En bref
Le marketing automation classique exécute le workflow que vous avez dessiné : si ceci, alors cela. Le logiciel agentique reçoit un résultat à atteindre — réduire l'attrition en semaine quatre, remplir le tunnel d'essai — et détermine lui-même les étapes, appelle des outils au passage, lit ce qui s'est produit et corrige. C'est cette boucle que désigne l'adjectif agentique.
Ce que le mot ne dit pas, c'est la latitude laissée au logiciel. Un système peut planifier cinq étapes et s'arrêter quand même pour votre validation avant d'envoyer quoi que ce soit. Cette nuance disparaît dans la plupart des descriptions de la catégorie, et c'est pourtant elle qui décide si un outil peut sans risque être exposé à vos clients.
Personne de neutre ne l'a défini
Il n'existe pas de définition de référence du marketing agentique. Wikipédia n'a pas d'article sur l'expression. Aucun organisme de normalisation ne s'en est saisi. Les définitions qui circulent émanent presque toutes d'entreprises qui vendent le logiciel qu'elles définissent — Salesforce, Adobe, Braze et HubSpot en publient chacune une, et nous aussi, dans ce paragraphe. Autant le dire franchement.
Les deux définitions d'analystes qui méritent de servir d'ancrage sont plus étroites que celles des éditeurs. Gartner décrit l'IA agentique comme des systèmes qui planifient et agissent de façon autonome pour atteindre des objectifs définis par l'utilisateur. Celle de Forrester est plus stricte et plus utile, car elle se termine par la précision que tout le monde laisse tomber : un logiciel capable de planifier et de s'adapter avec souplesse pour atteindre des objectifs en agissant dans son environnement, avec des degrés croissants d'autonomie. Des degrés. Pas un interrupteur.
L'échelle d'autonomie
Les définitions d'analystes s'accordent : le logiciel doit planifier et agir. Le label ne concerne donc que les deux derniers niveaux de cette échelle. Ce qu'il ne tranche pas, c'est l'étape la plus importante en pratique — savoir si la chose s'arrête pour vous. Ces cinq niveaux classent les produits selon ce qui se décide sans vous : règles, assistance générative, copilote, agent avec validation, sans surveillance.
Les niveaux un et deux ne décident rien à l'exécution. Le niveau trois raisonne mais s'arrête avant d'agir — la ligne que trace aussi notre guide sur les agents et les chatbots. Seuls les niveaux quatre et cinq planifient et agissent, et décrire avec le vocabulaire du sommet tout ce qui se situe en dessous, c'est ce que Gartner a nommé agent washing : le fait de rebaptiser des produits existants — assistants IA, automatisation robotisée des processus, chatbots — sans capacités agentiques réelles. Dans la même note de juin 2025, Gartner estimait que, sur des milliers d'éditeurs revendiquant le label, 130 environ proposaient vraiment des agents, et prévoyait l'abandon de plus de 40 % des projets d'IA agentique d'ici fin 2027 — une prévision sur 2027, pas un taux d'échec mesuré.
Les niveaux quatre et cinq, c'est le même logiciel avec le point de contrôle déplacé : passer de l'un à l'autre relève d'une décision d'exploitation, pas d'un achat — et c'est le marketing avec l'humain dans la boucle qui traite ce choix. L'échelle ne mesure par ailleurs que l'indépendance, pas le rayon d'action : publier en auto une infobulle in-app vue par trente personnes et publier en auto une campagne vers toute votre liste occupent le même niveau sans présenter le même risque. La portée est le second curseur, et celui sur lequel il faut être le plus strict.
Pourquoi le dernier niveau est rare
Les longues chaînes autonomes semblent échouer d'une manière précise : le taux d'échec se cumule à chaque étape. En ajustant un modèle à la suite de tâches d'ingénierie de recherche de METR, Toby Ord a montré que les données s'expliquent par une probabilité d'échec à peu près constante par minute de travail humain équivalent, ce qui produit un taux de réussite qui décroît exponentiellement à mesure que la tâche s'allonge. Chaque système a en somme sa demi-vie. Ord précise lui-même que la validité du modèle sur d'autres suites de tâches reste une question ouverte — mais la forme correspond à ce que rapportent les praticiens : les tâches courtes aboutissent, les longues tâches sans surveillance se dégradent.
La régularité est le problème le plus difficile. Le benchmark tau-bench, publié par Sierra en 2024, mesurait non seulement si un agent terminait une tâche, mais s'il y parvenait de façon répétée : les meilleurs modèles de cette génération réussissaient moins de la moitié des tâches, et réussissaient les huit tentatives d'une même tâche moins d'une fois sur quatre dans le domaine retail. Les modèles ont progressé depuis, mais c'est la forme du résultat qui compte : même un agent qui réussirait quatre fois sur cinq ne serait pas un agent à laisser seul avec votre base de contacts.
Pire, les échecs ne sont pas toujours visibles. Une étude de 2026 portant sur des trajectoires d'agents a montré qu'une large part des échecs étaient silencieux : l'agent annonçait la tâche terminée alors que l'environnement disait le contraire, dans 45 à 48 % des échecs des domaines à contrôle simple d'un benchmark. La même étude relève 3 % dans un domaine à contrôle partagé : le taux varie donc fortement selon le dispositif — mais un échec silencieux, à n'importe lequel de ces taux, plaide pour une étape de validation et un journal de décisions, pas seulement pour de meilleurs modèles.
Il existe aussi un risque de sécurité propre au marketing. Ce que Simon Willison appelle le « trio mortel » décrit le danger de réunir l'accès à des données privées, l'exposition à des contenus non fiables et la capacité de communiquer vers l'extérieur — or une plateforme marketing réunit les trois par construction : votre base clients, les réponses entrantes que vous n'avez pas écrites, et un bouton d'envoi. Cette combinaison justifie à elle seule un point de contrôle.
Comment vérifier une promesse
Vous pouvez situer n'importe quel produit sur l'échelle avec quelques questions. Les réponses sont en général dans la documentation, pas sur la page d'accueil.
| Question | Ce à quoi ressemble une réponse solide |
|---|---|
| Que crée-t-il sans moi ? | Des objets nommés dans la plateforme — un segment, un journey, un test — pas un brouillon dans une fenêtre de chat. |
| Où est le point de contrôle, et puis-je le déplacer ? | La validation se règle par surface, et elle est activée par défaut. |
| Que se passe-t-il quand une étape échoue ? | Il s'arrête et le dit. S'il ne sait pas vous dire ce qui a échoué, il ne peut pas tourner sans surveillance. |
| Puis-je voir pourquoi il a décidé cela ? | Un journal de décisions avec le raisonnement, pas seulement un horodatage et un statut. |
| Combien coûte une exécution ? | Un chiffre réel. Les agents multi-étapes appellent les modèles à répétition ; le coût par résultat est une contrainte de conception, pas une note de bas de page. |
Passons au point gênant, puisque cette page est publiée par un éditeur et que le test ci-dessus est le nôtre — l'échelle aussi. fromHello vise le niveau quatre : les spécialistes créent de vrais objets, s'arrêtent à un point de contrôle que vous déplacez par surface, et consignent leur raisonnement. Mais rien de tout cela n'est vérifiable de l'extérieur aujourd'hui. Trois des cinq réponses ne sont que des affirmations de conception ; les deux autres — ce qui se passe quand une étape échoue, et ce que coûte une exécution — nous ne pouvons même pas les formuler, puisque le produit hébergé est en accès anticipé et que le tarif sera annoncé à la sortie. Un test dont la réponse modèle décrit son auteur mérite précisément la méfiance que cette page recommande. Accordez-nous moins de crédit en conséquence, et soumettez-nous aux mêmes cinq questions le jour où le produit sort.
Deux exigences sont devenues incontournables. La transparence est déjà du droit dans l'UE : l'article 50 de l'AI Act, qui impose d'informer les personnes qu'elles interagissent avec un système d'IA, s'applique depuis le 2 août 2026 et ne se limite pas aux systèmes à haut risque. Et la responsabilité ne se transfère pas au logiciel : dans Moffatt c. Air Canada, le Civil Resolution Tribunal de Colombie-Britannique a tenu la compagnie pour responsable d'une information erronée donnée par son propre chatbot, écartant l'argument selon lequel le chatbot serait une entité distincte répondant d'elle-même. Ces deux points pèsent sur vous, le déployeur, pas sur l'éditeur que vous évaluez.
Ce que cela change pour une petite équipe
La littérature de la catégorie vise les grandes entreprises, et les données d'enquête qui la nourrissent aussi : l'enquête CMO 2026 de Gartner repose sur 401 responsables marketing, en grande majorité dans des entreprises réalisant plus d'un milliard de dollars de chiffre d'affaires. L'adoption reste par ailleurs plus faible que le bruit ambiant ne le laisse croire, même si le chiffre mesuré porte sur les responsables technologiques et non sur les marketeurs : l'enquête CIO 2026 de Gartner situait le déploiement d'agents IA à 17 % des organisations, face à plus de 60 % qui comptaient déployer sous deux ans.
Pour une entreprise de deux personnes, la lecture est plus étroite et plus encourageante. Vous n'avez pas besoin de la catégorie, vous avez besoin d'un travail précis : le tunnel instrumenté, la séquence d'onboarding écrite, la cohorte qui décroche identifiée. Un logiciel de niveau quatre fait ce travail et vous demande votre accord avant d'envoyer. La question de savoir s'il remplace les personnes qui le feraient sinon a sa propre réponse dans l'IA peut-elle remplacer votre équipe marketing, et la forme que cela prend quand le travail est réparti entre spécialistes plutôt que confié à un agent généraliste, c'est une équipe de growth IA. Le comportement logiciel sous-jacent, c'est le marketing autonome ; la différence entre un agent et le chatbot avec lequel on le confond souvent est traitée dans agents marketing IA et chatbots.