Le media buying natif IA : la fin des ad ops manuelles

Pour moi, l’un des signes les plus clairs qu’un workflow est cassé, c’est la douleur que tu ressens à y revenir après avoir travaillé un moment avec des agents.

C’est exactement ce que je ressens aujourd’hui face aux ad ops traditionnelles.

Une fois que des agents t’ont aidé à analyser tes concurrents, structurer tes campagnes, préparer la production créative et faire circuler proprement l’information entre les outils, ouvrir un Dashboard publicitaire surchargé donne l’impression de revenir en arrière. Pas parce que les Dashboards sont inutiles, mais parce qu’ils ont été conçus pour un opérateur humain qui clique dans un labyrinthe d’onglets, refait le même travail à la main et garde tout le système en tête.

Le vrai changement dans la croissance native IA, ce n’est pas « l’IA sait générer des visuels publicitaires ». Ça, c’est déjà en train de devenir une commodité. Ce qui est intéressant, c’est tout ce qui entoure l’image. L’avant. L’après. Le workflow.

Le vrai problème n’a jamais été uniquement la production créative

Beaucoup de gens parlent encore du media buying IA comme si le gain consistait à générer une variante de pub de plus dans ChatGPT ou Gemini.

Ce n’est pas là qu’est la vraie opportunité.

La vraie opportunité, c’est de transformer le media buying en système orchestré.

Avant de créer quoi que ce soit, il te faut un moyen de découvrir ce qui marche déjà. Ça veut dire repérer les pubs concurrentes à fort signal, enregistrer les bons swipe files et comprendre les schémas qui les sous-tendent, au lieu de collectionner de l’inspiration au hasard. Après avoir généré quelque chose, il te faut un moyen sûr de l’intégrer dans un pipeline de contenu, de le valider, de le publier et, plus tard, de réinjecter la performance dans la boucle.

C’est là que la plupart des équipes coincent encore. Outils isolés, captures d’écran éparpillées, idées à moitié documentées, et un processus de publication qui ne tient que grâce à la mémoire et aux onglets du navigateur.

Quand on me demande où se trouve la vraie valeur produit, ma réponse est de plus en plus simple : pas dans la génération brute, mais dans la compression du workflow.

La recherche devient plus utile quand des agents peuvent la piloter

La première brique d’un workflow publicitaire natif IA, c’est la recherche.

Pas une recherche passive. Une recherche opérationnelle.

Si un agent peut passer en revue les pubs concurrentes, identifier les accroches récurrentes, ranger les meilleurs exemples dans un swipe file et les structurer de façon réutilisable, toute la qualité du travail en aval change. Tu ne pars plus d’une page blanche. Tu ne comptes plus sur ta mémoire. Tu arrêtes de confondre « plus d’inspiration » et meilleur signal.

À ce stade, la recherche enregistrée devient de l’infrastructure.

C’est pour ça que je trouve des outils comme les MCP si intéressants dans ce domaine. Si un agent a accès à une interface propre pour la recherche, la publication ou la configuration de campagnes, il peut faire du vrai travail sans dépendre d’une automatisation de navigateur fragile. Ça compte énormément. L’automatisation de navigateur impressionne en démo, mais dès que la mise en page change, ton « automatisation » devient de la dette technique.

Les workflows pensés API d’abord sont beaucoup moins sexy en surface, mais bien plus durables en production.

Cette durabilité, c’est la différence entre une démo et un modèle opérationnel.

La stack gagnante ressemble plus à une CLI plus des Skills qu’à une app géante

Autre tendance que je vois sans arrêt : les produits natifs agents fonctionnent mieux quand ils commencent par une couche de commandes solide.

En pratique, ça veut souvent dire commencer par une CLI.

Pourquoi ? Parce qu’une CLI te donne une surface opérationnelle fiable. Elle est composable, scriptable et bien plus facile à brancher sur des agents qu’une interface purement visuelle. Ensuite, tu ajoutes des Skills légers par-dessus, au lieu d’essayer de caser tous les comportements dans une seule app monolithique.

C’est aussi comme ça que je pense de plus en plus la distribution des logiciels natifs IA. Le produit, ce n’est pas seulement l’interface. Le produit, c’est le chemin d’installation, la couche de synchronisation et la cohérence opérationnelle d’un environnement à l’autre.

Chez Notis, je suis obsédé par la réduction de cette friction. Si un utilisateur travaille avec Claude, Codex et Cursor, il ne devrait pas avoir à reconstruire la même configuration trois fois à la main. La CLI doit gérer l’installation. Le système doit synchroniser les Skills locaux vers le cloud. La plomberie doit disparaître.

Ça a l’air d’un détail produit, mais ça n’en est pas un. C’est la différence entre un outil qu’on essaie une fois et un outil qu’on intègre vraiment à son travail quotidien.

L’avenir de la distribution logicielle pour les agents ressemblera sans doute moins à « connecte-toi à ce Dashboard » et davantage à « installe une capacité, synchronise-la partout, laisse l’agent l’utiliser en toute sécurité ».

L’observabilité n’est pas optionnelle quand les agents touchent aux workflows de revenus

Une chose saute aux yeux dès que tu fais tourner de vrais workflows d’agents en production : le débogage devient vite étrange.

Quand un humain se trompe dans un Dashboard, tu peux en général retracer ses clics.

Quand un agent se trompe à travers plusieurs outils, l’erreur peut se nicher n’importe où : le prompt, l’appel d’outil, le contexte manquant, le format de réponse ou le passage de relais entre deux étapes. Sans observabilité, tu devines, ni plus ni moins.

C’est pour ça que je tiens autant au tracing.

En production, j’utilise Langfuse pour tracer les entrées, les sorties et les appels d’outils. Le support devient radicalement plus simple. Au lieu d’allers-retours flous pour reconstituer ce qui s’est passé, tu peux inspecter le flux réel. Tu vois quel outil a été appelé, quel contexte l’agent avait, où le raisonnement a déraillé et ce qu’il faut corriger.

Ça change ta façon de construire. Ça change aussi le niveau de confiance que tu peux avoir quand les agents commencent à toucher des workflows plus sensibles.

Beaucoup d’équipes voient encore l’observabilité comme un sujet pour plus tard. Je pense que c’est une erreur. Si un agent fait partie de ton moteur de revenus, le tracing n’est pas un bonus. C’est de l’hygiène opérationnelle.

Le cas d’usage le plus intéressant, c’est le système de croissance en boucle fermée

Le workflow qui me parle le plus n’est pas un moment de génération isolé. C’est une boucle.

Imagine la scène.

Un swipe file à fort signal est enregistré. Ça déclenche une automatisation récurrente. L’automatisation génère de nouvelles pistes créatives à partir des schémas enregistrés. Ces résultats sont consignés dans un pipeline de contenu. La validation a lieu avant toute publication. Une fois approuvés, les assets passent dans la gestion de campagnes, puis reviennent à terme dans l’analyse.

Là, tu n’es plus en train « d’utiliser l’IA pour faire des pubs ».

Tu construis un système de croissance où recherche, production, publication et apprentissage sont connectés.

C’est le message plus large auquel je reviens sans cesse : l’avenir du travail de croissance, ce n’est pas la génération de contenu IA en vase clos. C’est l’orchestration de bout en bout.

Et cette orchestration compte parce que le travail de croissance est plein de coûts de coordination cachés. Les gens perdent du temps entre les outils. Les idées meurent entre les réunions et l’exécution. Les pubs gagnantes sont repérées trop tard. La publication est retardée par de minuscules goulots d’étranglement opérationnels. L’analyse arrive trop tard pour améliorer le cycle suivant.

Un workflow natif agents comprime ces écarts.

Les ad ops manuelles ne disparaîtront pas, mais leur centre de gravité va bouger

Je ne pense pas que les humains vont disparaître du processus.

Je ne pense pas non plus que les équipes sérieuses devraient confier aveuglément leur media buying à des systèmes autonomes en croisant les doigts.

Mais je pense que le centre de gravité se déplace.

Les humains doivent définir les contraintes, valider la stratégie et prendre les décisions à fort effet de levier. Les agents doivent gérer la recherche répétitive, structurer les entrées, faire circuler l’information entre les systèmes et réduire la friction opérationnelle qui ralentit tout.

Cette répartition du travail a bien plus de sens que la situation actuelle, où des opérateurs talentueux passent un temps ridicule sur un travail procédural, éclaté entre plusieurs outils et franchement épuisant.

Les équipes qui gagneront ne seront pas celles qui ont le prompt de génération d’images le plus sophistiqué.

Ce seront celles qui conçoivent les systèmes les plus propres autour.

Ce que ça signifie pour les fondateurs qui construisent dans l’IA

Si tu construis pour des marketeurs, des media buyers ou des opérationnels, la leçon me semble simple.

Ne sois pas obsédé uniquement par la couche de génération.

Sois obsédé par la couche workflow.

Rends la recherche réutilisable. Sécurise la publication. Rends l’installation indolore. Rends les Skills portables. Active le tracing par défaut. Construis le tissu d’orchestration, pas seulement la démo qui brille par-dessus.

Parce qu’une fois que les gens travaillent avec des agents toute la journée, ils ne veulent pas plus de Dashboards.

Ils veulent des systèmes qui donnent une sensation d’élan.

Et en media buying, l’élan vient du fait de boucler la boucle plus vite que tout le monde.