Comment les agents IA font évoluer agile et DevOps

Le loop engineering fait passer l’itération logicielle de cycles pilotés par l’humain à une exécution par des agents d’IA

Agile a raccourci les cycles de développement logiciel à une à quatre semaines. DevOps a poussé la livraison plus loin, permettant à certaines équipes de publier du code plusieurs fois par jour. Le loop engineering compresse à nouveau le cycle. Les agents d’IA de codage peuvent désormais travailler pendant quelques secondes ou plusieurs heures au fil de cycles répétés de build, de test et de correction avant qu’une personne n’examine le résultat.

Le changement important concerne le contrôle du cycle d’itération. Dans un processus Agile, les développeurs avancent sur des tâches et utilisent les retours clients, les revues de sprint et les contributions des parties prenantes pour décider de la suite. DevOps automatise une plus grande partie du pipeline de livraison grâce aux systèmes de test, de monitoring et de déploiement. Les personnes continuent de jouer un rôle central dans la décision et l’exécution d’une grande partie du travail.

Le loop engineering donne à un agent d’IA un objectif défini et un moyen de vérifier son travail. L’agent écrit du code, exécute des tests, lit les échecs, modifie le code, puis teste à nouveau. Il peut répéter ce processus des dizaines de fois sans qu’un développeur approuve chaque action. L’humain définit l’objectif, établit les critères d’acceptation, fixe les limites de fonctionnement et examine le résultat.

Cela change l’économie de l’itération logicielle. L’attention d’un développeur devient moins étroitement liée au nombre de tentatives nécessaires pour résoudre un problème. Un agent peut continuer à travailler malgré des tentatives infructueuses tant qu’il dispose d’un retour fiable et reste dans le périmètre qui lui est autorisé. Anthropic et OpenAI proposent des capacités d’agents de codage conçues pour ces workflows plus autonomes. Gartner suit également les agents de codage IA d’entreprise séparément des anciens assistants de complétion de code.

Pour les dirigeants, la contrainte clé se déplace donc du coût de production de chaque itération vers la qualité du système qui l’évalue. Une itération plus rapide a une valeur limitée lorsque les critères d’acceptation sont faibles. Un agent peut optimiser efficacement vers un objectif incomplet ou mal défini. L’attention du management doit se concentrer sur qui définit la réussite, quels contrôles automatisés l’imposent, quelles actions exigent une approbation humaine et comment les résultats sont audités.

Le terme « loop engineering » s’est diffusé plus largement en juin parmi les ingénieurs qui construisent des agents d’IA de codage dans des entreprises comme Google et Anthropic. Le nom est récent. Le changement opérationnel sous-jacent est plus important : les développeurs conçoivent de plus en plus un processus capable d’exécuter plusieurs itérations de manière indépendante, puis d’en superviser les résultats.

Pour les dirigeants marketing, cela compte même si leurs propres équipes n’utilisent jamais d’agent de codage. Les fournisseurs martech adoptent ces méthodes au sein des organisations d’ingénierie qui construisent des plateformes de données client, des moteurs de personnalisation, des produits d’orchestration de parcours et des intégrations. Des changements qui attendaient auparavant un sprint ou une release planifiée peuvent désormais avancer beaucoup plus vite dans le développement.

L’implication pour les dirigeants est claire. Le loop engineering ne remplace pas les objectifs poursuivis par Agile ou DevOps. Il pousse l’automatisation plus profondément dans le cycle de feedback. Les organisations capables de définir précisément les objectifs, de créer une vérification fiable et de maintenir une supervision humaine efficace seront les mieux placées pour capter les gains de productivité les plus importants.

Les agents d’IA obligent les opérations marketing à s’adapter à des releases logicielles plus rapides

Gartner prévoit que 40 % des applications d’entreprise contiendront des agents d’IA spécifiques à des tâches d’ici fin 2026. Le chiffre comparable était inférieur à 5 % en 2025. Il s’agit d’un changement brutal en un an, qui touche directement les logiciels utilisés pour gérer les données client, les parcours et la personnalisation.

La conséquence opérationnelle est une accélération du changement. Un fournisseur martech utilisant des agents de codage autonomes peut exécuter davantage de cycles de développement et de test sans exiger qu’un ingénieur supervise chaque tentative. Les fonctionnalités et correctifs peuvent donc passer plus fréquemment du développement à des releases validées. Une organisation produit structurée autour de releases trimestrielles peut de plus en plus fonctionner sur des cycles hebdomadaires ou quotidiens lorsque ses systèmes d’ingénierie et de gouvernance soutiennent ce rythme.

Les données de productivité renforcent cette orientation. Gartner a constaté que 90 % des responsables de l’ingénierie utilisant des agents de codage IA ont signalé des améliorations mesurables de la productivité. Le gain net moyen était de 19,3 %. Un tel niveau d’amélioration peut accroître la capacité de développement dans de grandes organisations d’ingénierie et réduire le temps nécessaire pour certaines tâches de codage, de test et de remédiation.

Les dirigeants marketing doivent se concentrer sur le goulet d’étranglement en aval que cela crée. Un développement fournisseur plus rapide ne produit pas automatiquement des résultats business plus rapides. Une organisation marketing doit toujours comprendre une mise à jour, tester son effet sur les parcours clients et les données, approuver les changements pertinents, former les utilisateurs si nécessaire et surveiller le comportement en production.

Une équipe d’opérations marketing qui fonctionne avec une QA trimestrielle peut donc devenir le facteur limitant lorsque son fournisseur de CDP ou de personnalisation livre des changements validés chaque semaine. Les cycles annuels de planification technologique créent un décalage encore plus important. Le fournisseur peut avoir la capacité d’améliorer continuellement le produit tandis que le client reste organisé autour d’un modèle d’adoption plus lent.

Cette question est particulièrement importante pour les systèmes orientés client. Une modification de la résolution d’identité peut affecter quels enregistrements représentent le même client. Un changement de personnalisation peut modifier ce que voient les clients. Une nouvelle intégration CDP peut changer les données disponibles pour les campagnes. La fréquence des releases doit donc être accompagnée de tests, de monitoring et de gouvernance appropriés.

Les dirigeants devraient demander aux fournisseurs des informations concrètes sur leur cadence de livraison. Parmi les questions utiles figurent la fréquence des changements en production, la manière dont les agents de codage IA participent au développement et aux tests, les gates de vérification que les releases doivent franchir et la façon dont les clients sont informés des changements susceptibles d’affecter les données ou les expériences client.

Les processus internes doivent ensuite suivre le risque réel de chaque changement. Les mises à jour à faible risque peuvent passer par une revue légère. Les changements affectant l’identité client, le consentement, l’accès aux données ou la prise de décision en production exigent des contrôles plus stricts. Cette approche fondée sur le risque permet aux opérations marketing d’absorber une fréquence de release plus élevée sans faire de la gouvernance le nouveau facteur de retard.

L’enjeu stratégique est donc plus large que la productivité des développeurs. Le gain net moyen de productivité de 19,3 % observé par Gartner indique que les fournisseurs de logiciels peuvent augmenter leur débit d’ingénierie. La prévision de Gartner selon laquelle des agents d’IA seront présents dans 40 % des applications d’entreprise indique que l’effet pourrait rapidement se généraliser. Les organisations marketing ont besoin de modèles opérationnels capables d’absorber cette production plus rapide.

Les entreprises qui s’adaptent tôt peuvent transformer des cycles de développement fournisseur plus courts en cycles d’amélioration business plus courts. La priorité pour la direction générale est de s’assurer que la QA interne, la conduite du changement et la gouvernance peuvent fonctionner à la vitesse de la technologie qu’elles supervisent.

Les organisations marketing font désormais face à l’automatisation par agents d’IA à la fois de la part de leurs fournisseurs et de leurs propres stacks martech

eMarketer indique que 90,3 % des organisations marketing utilisent des agents d’IA quelque part dans leurs stacks martech. La production de contenu et la découverte d’audiences sont les principaux cas d’usage internes. Dans le même temps, les fournisseurs de CDP, de moteurs de personnalisation, de systèmes d’orchestration de parcours et de logiciels associés utilisent de plus en plus des agents d’IA dans leurs propres processus de développement.

Ces deux évolutions se renforcent mutuellement. Les fournisseurs peuvent utiliser des agents de codage pour construire, tester et publier des logiciels plus rapidement. Une fois déployées, les plateformes qui en résultent peuvent exécuter leurs propres processus pilotés par agents sur les données marketing et client. Les opérations marketing doivent donc gouverner l’automatisation à la fois dans la livraison logicielle et dans l’usage en production.

Le premier domaine concerne l’évolution des plateformes. Les agents de codage IA peuvent exécuter des cycles répétés de développement et de test avec une intervention humaine limitée. Cette capacité permet aux fournisseurs d’augmenter la fréquence des releases. Les équipes marketing reçoivent donc plus souvent de nouvelles fonctionnalités, intégrations, correctifs et changements de comportement.

Le second domaine affecte directement les opérations business. Les agents au sein des plateformes martech peuvent utiliser les enregistrements clients et les données marketing pour accomplir des tâches, découvrir des audiences, générer du contenu ou prendre en charge d’autres workflows automatisés. Chaque processus autonome supplémentaire soulève des questions concrètes sur les autorisations, la qualité des données, le consentement, le monitoring et la responsabilité.

Pour les dirigeants de la direction générale, l’enjeu central est le contrôle sur l’ensemble de la chaîne technologique. Les décisions d’ingénierie des fournisseurs peuvent modifier le logiciel. Les agents en production peuvent ensuite utiliser ce logiciel pour agir sur les données de l’entreprise. Les équipes marketing, IT, sécurité, achats et gouvernance des données ont besoin d’une vision partagée de ces deux couches.

Cela exige une répartition claire des responsabilités. Les opérations marketing doivent savoir quels agents opèrent dans l’environnement martech, à quels systèmes et données ils peuvent accéder et quelles actions ils peuvent exécuter. L’IT et la sécurité ont besoin de visibilité sur les accès techniques et les risques d’intégration. Les propriétaires de données doivent garder le contrôle sur les définitions client, la résolution d’identité et le consentement. Les achats ont besoin de preuves que les fournisseurs peuvent expliquer comment leurs systèmes autonomes sont testés et gouvernés.

Les dirigeants doivent également distinguer l’adoption de la maturité opérationnelle. Le chiffre de 90,3 % d’eMarketer montre un usage large des agents dans les organisations marketing. Une forte adoption ne prouve pas à elle seule que les pratiques de gouvernance, de qualité des données ou de mesure ont mûri au même rythme. Ce sont ces capacités qui déterminent si le déploiement d’agents produit une valeur business répétable.

L’objectif de management est donc de créer un modèle opérationnel cohérent unique pour la martech pilotée par agents. Les changements fournisseurs et l’activité interne des agents doivent alimenter des processus communs de test, de gestion des accès, d’auditabilité et de réponse aux incidents. Cela permet aux organisations marketing d’accroître l’automatisation tout en gardant le contrôle sur les résultats orientés client.

L’auto-vérification est la capacité qui rend les agents d’IA modernes de codage concrètement différents

Les premiers assistants de codage IA fonctionnaient principalement via des interactions dirigées par l’humain. Un développeur demandait ou recevait une suggestion de code, l’évaluait et décidait de la suite. Les agents de codage modernes peuvent exécuter de manière indépendante une séquence beaucoup plus longue.

Un agent actuel peut écrire du code, exécuter une suite de tests, examiner un échec, modifier le code et relancer les tests. Il peut répéter ce processus des dizaines de fois. Les tests, les vérificateurs de types, les linters et les signaux d’exécution fournissent un feedback lisible par machine qui indique à l’agent si son travail satisfait aux conditions techniques définies.

Cette capacité change l’unité d’implication humaine. Les développeurs peuvent consacrer plus de temps à définir le résultat attendu, à préciser les contraintes, à sélectionner les critères de vérification et à examiner le travail terminé. L’agent prend en charge une plus grande part de l’exécution répétée entre ces points de contrôle.

Les données d’adoption de Gartner indiquent que les entreprises constatent déjà des bénéfices mesurables. Gartner a constaté que 90 % des responsables de l’ingénierie utilisant des agents de codage IA ont signalé des gains de productivité, avec un gain net moyen de 19,3 %. Ces chiffres suggèrent que des workflows d’agents auto-dirigés peuvent se traduire par une capacité d’ingénierie significative lorsqu’ils sont appliqués à des tâches adaptées.

L’adoption reste toutefois à un stade précoce. Le Hype Cycle 2026 de Gartner place l’IA agentique au sommet des attentes exagérées. Gartner indique que 17 % des organisations ont déployé des agents d’IA, tandis que plus de 60 % prévoient de les déployer dans les deux ans. Gartner a qualifié cela de courbe d’adoption la plus agressive parmi les technologies émergentes qu’il suivait cette année-là.

Ces chiffres exigent une interprétation rigoureuse. Une amélioration de productivité de 19,3 % ne signifie pas que chaque activité de développement devient 19,3 % plus rapide. Le retour dépend du fait qu’une tâche ait un objectif clair et un feedback fiable. Le travail logiciel avec des tests déterministes est particulièrement adapté, car l’agent peut mesurer de manière répétée sa propre production par rapport à des conditions explicites.

Cela fait de l’architecture de vérification un sujet de management. Un agent peut itérer rapidement lorsque la réussite est définie avec précision. Des tests faibles ou des critères d’acceptation incomplets peuvent permettre à un travail techniquement validé de créer des problèmes opérationnels. Une plus grande autonomie augmente donc la valeur de spécifications solides, d’une bonne couverture de test, de limites d’accès, de pistes d’audit et d’une revue humaine aux points de contrôle appropriés.

Pour les fournisseurs martech, cette capacité peut augmenter la quantité de travail d’ingénierie réalisée entre deux revues humaines. Cela peut réduire le temps nécessaire pour corriger des défauts, mettre en œuvre des intégrations ou développer des fonctionnalités. L’effet commercial peut être des cycles produit plus courts et des releases plus fréquentes.

Les dirigeants qui évaluent les agents de codage IA doivent se concentrer sur des résultats vérifiables. Les mesures utiles incluent le temps de cycle, les taux de défauts, les reprises, les incidents en production, la capacité d’ingénierie et la qualité des releases terminées. Les gains de productivité deviennent stratégiquement utiles lorsqu’ils se traduisent par un logiciel fiable et des délais de livraison plus courts.

L’évolution plus large est claire. Les outils de codage IA passent de la génération de morceaux de code individuels à l’exécution de tâches d’ingénierie en plusieurs étapes sur la base de systèmes de vérification définis. À mesure que cette autonomie s’étend, la qualité des objectifs, des tests, des contrôles et du processus de revue devient de plus en plus importante pour la performance de l’entreprise.

Agile, DevOps et le loop engineering rapprochent progressivement la vérification logicielle du travail lui-même

Agile, DevOps et le loop engineering traitent le même problème opérationnel : à quelle vitesse les équipes logicielles peuvent agir sur le feedback et déterminer si leur travail est correct. La différence majeure tient à l’endroit où la vérification a lieu et à qui contrôle l’itération suivante.

Agile organise le travail autour des user stories et des tâches de sprint. Les équipes de développement fonctionnent généralement en sprints d’une à quatre semaines. Les retours clients, les contributions des parties prenantes et les revues de sprint fournissent les informations nécessaires pour évaluer les progrès et décider de ce qu’il faut construire ensuite. Le processus réduit la distance entre l’évolution des exigences business et le développement logiciel.

DevOps pousse la vérification plus profondément dans la livraison logicielle. Les tests automatisés, les pipelines de déploiement, le monitoring de production et les données d’incident fournissent un feedback continu sur les changements de code. Les équipes matures peuvent publier des logiciels plusieurs fois par jour parce que de nombreux contrôles s’effectuent automatiquement à mesure que le code progresse vers la production.

Le loop engineering déplace la vérification dans le propre cycle d’exécution de l’agent. Un agent de codage reçoit un objectif, effectue une action, évalue le résultat par rapport à des tests ou à d’autres contrôles techniques, puis continue à itérer. Ces cycles peuvent durer quelques secondes ou plusieurs heures sans qu’une personne ait à approuver chaque tentative.

Cela change le rôle du point de contrôle humain. En Agile, les personnes examinent généralement les progrès dans une structure de sprint. DevOps utilise l’automatisation pour effectuer de nombreux contrôles tout au long du pipeline de livraison. Le loop engineering permet à un agent d’IA d’utiliser ces contrôles comme feedback direct pour son action suivante. Les humains définissent de plus en plus l’objectif, conçoivent les critères de vérification, établissent les limites et examinent les résultats.

Pour les dirigeants, la cadence est importante parce que chaque modèle peut fonctionner sur une échelle de temps différente. Agile fonctionne couramment en sprints d’une à quatre semaines. DevOps peut prendre en charge plusieurs releases en production par jour. Les cycles d’action et de vérification des agents peuvent se produire en quelques secondes à quelques heures. Une entreprise peut utiliser ces trois pratiques ensemble parce qu’elles opèrent à différents niveaux de la livraison logicielle.

L’implication managériale est significative. Une itération technique plus rapide accroît la pression sur les systèmes de gouvernance qui dépendent encore de réunions périodiques, d’approbations manuelles ou de longs cycles de planification. Un fournisseur peut réaliser des centaines d’itérations de développement automatisées tandis que son organisation cliente reste structurée autour de revues technologiques trimestrielles.

Les opérations marketing sont directement confrontées à cette question. Un fournisseur de CDP, de plateforme de personnalisation ou d’orchestration de parcours peut potentiellement produire des changements validés à une fréquence bien plus élevée. Les équipes marketing ont besoin de processus de test et de conduite du changement capables d’évaluer ces mises à jour sans créer un backlog d’adoption persistant.

La qualité du mécanisme de vérification devient également plus importante à mesure que les temps de cycle diminuent. Un agent rapide peut exécuter très efficacement un objectif mal spécifié. Les dirigeants doivent donc considérer les critères d’acceptation, les tests automatisés, les pistes d’audit, les règles d’escalade et les seuils d’approbation humaine comme faisant partie de l’architecture opérationnelle.

L’orientation pratique va vers une gouvernance continue. Cela ne signifie pas que chaque changement logiciel exige une revue de direction. Cela signifie que les contrôles doivent fonctionner à une cadence compatible avec les systèmes qu’ils gouvernent. Les changements à faible risque peuvent passer par des contrôles automatisés, tandis que les changements à risque plus élevé peuvent déclencher une revue plus poussée sur la base de règles prédéfinies.

Pour les responsables marketing, l’objectif est d’aligner les contrôles internes sur cet environnement de livraison plus rapide. Agile a instauré des cycles de planification plus courts. DevOps a instauré une livraison technique continue. Le loop engineering étend l’itération autonome au sein de ces processus. Les organisations qui définissent des règles de vérification claires peuvent utiliser cette vitesse sans sacrifier la responsabilité.

Le vérificateur et la couche de données déterminent de plus en plus la qualité des résultats pilotés par agents

Un agent autonome a besoin d’une définition fiable de la réussite. En ingénierie logicielle, cette définition peut venir des tests, des vérificateurs de types, des linters et des signaux d’exécution. Ces systèmes fournissent un feedback concret qu’un agent d’IA de codage peut utiliser pour évaluer sa production et décider si une nouvelle itération est nécessaire.

Le marketing crée un problème de vérification plus difficile. Un agent marketing peut avoir besoin de comprendre ce qui qualifie un client, une conversion, un compte actif, un contact ayant donné son consentement ou une audience à forte valeur. Ces concepts dépendent de données et de règles business propres à l’entreprise. L’exécution technique peut réussir alors qu’une définition business incorrecte produit un mauvais résultat client.

Cela fait de la couche de données un élément central de la gouvernance des agents. La couche concernée comprend les définitions partagées des métriques, la résolution d’identité, la lignée des données, les enregistrements clients et le statut de consentement. Elle est parfois décrite comme une « couche de contexte » parce qu’elle donne à un agent le sens business gouverné nécessaire pour interpréter correctement des informations brutes.

Hema Dey, fondatrice et PDG d’Iffel International Inc., a résumé directement cette dépendance : « Les agents d’IA ne valent que par la couche de données sur laquelle ils reposent. »

Dey cite l’exemple du concierge vocal IA d’Iffel International, qui réserve des consultations pour des cabinets d’avocats et des établissements de santé. « Elle ne fonctionne que parce qu’elle repose sur une couche de données propre et unique : lorsqu’un prospect appelle, elle connaît son historique et peut vendre de manière consultative », a déclaré Dey. « Rien de tout cela ne fonctionne avec des données prospects dispersées dans quatre outils. »

L’enjeu business va au-delà de la simple disponibilité des données. Les définitions appliquées à ces données doivent aussi être cohérentes. Deux systèmes peuvent contenir des enregistrements exacts tout en interprétant différemment la même activité client. Une fois que des agents utilisent ces définitions contradictoires pour prendre des décisions à grande échelle, l’incohérence peut se propager rapidement dans les opérations marketing et les expériences client.

Jiaxi Zhu, responsable analytics pour la division petites et moyennes entreprises chez Google, identifie les définitions sémantiques comme un risque particulier. « Lorsque chaque plateforme applique sa propre logique, les responsables marketing peuvent se retrouver avec des versions concurrentes du client », a déclaré Zhu. « Cela rend difficile la diffusion d’un message marketing cohérent et de l’expérience client qui doit suivre. »

L’IA accroît les conséquences de ce problème de gouvernance parce que les systèmes automatisés peuvent continuer à fonctionner sur la base de définitions faibles. Zhu a expliqué : « Les modèles d’IA développés sur des données mal gouvernées peuvent toujours produire des résultats, mais il devient difficile pour les dirigeants de leur faire confiance compte tenu de la nature opaque de nombreux systèmes d’IA. »

Pour les dirigeants, la contrainte centrale est donc la qualité de l’environnement de vérification. Accroître la capacité du modèle ou la vitesse d’itération ne peut pas résoudre des identités client contradictoires, des métriques ambiguës, une lignée faible ou des enregistrements de consentement obsolètes. Ce sont des problèmes de gouvernance et d’architecture des données.

Cela change également la manière dont les dirigeants doivent évaluer les fournisseurs martech. Un fournisseur doit être capable d’expliquer ce que ses agents vérifient, où les définitions business sont maintenues, comment les identités client sont résolues, comment les restrictions de consentement entrent dans les décisions des agents et qui a autorité pour modifier ces règles. Les réponses en disent plus sur la fiabilité opérationnelle qu’une démonstration d’un agent accomplissant une tâche contrôlée.

La responsabilité compte également. Les définitions de métriques ont besoin de propriétaires business responsables. La résolution d’identité a besoin de règles documentées. Les informations de consentement ont besoin d’une application fiable. Les changements apportés à ces composants ont besoin de pistes d’audit, car ils peuvent modifier les décisions prises par les agents même lorsque le modèle sous-jacent reste inchangé.

La décision clé pour les dirigeants est de traiter la gouvernance des données et la gouvernance des agents comme des disciplines liées. À mesure que les systèmes autonomes réalisent davantage de travail marketing, des données propres ne suffisent pas. Les données doivent aussi porter un sens cohérent, des autorisations claires et des règles vérifiables. C’est cette base qui détermine si des boucles d’agents plus rapides produisent des résultats client fiables à grande échelle.

La différenciation martech se déplace vers l’intégration, l’accès aux données et la gouvernance des agents

Les fonctionnalités d’agents d’IA deviennent courantes dans la technologie marketing. eMarketer indique que de nombreux fournisseurs martech utilisent les mêmes modèles d’IA sous-jacents, ce qui rend leurs capacités d’agents de plus en plus similaires du point de vue de l’acheteur. L’accès de base à un modèle avancé devient plus facile à reproduire pour les fournisseurs concurrents.

Cela change l’origine de la valeur produit durable. Une plateforme martech doit connecter un agent d’IA aux systèmes propres à l’entreprise, aux enregistrements clients, aux définitions business, aux autorisations et aux workflows. La profondeur d’intégration détermine la quantité de contexte utile à laquelle l’agent peut accéder. La gouvernance des données détermine si ce contexte est fiable. Les contrôles déterminent ce que l’agent peut en faire.

Ces capacités comptent parce qu’un modèle généraliste a une connaissance limitée des clients et des règles de fonctionnement d’une entreprise. Une automatisation marketing efficace exige des identités client à jour, l’historique des campagnes, des informations produit, le statut de consentement, des définitions de métriques et d’autres éléments de contexte propres à l’entreprise. L’architecture technologique environnante fournit ces informations.

Le même principe s’applique à l’exécution. Un agent qui génère une recommandation d’audience crée une valeur limitée si une autre équipe doit reconstruire manuellement cette recommandation dans les systèmes de campagne. Une intégration plus profonde permet aux résultats approuvés de circuler dans des workflows établis tout en maintenant les autorisations, la validation et les pistes d’audit.

Pour les dirigeants qui évaluent la martech, cela change les critères d’achat. Les démonstrations produit des capacités d’agents ne donnent qu’une partie du tableau. Les acheteurs doivent examiner avec quels systèmes la plateforme s’intègre, comment les données circulent entre eux, comment l’identité est résolue, comment les définitions business sont maintenues et quels contrôles gouvernent les actions des agents.

La gouvernance est particulièrement importante à mesure que les agents gagnent en autonomie. Les dirigeants doivent savoir quelles actions un agent peut exécuter de manière indépendante, lesquelles exigent une approbation, comment les échecs sont détectés et si les actions peuvent être retracées après exécution. Ces contrôles déterminent si l’organisation peut étendre l’usage des agents sans créer une exposition opérationnelle inacceptable.

L’accès aux données crée un autre point de différenciation. Un accès plus large peut améliorer le contexte disponible pour un agent, mais des autorisations plus étendues augmentent aussi les conséquences des erreurs ou des actions inappropriées. Les fournisseurs qui prennent en charge des contrôles d’accès granulaires peuvent donner aux organisations une plus grande précision sur les agents pouvant utiliser des données spécifiques et à quelles fins.

L’évaluation d’eMarketer selon laquelle la fonctionnalité agentique devient un prérequis dans toute la martech renforce ce déplacement. À mesure que les fournisseurs convergent vers des capacités d’IA sous-jacentes similaires, la profondeur d’intégration, l’accès aux données et la gouvernance deviennent des sources de différenciation plus fortes.

Cela a des conséquences pour la stratégie fournisseur autant que pour les achats technologiques. Les fournisseurs martech qui investissent principalement dans des fonctionnalités d’IA visibles peuvent constater que ces fonctionnalités sont faciles à égaler pour les concurrents. Les fournisseurs dotés de fortes intégrations, d’un contexte client gouverné, d’une vérification fiable et de contrôles matures peuvent créer des capacités plus difficiles à reproduire.

La direction générale doit donc évaluer la martech agentique comme un système d’exploitation pour les processus business plutôt que comme une collection de fonctionnalités d’IA. Les questions décisives portent sur l’adéquation de la technologie avec les données, les workflows, les autorisations et les contrôles de l’entreprise. Ce sont ces facteurs qui déterminent si un agent peut produire des résultats utiles de manière cohérente dans un environnement de production.

Un développement plus rapide piloté par l’IA déplace le goulet d’étranglement de la production logicielle vers la préparation de l’organisation

Les agents de codage IA peuvent accroître la vitesse à laquelle les fournisseurs martech développent des fonctionnalités, corrigent des défauts, ajoutent des intégrations et modifient des modèles. Gartner a constaté que 90 % des responsables de l’ingénierie utilisant des agents de codage IA ont signalé des améliorations mesurables de la productivité, avec un gain net moyen de 19,3 %. Un débit d’ingénierie plus élevé donne aux fournisseurs la capacité de livrer des changements plus fréquemment.

Les organisations marketing doivent ensuite absorber cette production accrue. Chaque changement significatif de plateforme peut exiger une évaluation d’impact, des tests, de la documentation, une planification du déploiement, une communication aux utilisateurs et un monitoring de production. Les changements orientés client peuvent aussi nécessiter une revue de la part des équipes privacy, sécurité, juridique ou gouvernance des données.

La contrainte qui en résulte est la préparation de l’organisation. Un fournisseur peut passer de releases trimestrielles à des mises à jour hebdomadaires ou quotidiennes tandis que son client continue de fonctionner avec une QA trimestrielle et des processus annuels de planification technologique. Une ingénierie plus rapide ne peut pas délivrer toute sa valeur business lorsque l’adoption interne reste lente.

Cet écart devient plus important à mesure que les logiciels d’entreprise gagnent des capacités d’agents. Gartner prévoit que 40 % des applications d’entreprise contiendront des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. La combinaison d’un plus grand nombre de produits dotés d’agents et d’un développement plus rapide assisté par agents augmente le volume et la fréquence des changements que les entreprises doivent gouverner.

Les plateformes d’expérience client méritent une attention particulière parce que de petits changements techniques peuvent avoir des effets larges. Une mise à jour de CDP peut modifier l’ingestion des données ou la résolution d’identité. Un changement de personnalisation peut affecter les produits, messages ou expériences que reçoivent les clients. Une mise à jour d’orchestration de parcours peut modifier la manière dont les clients passent d’une communication et d’un canal à l’autre.

Les dirigeants doivent éviter de répondre en appliquant le niveau de revue le plus élevé à chaque release. Cette approche déplacerait le goulet d’étranglement vers la gouvernance. Des contrôles fondés sur le risque offrent un modèle plus scalable. Les changements courants et réversibles peuvent recevoir un traitement plus léger. Les mises à jour impliquant l’identité client, le consentement, des données sensibles, une logique de décision ou un comportement significatif en production peuvent déclencher une revue plus rigoureuse.

L’automatisation a aussi un rôle côté client. Les opérations marketing peuvent automatiser les tests de régression, les contrôles de qualité des données, le monitoring et d’autres contrôles répétables. Cela aide les processus internes d’assurance à fonctionner plus près de la fréquence des releases fournisseurs tout en réservant l’attention humaine aux exceptions importantes et aux décisions à plus haut risque.

La conduite du changement doit également évoluer. Les plans annuels restent utiles pour les décisions d’investissement stratégiques, mais ils sont mal adaptés à la gouvernance de chaque mise à jour logicielle dans une stack en évolution continue. Les équipes ont besoin de cycles de revue opérationnelle plus courts et de règles plus claires définissant quand un changement peut avancer automatiquement et quand il exige une escalade.

Cela exige une coordination plus étroite entre le marketing, l’IT, la sécurité, les équipes data et les achats. Chaque fonction contrôle une partie différente du risque opérationnel. Une répartition claire des responsabilités et des règles d’escalade prédéfinies réduisent la nécessité de constituer un processus de décision ad hoc chaque fois qu’un fournisseur modifie une plateforme.

L’objectif pour les dirigeants est une vitesse maîtrisée. Un développement plus rapide peut réduire le temps entre un besoin business et une capacité en production. Le gain moyen de productivité de 19,3 % signalé par Gartner suggère un potentiel significatif du côté de l’ingénierie. Capturer cette valeur exige une augmentation correspondante de la capacité de l’organisation à tester, gouverner et adopter le changement.

Les entreprises qui effectuent cet ajustement peuvent convertir des releases fournisseurs plus rapides en amélioration business plus rapide. Les entreprises qui conservent des cycles lents d’approbation et de QA constateront de plus en plus que leur propre modèle opérationnel fixe le rythme de l’adoption technologique.

Les pratiques de codage IA devraient faire partie des achats martech et de la gouvernance fournisseur

Les achats martech doivent de plus en plus examiner comment les logiciels sont construits, testés et publiés. Les agents de codage IA peuvent exécuter de manière autonome plusieurs étapes d’ingénierie. Cela change les contrôles que les dirigeants doivent attendre des fournisseurs technologiques.

Les responsables marketing et IT devraient commencer par une question concrète : quelle part du développement et des tests logiciels récents du fournisseur a impliqué des agents de codage IA ? La réponse établit l’ampleur de l’usage des agents. Les questions suivantes doivent porter sur la manière dont ces agents sont supervisés, sur ce qu’ils peuvent modifier et sur les gates de vérification qui doivent être franchis avant que le code n’atteigne la production.

La vérification mérite une attention particulière. Un agent peut exécuter des tests, examiner des échecs, modifier du code et répéter le processus de nombreuses fois avant qu’une personne n’examine le résultat. Les acheteurs doivent comprendre quels tests automatisés gouvernent ce processus, quelles conditions exigent une approbation humaine et comment le fournisseur gère les exceptions lorsqu’un agent ne parvient pas à obtenir un résultat valide.

L’auditabilité est tout aussi importante. Lorsqu’un agent contribue à un changement logiciel, le fournisseur doit conserver des enregistrements permettant aux équipes de reconstituer ce qui s’est passé. Les enregistrements utiles peuvent inclure les modifications effectuées, les résultats de test pertinents, les événements d’approbation et le chemin allant du développement à la production. Ces informations deviennent importantes lors de l’investigation de défauts, de comportements inattendus ou d’incidents ayant un impact client.

Les critères d’évaluation 2026 de Gartner pour les agents de codage IA d’entreprise incluent la qualité des pistes d’audit et la granularité des points de contrôle d’approbation. Ces critères pointent vers une exigence plus large de l’entreprise : une plus grande autonomie exige suffisamment de visibilité pour enquêter sur les actions et faire respecter la responsabilité.

Pour les dirigeants de la direction générale, cela relève de la gouvernance existante du risque fournisseur. Les achats, la sécurité, l’IT, le juridique et les opérations marketing évaluent déjà des domaines tels que la privacy, la sécurité, la disponibilité du service et le traitement des données. L’ingénierie assistée par IA ajoute des questions sur les changements autonomes, la validation, la traçabilité et le contrôle humain.

Le renouvellement de contrat offre un point de revue pratique. Les pratiques d’ingénierie d’un fournisseur peuvent avoir considérablement changé depuis l’achat initial. Une entreprise qui utilisait des méthodes de développement conventionnelles lors de la signature du contrat peut désormais utiliser des agents de codage dans le développement, les tests ou les processus de release. Les revues de renouvellement peuvent évaluer ces pratiques actuelles et les contrôles qui les entourent.

Les opérations marketing doivent également demander comment les fournisseurs communiquent les changements produit. Un débit d’ingénierie plus élevé peut produire des releases plus fréquentes. Les clients ont besoin de suffisamment d’informations pour identifier les mises à jour susceptibles d’affecter les intégrations, les données client, les workflows de campagne ou le comportement en production. Des change logs clairs et des enregistrements de release réduisent le coût de l’évaluation d’impact interne.

Un petit projet pilote interne peut améliorer la compréhension de ces questions par les dirigeants. L’IT ou les opérations marketing peuvent utiliser un agent de codage IA sur un tableau de bord de reporting à faible risque ou sur un script de pipeline de données. L’équipe peut comparer le délai de livraison tout en examinant une question plus importante : quel effort faut-il pour définir un objectif avec une précision suffisante pour qu’un agent puisse vérifier lui-même son travail ?

Cette expérimentation peut révéler où se déplace réellement le travail. L’exécution par agent peut être rapide. Définir les critères d’acceptation, les autorisations, les tests et les conditions d’escalade peut exiger un jugement humain substantiel. Ces activités deviennent de plus en plus importantes à mesure que l’autonomie s’étend.

L’objectif des achats est une responsabilité claire. Les fournisseurs doivent être capables d’expliquer où les agents interviennent dans l’ingénierie, ce que les agents sont autorisés à faire, comment leur production est vérifiée et comment les changements significatifs sont enregistrés. Les fournisseurs capables de répondre clairement à ces questions donnent aux clients une base plus solide pour gérer l’impact opérationnel d’une livraison logicielle plus rapide.

Les agents autonomes font des autorisations de données une exigence de gouvernance continue

L’accès aux données devient plus conséquent lorsque le logiciel peut agir de manière autonome. Un agent opérant dans un CDP, un système de personnalisation ou une autre plateforme marketing hérite des autorisations disponibles dans cet environnement. Ces autorisations déterminent quels enregistrements clients, attributs et informations business l’agent peut utiliser.

Colleen Barry, responsable marketing chez Ketch, décrit directement le changement dans la réflexion sur les achats : « Au lieu de demander : “Cet outil peut-il se connecter à nos données ?”, ils demandent : “Cet outil devrait-il avoir accès à nos données, tout court ?” »

Cette question doit guider les décisions des dirigeants concernant les logiciels dotés d’agents. La connectivité technique établit si un système peut récupérer des informations. La gouvernance des autorisations détermine quelles informations il peut récupérer, dans quelles conditions et à quelles fins business.

Cela compte parce que les plateformes d’entreprise accumulent souvent des accès au fil du temps. De nouvelles intégrations sont ajoutées. Les jeux de données s’élargissent. Les équipes changent. Les usages business évoluent. Des fonctionnalités d’agents peuvent aussi être introduites après l’implémentation initiale. Des autorisations appropriées pour un workflow peuvent donc devenir trop larges à mesure que les capacités et le rôle de la plateforme évoluent.

Les boucles d’agents amplifient l’importance opérationnelle de ces décisions. Un système peut utiliser de manière répétée l’accès qui lui a été accordé lorsqu’il exécute des tâches automatisées. Les organisations ont donc besoin de contrôles qui définissent le périmètre des données accessibles et les actions autorisées sur ces données.

Les données client créent des exigences supplémentaires. Les informations d’identité, les données comportementales, le statut de consentement, l’historique des transactions et les attributs sensibles peuvent relever d’obligations différentes en matière de privacy et de réglementation. Les règles d’accès doivent refléter la finalité pour laquelle un agent opère et le minimum d’informations nécessaire pour accomplir cette finalité.

Pour les dirigeants, cela fait de l’accès selon le principe du moindre privilège une exigence pratique de conception. Chaque agent doit recevoir les autorisations de données et de système nécessaires à sa tâche approuvée. L’accès doit aussi refléter la sensibilité des informations et l’impact potentiel d’une action autonome.

Les renouvellements constituent un point de contrôle important. Les équipes marketing, IT, sécurité, privacy et achats doivent réexaminer les autorisations accordées à une plateforme et les comparer à ses fonctions actuelles. Un contrat renouvelé doit refléter la manière dont la technologie fonctionne aujourd’hui, y compris toute capacité d’agent introduite depuis le déploiement initial.

Des revues périodiques sont également nécessaires entre les échéances contractuelles. Les changements d’intégrations, de jeux de données, de fonctionnalités d’agents, d’exigences de consentement client ou de responsabilités internes peuvent modifier le profil de risque bien avant le prochain renouvellement commercial.

Le consentement doit faire partie du contexte opérationnel de l’agent. Un agent agissant sur des informations client a besoin d’accéder au statut de consentement à jour afin que ses décisions restent dans le cadre des règles approuvées par l’organisation en matière d’usage des données. La résolution d’identité et les définitions partagées comptent pour la même raison : le système a besoin d’informations fiables sur le client concerné et sur les politiques applicables.

Les pistes d’audit complètent la structure de contrôle. Les organisations doivent pouvoir déterminer quel agent a accédé aux données concernées, quelles autorisations ont permis cet accès et quelle action a suivi. Cela soutient l’investigation des incidents, la revue de conformité et la responsabilité interne.

La priorité pour les dirigeants est de traiter l’accès comme une décision de cycle de vie. L’autorisation initiale établit le point de départ. Des revues régulières des autorisations, un accès fondé sur la finalité, l’application du consentement et la traçabilité maintiennent cette autorisation alignée sur l’évolution des capacités des agents.

À mesure que l’activité autonome s’étend dans la martech, la conception des autorisations devient une composante du contrôle business. Une gouvernance forte des accès permet aux entreprises d’utiliser un contexte client plus riche tout en maintenant des limites claires sur ce que les systèmes autonomes peuvent voir et faire.

Point principal 11 : les opérations marketing doivent faire évoluer la gouvernance au même rythme que la livraison logicielle continue

Gartner prévoit que 40 % des applications d’entreprise contiendront des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. Gartner a également constaté que 90 % des responsables de l’ingénierie utilisant des agents de codage IA signalent des améliorations mesurables de la productivité, avec un gain net moyen de 19,3 %. Ensemble, ces tendances pointent vers un développement logiciel plus rapide et des changements plus fréquents dans les plateformes d’entreprise.

Cela crée un problème concret pour les opérations marketing. Un fournisseur de CDP, de moteur de personnalisation ou d’orchestration de parcours peut passer de releases trimestrielles à des mises à jour validées hebdomadaires ou quotidiennes. Les équipes internes doivent toujours évaluer ces releases, tester les workflows critiques, gérer les dépendances, communiquer les changements et surveiller les résultats en production.

Cela fait de la capacité organisationnelle la contrainte clé. Une organisation marketing fonctionnant avec une QA trimestrielle et des cycles annuels de planification technologique peut avoir du mal à absorber des mises à jour fournisseurs continues. Les backlogs de release peuvent s’accumuler. Les équipes peuvent retarder des capacités utiles ou accepter des changements sans évaluation suffisante. Dans les deux cas, la valeur business d’un développement logiciel plus rapide diminue.

Les opérations marketing doivent donc séparer la planification stratégique de la gouvernance opérationnelle. La planification annuelle reste utile pour les budgets, la stratégie de plateforme, les migrations majeures et les décisions d’investissement. La livraison logicielle continue exige un cycle de contrôle plus court pour les changements produit de routine.

Une gouvernance fondée sur le risque est l’approche la plus pratique. Les mises à jour à faible impact et réversibles peuvent passer par des tests automatisés et une revue légère. Les changements affectant l’identité client, le consentement, l’accès aux données, les règles de segmentation, la logique de personnalisation ou les intégrations en production doivent déclencher une évaluation plus approfondie. Des seuils clairs permettent aux équipes d’accélérer la revue tout en orientant l’attention humaine vers les changements ayant des conséquences business significatives.

L’automatisation peut accroître la capacité de la QA interne. Les opérations marketing et l’IT peuvent automatiser les tests de régression pour les intégrations importantes, valider les schémas et pipelines de données, surveiller la qualité des données client et signaler les changements inattendus dans le comportement en production. Les contrôles automatisés fournissent un feedback fréquent et réduisent la quantité de vérifications manuelles répétitives exigées des équipes spécialisées.

La visibilité sur les releases devient également essentielle. Les opérations marketing ont besoin de change logs fournisseurs fiables, de pistes d’audit, d’un préavis pour les mises à jour significatives et d’informations claires sur les changements susceptibles d’affecter les intégrations ou les expériences client. Ces exigences doivent faire partie de la gouvernance fournisseur et des discussions de renouvellement.

La répartition interne des responsabilités doit être tout aussi claire. Les opérations marketing peuvent être responsables de la préparation des processus business. L’IT peut gérer les dépendances techniques et la fiabilité des plateformes. Les fonctions sécurité et privacy peuvent gouverner les accès et les risques liés aux données sensibles. Les équipes data peuvent être responsables de la résolution d’identité et des définitions partagées. Des règles d’escalade définies déterminent quand un changement exige l’implication de chaque fonction.

Les métriques opérationnelles doivent également évoluer. Les équipes peuvent suivre le temps entre une release fournisseur et sa validation interne, le nombre de changements en attente de revue, les échecs de régression, les incidents causés par des mises à jour de plateforme et le pourcentage de contrôles de routine effectués automatiquement. Ces mesures montrent si la capacité de gouvernance suit le rythme du changement technologique.

Les dirigeants doivent aussi distinguer la fréquence des releases de la valeur business. Publier davantage de logiciels crée de la valeur lorsque l’organisation peut convertir ces releases en toute sécurité en meilleures capacités, en coûts d’exploitation plus faibles, en correctifs plus rapides ou en meilleurs résultats client. Une livraison fournisseur plus rapide exige donc une amélioration correspondante de la capacité de l’entreprise à évaluer et adopter le changement.

Les responsables marketing n’ont pas besoin de devenir ingénieurs logiciels pour réussir cette transition. Ils ont besoin de contrôles opérationnels conçus pour un environnement où le logiciel peut changer en continu et où les agents d’IA participent de plus en plus à la production de ces changements.

La priorité de la direction générale est une vitesse d’adoption maîtrisée. Les opérations marketing doivent être capables d’absorber rapidement les releases utiles tout en appliquant des contrôles plus stricts aux risques significatifs. Lorsque la gouvernance fonctionne à cette cadence, une livraison martech plus rapide devient une capacité business exploitable au lieu d’un backlog croissant de conduite du changement.

Récapitulatif

Le loop engineering change la vitesse opérationnelle du logiciel. Gartner prévoit que 40 % des applications d’entreprise contiendront des agents d’IA spécifiques à des tâches d’ici fin 2026, contre moins de 5 % en 2025. La technologie marketing sera de plus en plus construite, testée et exploitée au travers de cycles autonomes d’agents.

L’enjeu pour les dirigeants est le contrôle à cette vitesse supérieure. À mesure que le développement s’accélère, la contrainte se déplace vers la vérification, la qualité des données, les autorisations, la QA et la conduite du changement. Un agent peut réaliser efficacement des milliers d’itérations. La valeur business dépend toujours du fait que ces itérations soient mesurées par rapport aux bons objectifs et à des données gouvernées.

Cela doit changer la manière dont les dirigeants évaluent les investissements martech. Demandez aux fournisseurs comment les agents participent au développement, ce que leurs agents vérifient, quelles actions exigent une approbation et si chaque changement significatif peut être audité. Appliquez la même discipline en interne aux agents qui travaillent avec les données client.

Les opérations marketing ont également besoin d’un modèle de gouvernance plus rapide. Des releases fournisseurs hebdomadaires ne peuvent pas dépendre d’une QA trimestrielle. Automatisez les contrôles de routine, réservez la revue humaine aux risques significatifs et établissez une répartition claire des responsabilités entre les équipes marketing, IT, sécurité, privacy et data.

Agile a amélioré la manière dont les équipes répondaient aux exigences. DevOps a amélioré la manière dont le logiciel atteignait la production. Le loop engineering ajoute une itération autonome à l’intérieur de ce processus. Les entreprises les mieux placées pour en bénéficier seront celles qui sauront définir clairement la réussite, la vérifier de manière fiable et gouverner le changement à la vitesse à laquelle les agents d’IA peuvent le livrer.