PerformanceAI : poser une question métier, obtenir une réponse fiable en quelques secondes
Nous nous souvenons tous des promesses des éditeurs SaaS : des outils qui mettraient les données critiques à portée de main. La plupart d'entre nous ont été déçus. Ces plateformes souvent lourdes forcent les utilisateurs à suivre des chemins labyrinthiques, tableaux de bord empilés, filtres à configurer, exports à retraiter, pour obtenir, au mieux, des réponses partielles et déjà périmées au moment où elles arrivent.
Ne serait-il pas plus simple de poser une question et d'obtenir une réponse en un éclair ? C'est exactement ce que propose PerformanceAI, l'application d'insights marketing multi-agents développée par Adservio. Son objectif est simple mais puissant : n'importe quel marketeur doit pouvoir interroger les données de performance en langage naturel, par exemple « montre-moi les taux de conversion de nos campagnes services financiers sur le premier semestre »,et obtenir une réponse instantanée, sourcée et fiable.
Techniquement, l'application est construite en Python et Flask côté serveur, avec un front-end React. Elle s'appuie sur BigQuery et Vertex AI dans Google Cloud, et orchestre les modèles Claude Sonnet 5 d'Anthropic et Gemini 3.5 Flash de Google : le premier pour le raisonnement de précision et la génération SQL, le second pour la synthèse rapide et les tâches à haut volume.
En résumé, l'ambition était de permettre à un marketeur de s'adresser directement à un agent pour poser une question business, au lieu de solliciter un analyste ou d'extraire manuellement les données de systèmes comme Salesforce.
Pourquoi les équipes marketing avaient besoin d'un agent d'insights
Avant PerformanceAI, les équipes marketing disposaient de données de performance, mais elles étaient difficiles à exploiter. Les données restaient fragmentées entre les systèmes, CRM, plateforme d'automation, outils publicitaires, web analytics. Chaque équipe fonctionnelle produisait ses propres rapports, avec pour résultat des métriques incohérentes et aucune source unique de vérité partagée entre marketing, ventes et direction.
Au lieu de repérer les opportunités tôt, les marketeurs attendaient que les chiffres soient nettoyés, consolidés puis présentés. PerformanceAI rend cette expérience plus directe et plus humaine : chacun accède immédiatement aux insights et agit plus vite sur le pipeline, repérer un groupe d'acheteurs trop peu actif à l'étape de qualification, une faiblesse d'accélération en milieu de funnel, ou une opportunité d'améliorer la conversion pendant la construction de la solution.
Le coût de cette friction se mesure en cycles perdus : chaque question nécessitant un ticket vers l'équipe data ajoute des jours de délai, et beaucoup de questions ne sont simplement jamais posées. À l'échelle d'une organisation, cela signifie des campagnes prolongées sans preuve d'efficacité et des segments entiers de pipeline qui ne reçoivent jamais l'attention qu'ils méritent.
Des données prêtes pour l'IA : la genèse du projet
Pour que l'IA d'entreprise fonctionne, il lui faut les bonnes fondations de données. Dès 2023, Adservio a remanié son framework de KPI go-to-market et investi dans une architecture de données sur Google Cloud : plus de vingt sources critiques de vente et de marketing ont été intégrées dans BigQuery, libérant les équipes des interfaces SaaS fragmentées et alignant les données sur les workflows réels. Quand la vague GenAI est arrivée, les données étaient déjà prêtes pour l'IA.
Structurer les données pour les grands modèles de langage
L'équipe a ensuite construit des agents personnalisés sur Vertex AI pour accéder directement à ces données, et restructuré les jeux de données marketing pour les LLM. Les premières expérimentations ont livré un enseignement décisif : l'IA performe mieux quand les données sont organisées d'une manière qui est aussi intuitive pour les humains. En réétiquetant les champs et en clarifiant la sémantique métier, le modèle a commencé à produire des réponses précises et contextuellement pertinentes.
La première version fonctionnelle a atteint les responsables marketing mi-2025, quelques mois seulement après le concept initial. Le périmètre est passé de quinze questions de base à l'ensemble du spectre des questions liées à la croissance : opportunités, bookings, taux de conversion, impact des campagnes. Depuis, chaque itération a élargi la couverture fonctionnelle tout en durcissant la fiabilité des réponses.
Une architecture multi-agents : routage, prompts et guardrails
Sous le capot, PerformanceAI repose sur une architecture multi-agents devenue le pattern de référence des systèmes d'IA d'entreprise en 2026 : plutôt qu'un modèle monolithique qui fait tout, une équipe d'agents spécialisés se passent le relais, chacun avec un rôle borné, des permissions limitées et des sorties vérifiables.
Le routage et l'architecte de prompt
La question de l'utilisateur entre d'abord dans un agent de routage qui identifie le type de question posée et choisit le jeu de données et l'agent à mobiliser, trois agents spécialisés couvrent trois ensembles de données, chacun avec ses règles métier et ses champs BigQuery. Au cœur du système, un architecte de prompt autonome interprète la question, récupère le schéma BigQuery pertinent, applique un framework de domaine à dix règles et construit en temps réel un prompt parfaitement contextualisé. Celui-ci est transmis à Claude Sonnet 5 via Vertex AI, qui convertit le langage naturel en requêtes SQL de niveau entreprise.
Guardrails d'exécution et synthèse d'insights
Chaque requête passe ensuite par un guardrail qui la valide et l'ajuste avant exécution : coûts plafonnés, périmètres de données autorisés, protection contre les injections de prompt et les appels lourds ou dangereux. Une fois la requête exécutée, un synthétiseur d'insights distille les résultats, statistiques complètes du jeu de données et échantillon intelligent pour l'interface, restitués en quelques secondes. Cette séparation stricte entre génération, validation et exécution est ce qui permet de mettre des agents en production sans sacrifier la gouvernance.
RAG et recherche sémantique sur les données marketing et ventes
En parallèle du pipeline SQL, PerformanceAI emploie un agent de recherche RAG, alimenté par les embeddings Vertex AI et Gemini 3.5 Flash, pour effectuer des recherches sémantiques à travers les jeux de données indexés. Quand un utilisateur cherche le contexte d'une opportunité ou d'un compte précis, le système vectorise la question, exécute une recherche sémantique en quelques millisecondes sur les données marketing et ventes, récupère les enregistrements les plus pertinents et génère une réponse contextuelle.
Du vecteur à la décision
Le marketeur obtient ainsi une vue complète des interactions : campagnes utilisées, contacts ayant répondu, caractère inbound ou non de l'opportunité. Combinés, les deux pipelines, SQL généré pour les questions quantitatives, RAG pour les questions contextuelles, permettent de répondre en langage naturel avec une précision en temps réel, en surfaçant des insights comme les groupes d'acheteurs sous-engagés ou les campagnes qui influencent le plus la progression en milieu de funnel.
Les techniques de récupération comptent autant que le modèle : une indexation soignée, un filtrage par métadonnées et un reclassement des résultats déterminent directement la qualité de la réponse finale. C'est un chantier d'amélioration continue, nourri par l'analyse des questions restées sans bonne réponse.
Résultats, adoption et leçons de leadership
Le test le plus simple pour un outil reste : les gens l'utilisent-ils ? Sur ce critère, PerformanceAI a démarré fort. Les responsables marketing terrain l'utilisent quotidiennement pour suivre les nouvelles opportunités, mesurer les deals influencés par le marketing et identifier les lacunes d'engagement. Les deux premiers testeurs régionaux rapportent économiser des heures chaque semaine, et la CMO qualifie PerformanceAI de produit « brosse à dents » : elle s'en sert au moins deux fois par jour. Côté business, l'outil a resserré l'alignement entre marketing et ventes autour de métriques partagées et suivies en direct.
Quatre leçons de leadership
Le sponsoring exécutif d'abord : impliquer la CMO et le CRO dès le premier jour a garanti l'adoption. La collaboration cross-fonctionnelle ensuite : les opérations go-to-market ont servi de pont entre marketing, ventes et IT. La livraison itérative encore : combiner reporting manuel et automatisé a construit la confiance tôt. Enfin, placer des ingénieurs IA au sein de la fonction métier, propriétaires de la couche d'intelligence, pendant que l'IT fournit l'architecture, les guardrails et le support AIOps pour la mise à l'échelle.
Évaluer en continu pour préserver la confiance
La leçon la plus structurante reste l'évaluation : chaque évolution du système, nouveau modèle, nouveau jeu de données, nouvelle règle métier, passe par une batterie d'évaluations automatisées qui comparent les réponses générées à des références validées par les analystes. Sans cette discipline, la confiance gagnée en quelques semaines peut se perdre sur une seule réponse fausse présentée avec assurance.
Cette exigence vaut pour tout système d'IA en production : les évaluations jouent le rôle que jouaient les tests de non-régression pour le logiciel classique. Elles permettent de changer de modèle sereinement quand une génération plus performante arrive, de mesurer l'effet d'un nouveau prompt et de détecter les dérives avant que les utilisateurs ne les subissent.
Vers des super agents capables d'agir dans le CRM
L'équipe entraîne désormais le système à couvrir un éventail plus large de questions et à automatiser les recommandations. La vision : connecter PerformanceAI à l'espace de travail d'intelligence unifié d'Adservio, où l'utilisateur pose une question de performance et où le système appelle en arrière-plan le bon « super agent », un par fonction business. Le tout activable à la voix, avec la capacité de déclencher des actions, mettre à jour un groupe d'acheteurs, signaler une opportunité dormante, sans repasser par les écrans du CRM traditionnel.
Cette trajectoire s'inscrit dans un mouvement plus large : avec la généralisation des protocoles d'interopérabilité comme MCP, les super agents internes pourront dialoguer avec les agents des partenaires et des plateformes tierces. L'analytics conversationnelle d'aujourd'hui prépare l'entreprise agentique de demain, où poser une question et déclencher une action relèveront du même geste.
PerformanceAI n'est plus une expérimentation : c'est un compagnon quotidien pour les marketeurs et un exemple tangible de la façon dont Adservio applique sa propre expertise IA, architecture de données, agents en production, gouvernance, pour améliorer la performance, la productivité et la collaboration entre les équipes. C'est aussi un mouvement de fond vers le marketing activé par l'IA, où les données n'informent plus seulement les décisions : elles aident à les prendre, puis à les exécuter.
RÉCUPÉRER CET ARTICLE
Téléchargez l'article complet en PDF pour le lire hors ligne ou le partager.
RESTER INFORMÉ
Recevez nos prochaines analyses et retours d'expérience directement dans votre boîte mail.
