L’introduction du premier IAB Belgium Afterwork de 2026 a esquissé l’évolution de l’IA agentique dans la publicité digitale : des outils génératifs vers des agents autonomes qui redessinent à grande vitesse le secteur publicitaire. Les insights d’IAB Europe, les cas d’usage belges de BNP Paribas Fortis et Proximus, ainsi qu’un débat sur la régulation et la créativité ont permis aux professionnels du digital et de la tech présents de faire le point sur ces évolutions. Retour sur les 10 enseignements clés de la soirée par Bart Cattaert.
1. Considérez-les comme des « super stagiaires »
Les agents d’IA sont essentiellement des LLM auxquels on ajoute des couches supplémentaires : ils ne se contentent plus de répondre, ils peuvent aussi exécuter des actions dans des processus et des outils. Ils sont puissants, mais présentent encore des limites : contraintes de contexte, risque d’hallucination, manque d’explicabilité complète (observability) et vulnérabilité aux attaques par injection de prompt. Les marketers doivent donc les envisager comme des stagiaires « surhumains » souffrant d’un TDAH extrême : très performants, mais nécessitant encadrement et supervision, plutôt que comme des solutions autonomes et magiques.
2. Commencez par les tâches ennuyeuses et répétitives
Les annonceurs peuvent résoudre des problèmes très concrets grâce aux agents d’IA : répondre plus rapidement aux questions, rechercher dans des documents, visualiser des données, retrouver des ressources dans un DAM ou appliquer la charte de marque. Ces processus sont particulièrement adaptés aux agents : ils sont répétitifs, basés sur des règles et chronophages. La leçon pour les marketers est claire : identifiez les points de friction internes où beaucoup de temps est perdu et commencez par là vos expérimentations en matière d’IA agentique.
3. Construisez d’abord votre base de données et de processus
Les organisations disposant d’une architecture digitale solide et de données bien gérées profitent le plus de l’accélération de l’IA. À l’inverse, celles dont les processus sont mal structurés risquent de multiplier les erreurs et les risques via les agents, plutôt que d’en tirer de la valeur. L’investissement principal ne se situe pas dans la technologie, mais dans les personnes et l’adoption de nouveaux processus.
4. L’IA agentique implique aussi gouvernance et responsabilité
La question de la responsabilité est centrale. Qui est responsable si un agent d’IA prend une mauvaise décision ? Ou si des centaines d’agents sont actifs simultanément dans une organisation ? De nouveaux rôles liés aux « agent ops » devront émerger : gestion des permissions, authentification, accès aux bases de connaissances, supervision des agents d’IA. Sur le plan juridique, la responsabilité finale reste toujours celle de l’entreprise. La cartographie, la documentation et la supervision humaine ne sont donc pas des options, mais des obligations.
5. Définissez des lignes directrices internes
Il est recommandé de développer des lignes directrices internes autour de l’IA agentique : définir les objectifs, identifier les risques et les opportunités, et déterminer les méthodes pour limiter ou atténuer ces risques. Les marketers doivent faire des choix explicites et intentionnels en matière d’IA agentique et assumer la responsabilité des décisions prises par les agents d’IA.
6. L’agent d’IA comme brand assistant
Proximus a développé en interne un « brand assistant » en collaboration avec l’entreprise ADA. Celui-ci est alimenté par les logos, les visuels, l’architecture de marque, les éléments de la charte de marque, les newsletters et les campagnes historiques. Les collaborateurs peuvent soumettre des briefings, proposer des visuels, générer des textes en plusieurs langues et s’assurer que les ressources sont validées et conformes à la marque. Le projet a nécessité trois à six mois de déploiement, incluant le SSO et les processus internes. Il génère aujourd’hui un gain de temps significatif tout en renforçant la cohérence de la marque.
7. Des agents d’IA pour des tâches spécifiques
BNP Paribas Fortis utilise, en plus d’assistants d’IA généraux, des outils spécialisés pour des profils spécifiques : un assistant pour les développeurs IT, un autre pour les experts en investissement, etc. La banque privilégie pour cela des LLM open source (notamment via un partenariat avec Mistral) hébergés sur sa propre infrastructure. Elle peut ainsi entraîner les modèles avec sa documentation interne, ses produits et ses processus, sans partager de données bancaires sensibles avec des tiers.
8. L’IA agentique transforme la relation entre marques, agences et clients
À l’avenir, la rémunération des agences sera davantage basée sur la création de valeur que sur le nombre d’heures consacrées à un projet. Les clients arrivent de plus en plus souvent avec des ébauches générées par l’IA. La valeur ajoutée des agences se situera donc davantage dans la stratégie et l’émotionnel.
9. Concevez des « parcours agents » parallèles
Selon les membres du panel, les entreprises devront développer un parcours agent parallèle, en plus du parcours client classique. La logique est différente : les machines n’ont pas d’émotions, elles ont d’autres contraintes et prennent leurs décisions selon d’autres critères. Les marques devront rendre leur présence en ligne accessible aux agents, par exemple via LLMS.txt, des protocoles markdown et des directives claires sur la manière dont les agents peuvent utiliser l’information.
10. Testez de manière ciblée
Nous sommes encore dans une phase précoce d’adoption. Il s’agit souvent de projets pilotes sans business case solide. Il est donc essentiel de mettre en place un cadre d’évaluation, des budgets de test et une stratégie de déploiement progressive. Il faut également être attentif au phénomène du « AI snake oil » : des solutions présentées comme miraculeuses mais qui s’avèrent en réalité inefficaces, voire frauduleuses.
