactions chaque mois.

Mais les équipes qui tiraient le meilleur parti de Celeste nous ont révélé autre chose : elles utilisaient sans cesse les mêmes consignes, selon le même calendrier, semaine après semaine. Le problème ne venait pas de la consigne, mais de la répétition.

Les agents personnalisés règlent ce problème. Un agent est un analyste Celeste que vous configurez une seule fois. Vous définissez son domaine d'intervention, rédigez ses instructions et lui attribuez un calendrier ; à partir de là, il fonctionne de manière autonome. Personne n'a besoin de penser à le lancer, et l'analyse arrive dans votre boîte de réception selon la fréquence que vous avez choisie.

Imaginez une équipe qui effectue chaque semaine des analyses d'avancement sur cinq éditeurs. Au lieu de demander chaque lundi à Celeste de leur fournir un résumé, elle met en place un agent d'analyse d'avancement et le programme pour qu'il s'exécute le dimanche soir. Le rapport est prêt avant même le début de la semaine, toujours dans le même format, et l'analyste, qui passait auparavant une heure à l'élaborer, récupère ainsi cette heure.

Qu'est-ce qui rend ces agents fiables ?

De nombreux outils permettent de générer un rapport. Le plus difficile est de produire un rapport auquel on ferait suffisamment confiance pour le partager avec un client ou pour agir sur la base de celui-ci sans avoir à le vérifier. 

Cette fiabilité dépend de trois facteurs :

1. Base de données

Celeste est le seul agent d'IA à opérer au sein d'une plateforme qui regroupe en un seul endroit les données relatives au retail media, au référencement payant, aux publicités payantes sur les réseaux sociaux et aux applications. Ainsi, les agents ne travaillent pas à partir d'un aperçu cloisonné des performances, mais s'appuient sur la même vue cross-canal que celle utilisée par votre équipe. Environ 68 % des utilisateurs de Celeste gèrent au moins trois éditeurs, et les agents ont une vue d'ensemble de l'ensemble de ces données.

2. Explicabilité

Chaque réponse de Celeste, y compris celles générées par un agent, comprend une « analyse détaillée de la réponse » : un historique complet expliquant comment l’agent est parvenu à sa conclusion, quelles données il a exploitées, quels critères il a privilégiés et d’où provient cette information. Il ne s’agit pas d’une fonctionnalité destinée aux sceptiques. C’est ce qui rend le résultat exploitable lors d’une réunion avec un client ou d’un entretien avec la direction.

3. Contexte

Les agents fonctionnent selon les instructions, les données d'entrée et les paramètres de planification que vous définissez. C'est vous qui déterminez leurs priorités, choisissez le format de sortie et décidez s'ils s'exécutent selon un calendrier ou attendent un déclencheur. L'agent s'exécute systématiquement dans le respect de ces paramètres, ce qui garantit une cohérence suffisante des résultats pour pouvoir leur confier des tâches.

C'est grâce à ce niveau de fiabilité que les équipes peuvent réellement cesser de faire le travail elles-mêmes, et ne pas se contenter d'utiliser les résultats. Il s'agit là d'une norme différente de celle pour laquelle la plupart des outils d'IA sont conçus.

Qui peut en construire un ?

Nous avons pris une décision délibérée concernant la bibliothèque de modèles : ceux qui doivent pouvoir créer des agents ne sont pas ceux qui maîtrisent l'ingénierie des prompts. Ce sont ceux qui maîtrisent les flux de travail.

Les modèles d’agents prédéfinis sont conçus par des experts des médias et couvrent les schémas d’analyse récurrents que la plupart des équipes effectuent chaque semaine ; ainsi, un nouvel utilisateur de Celeste peut déployer un agent opérationnel à partir d’un modèle en quelques minutes. Un utilisateur expérimenté peut transformer n’importe quel script qu’il a déjà rédigé en agent en quelques clics. Aucune de ces deux méthodes ne nécessite de configuration approfondie, et les deux permettent de créer des agents s’appuyant sur la même base de données unifiée.

C'est surtout dans les agences que j'ai pu constater ce problème. Le frein ne réside pas dans la volonté d'utiliser l'IA. Il s'agit plutôt de l'écart entre ce qu'un outil est capable de faire et ce qu'une équipe peut réellement mettre en place ; la bibliothèque de modèles a justement pour but de réduire considérablement cet écart.

Une agence qui utilise les mêmes processus de reporting pour 20 comptes clients n'a pas besoin de 20 scripts différents. Elle crée un modèle unique pour les agents, le déploie à grande échelle, et l'analyse s'exécute de manière cohérente sur tous les comptes, selon la fréquence qu'elle a définie.

Ce que les agents peuvent et ne peuvent pas faire aujourd'hui

Les agents personnalisés sont conçus pour l'analyse et le suivi. Cela inclut des résumés hebdomadaires sur l'évolution des performances de l'ensemble des éditeurs, fournis avant le début de la semaine, la détection des variations de performance et le signalement des anomalies selon un calendrier défini, des rapports multicanaux dans un format harmonisé, des informations sur l'audience pour les campagnes hors site, ainsi que l'analyse des performances des créations à l'aide d'attributs marqués par l'IA et liés aux résultats.

Ce que les agents ne peuvent pas encore faire, c’est intervenir sur les enchères, les budgets ou les campagnes. L’optimisation autonome figure dans la feuille de route pour 2026, tandis que la couche d’analyse et de suivi — celle qui mobilise le plus de temps dans la plupart des équipes — est déjà opérationnelle aujourd’hui. Nous avons conçu les agents pour qu’ils effectuent de manière fiable les tâches dont ils sont capables, avant d’étendre leurs capacités d’action autonome. Les équipes qui mettent en place dès maintenant les workflows des agents seront les mieux placées lorsque la couche d’action sera mise en place.

Le contexte général

Lors du Skai 2026, nous avons décrit l'évolution que nous observons dans le domaine des médias commerciaux comme une transition vers un nouveau modèle opérationnel. 

Selon Gil Sadeh, président de Skai, « une nouvelle structure organisationnelle hybride, dans laquelle des personnes dirigent des agents intelligents. Le reporting, l'optimisation et l'analyse s'effectuent en continu, au cœur même du flux de travail. » 

Les « Custom Agents » incarnent aujourd’hui ce modèle pour les utilisateurs de Celeste ; ils constituent également le fondement des prochaines évolutions de Skai , où les équipes orchestreront une équipe marketing entièrement basée sur l’IA, chargée de mettre en œuvre la stratégie de bout en bout.

Les équipes avec lesquelles j’ai échangé et qui sont les plus avancées dans cette transition partagent une caractéristique spécifique. Ce ne sont pas celles qui ont adopté l’IA de la manière la plus agressive. Ce sont celles qui ont défini avec le plus de précision quelles parties de leurs flux de travail devaient rester entre les mains de l’humain et lesquelles devaient être automatisées. C’est cette précision qui distingue une automatisation utile du simple bruit de fond. Les agents ne modifient pas les décisions discrétionnaires que votre équipe doit prendre. Ils modifient le temps dont vous disposez pour les prendre correctement.

Vous êtes déjà Skai ? Contactez votre équipe d'accompagnement pour commencer à utiliser Custom Agents. Vous découvrez Skai? Prenez rendez-vous pour une démonstration.

---

Questions fréquemment posées