Tech • IA • Crypto
Comment AirOps traque les frictions pour créer des produits IA avec Claude
6/10INTRO
AirOps repense la création d’agents IA pour les marketeurs en remplaçant des workflows complexes par des systèmes basés sur des documents, améliorant l’utilisabilité, la rapidité et la qualité des résultats.
POINTS CLÉS
Passage des constructeurs de workflows aux agents
AirOps a débuté avec des constructeurs de workflows à base de nœuds, similaires aux outils d’automatisation, permettant d’enchaîner des étapes pour créer du contenu. Ces systèmes se sont révélés trop complexes pour les non-techniciens, notamment les marketeurs peu familiers avec des notions comme le JSON ou le templating. Avec l’évolution rapide des modèles d’IA, les workflows sont devenus fragiles, nécessitant des mises à jour constantes et générant une forte charge de maintenance.
Ciblage des marketeurs dans la recherche IA
L’entreprise se concentre sur la « recherche IA », où les marques optimisent leur visibilité dans des outils comme ChatGPT, Claude et Gemini. Sa plateforme aide les entreprises à analyser leur présence dans les réponses générées par l’IA, identifier les lacunes, créer ou mettre à jour du contenu, et mesurer les performances (taux de citation, part de voix).
Lancement d’AirOps Next et de l’agent Quill
Une nouvelle version introduit Quill, un agent IA conçu comme un « stratège de contenu » pour les marketeurs. Quill intègre les données de marque, les insights de recherche et les guidelines éditoriales, permettant de passer directement de l’identification des lacunes à l’exécution sans configuration complexe.
Des “playbooks” basés sur des documents remplacent les outils techniques
AirOps remplace les workflows traditionnels par des playbooks, une interface de type document proche de Google Docs. Ils agissent comme des « compétences » réutilisables où les utilisateurs définissent entrées, sorties et outils en langage naturel. Cette approche réduit la barrière d’entrée tout en conservant structure, versioning et collaboration.
Gouvernance avec intervention humaine
Un axe central est l’intégration de la validation humaine dans le processus. Les utilisateurs peuvent approuver, modifier ou commenter à des étapes précises, servant de points de contrôle avant progression. Cela garantit l’alignement avec la marque et limite les contenus erronés ou de faible qualité.
Transparence et contrôle du comportement des agents
Malgré une interface simplifiée, le système montre quels outils sont utilisés et comment le contexte est appliqué à chaque étape. Cela renforce la confiance et permet aux marketeurs de comprendre et piloter les résultats sans expertise technique.
Des outils spécialisés pour plus d’efficacité
Plutôt que des appels génériques répétés, AirOps a conçu des outils spécialisés capables d’analyses complexes en une seule étape. Par exemple, un outil d’analyse de page évalue instantanément les lacunes SEO, la concurrence et les opportunités de mots-clés, réduisant l’usage de tokens de 8 % et améliorant nettement la vitesse.
Utilisation de sous-agents pour la qualité et la focalisation
La plateforme utilise plusieurs sous-agents avec des rôles spécifiques (conformité, rédaction, récupération de contexte de marque). Cette approche modulaire évite la surcharge de contexte et améliore la cohérence en isolant les tâches.
Résultats et adoption en entreprise
Les premiers utilisateurs en entreprise rapportent de forts gains, dont une augmentation de 130 % du taux de citation et une croissance de 42 % de la part de voix. Le déploiement passe d’environ un mois à une semaine, avec des équipes devenant autonomes sans support technique.
Équilibre entre flexibilité et intentionnalité
Un défi majeur est le grand nombre de cas d’usage possibles pour les agents IA. AirOps insiste sur la nécessité de se concentrer sur des workflows précis, comme des processus structurés de création de contenu, afin d’éviter la dispersion et garder un produit clair.
Défis en cours: boucles de feedback et benchmarking
Les travaux futurs incluent l’amélioration de l’auto-apprentissage des agents via de meilleurs systèmes de feedback et la création de référentiels de qualité. Contrairement au code, l’évaluation du contenu reste subjective, rendant difficile la mesure des améliorations réelles.
CONCLUSION
L’approche d’AirOps illustre une évolution vers des produits IA plus simples, gouvernés et spécialisés, rendant des agents puissants accessibles aux non-techniciens tout en maintenant une qualité de niveau entreprise.