Avant tout autre différenciateur, la grille d'entrée dans l'offre repose sur une analogie RH que tout dirigeant comprend immédiatement.
Recruter un collaborateur humain, c'est choisir entre deux profils : un junior de moins de 3 ans d'expérience qu'on va former et faire monter en compétence, ou un senior de plus de 10 ans d'expérience qui arrive avec ses réflexes, sa connaissance du secteur, et l'assurance dans ses décisions. Le coût, le délai de montée en puissance, et la valeur produite dès le premier jour sont radicalement différents.
Agentis applique cette même logique à ses agents IA.
Formation active · Montée en maturité progressive
L'agent arrive avec sa connaissance métier de base — protocoles, formats, règles de son domaine — mais sans aucune connaissance de votre entreprise, de vos clients, ni de votre secteur spécifique.
La première période est une phase d'intégration active. L'équipe Agentis accompagne le client pour constituer la mémoire fondatrice : qui sont vos clients, quels sont vos différenciateurs, quels tons fonctionnent. Mois après mois, l'agent gagne en maturité. À 6 mois, il n'est plus le même agent qu'au jour 1.
Mémoire sectorielle pré-chargée · ROI immédiat
L'agent arrive avec une mémoire pré-chargée. Il a déjà "travaillé" dans votre secteur : benchmarks de performance, patterns de conversion, pièges à éviter, codes de communication. Cette connaissance est construite à partir de missions similaires, anonymisée et consolidée.
Dès le premier jour, il prend des décisions avec l'assurance d'un collaborateur senior. Il ne demande pas à apprendre ce qu'est un cycle scolaire ou une saisonnalité immobilière — il le sait déjà.
Aucun outil SaaS concurrent — Limova, Make, HubSpot, Hootsuite — ne distingue ces deux niveaux. Tous vendent le même outil au même prix, quelle que soit la profondeur de connaissance dont le client a besoin. Le client configure lui-même, repart de zéro à chaque changement d'outil, et perd tout l'historique s'il résilie. Chez Agentis, la connaissance accumulée appartient au client.
Un client Débutant à 6 mois peut enrichir son agent avec la bibliothèque sectorielle Expérimenté — il combine alors son expérience propre (accumulée en 6 mois) et l'expérience sectorielle (10 ans pré-chargés). C'est le profil le plus performant possible.
Chaque agent maintient deux couches de mémoire persistante qui se nourrissent à chaque exécution. Une mémoire propre à chaque spécialiste (content-writer, market-researcher, optimizer…) et une mémoire partagée entre tous les agents du client. Ce n'est pas du stockage passif — c'est un protocole actif : à la fin de chaque exécution, si des apprentissages ont été détectés, ils sont écrits en mémoire. Au démarrage suivant, tous les agents lisent cette mémoire avant d'agir.
C'est le socle technique qui rend possible la distinction Débutant/Expérimenté. La différence entre les deux niveaux est précisément la richesse de cette mémoire au moment du déploiement.
Spécifique à chaque agent spécialisé. Contient les corrections actives, les apprentissages, et l'historique des 5 dernières exécutions.
Commune à tous les agents du client. Décisions stratégiques, correctifs transversaux, contexte client global appliqué par tous.
Le 7 mai, market-researcher découvre que "l'angle apaisement relation parent-enfant est très fort et sous-exploité". Trois heures plus tard, content-writer démarre sa session, lit la mémoire, et produit trois posts organisés exactement autour de cette découverte. L'un d'eux est ensuite marqué .improved par l'optimizer — il a surperformé. Aucune intervention humaine entre la découverte et le post publié.
Hootsuite, Buffer, HubSpot sont stateless. Si tu fais une étude de marché mardi et crées du contenu jeudi, l'outil ne sait rien de mardi. Tu recopies manuellement ou tu oublies. Agentis capitalise automatiquement chaque découverte.
shared.md dès le déploiement (persona, UVP, différenciateurs, 3 concurrents, saisonnalité, codes secteur)memory-auditor trimestriel qui consolide la mémoire et produit un rapport "ce que votre agent sait de vous aujourd'hui" — livrable client concretChaque exécution génère un fichier log structuré en 7 sections obligatoires : contexte, entrées, sorties, mémoire appliquée, nouveaux apprentissages, erreurs/blocages, horodatage à la minute. Ce n'est pas une trace technique pour déboguer — c'est un journal de décision qui rend chaque action rejouable et auditable.
Campagne concernée, déclencheur de l'exécution
Fichiers lus, données reçues, fichiers produits, décisions prises
Quels correctifs et points d'attention étaient actifs au moment de l'exécution
Observations à mémoriser, blocages détectés remontés dans REQUIRES_ATTENTION.md
Le log du 8 mai 14h16 enregistre le post ID Facebook exact, le texte publié intégral, la mémoire active au moment de la publication. L'orchestrateur lit ces logs et produit automatiquement REQUIRES_ATTENTION.md avec les escalades actives : watermark à remplacer, lead non traité depuis 15h43, post publié 25 jours trop tôt dans le cycle émotionnel du client.
Meta enregistre "post publié le 08/05". Il n'enregistre pas ce qui a motivé la publication, quels fichiers ont été lus, quels apprentissages ont émergé, quels problèmes ont été détectés. Limova = boîte noire. Agentis = journal de décision complet.
REQUIRES_ATTENTION.md par client, mis à jour à chaque exécution d'orchestrateurPour les clients venant de Limova : rupture directe — ils quittent une boîte noire pour un système entièrement transparent.
Quand un contenu surperforme par rapport aux objectifs définis, le système crée un marqueur .improved-<slug> avec un timestamp UTC. L'optimizer met à jour la mémoire avec la raison du succès. À l'exécution suivante, tous les agents lisent ce marqueur et appliquent le correctif : reproduire la structure gagnante, éviter les erreurs passées.
L'optimizer compare les performances réelles aux seuils définis dans objectifs-performance.json (reach, engagement, clics).
Un fichier .improved-* est créé avec timestamp. La mémoire est mise à jour avec la justification technique du succès.
Le post "infirmière de nuit" (preuve sociale) a été republié 6 fois en 3 jours parce que le système a détecté qu'il surperformait et a décidé de capitaliser avec des variations. 16 marqueurs .improved-* générés sur la période, tous avec timestamp UTC précis. Décision autonome du système — zéro intervention humaine.
Aucun outil SaaS ne boucle automatiquement : détecter surperformance → marquer le contenu → mettre à jour la mémoire système → forcer l'agent suivant à appliquer la correction → re-exécuter le contenu gagnant avec variations. Chaque étape existe séparément dans des outils différents, mais jamais articulée en boucle fermée.
.improved-* à tous les agents — RECRUE : offres qui génèrent le plus de candidatures qualifiées ; NEXUS : réponses qui résolvent les tickets le plus vitepattern-detector qui analyse tous les .improved-* d'un client sur 6 mois et produit une "grammaire du succès" clientVIGIL surveille 1 000+ sources toutes les 2h et émet des alertes critiques en moins de 2h. SCAN scanne 8+ sources éditoriales chaque matin et livre un rapport curé lisible en 5 minutes. Ces deux agents ne sont pas déconnectés du reste — leurs découvertes alimentent directement la mémoire partagée et modifient le contenu marketing en temps réel.
1 000+ sources · Alertes P1 < 2h · Levées de fonds, dépôts de marques, offres d'emploi concurrentes, acquisitions · Rapport hebdomadaire chaque lundi
8+ sources sectorielles · Rapport curé chaque matin à 7h · Lisible en 5 minutes · Filtre automatique du bruit et des doublons
VIGIL a détecté la montée en puissance des concurrents "hybrides IA+humain" (Alveus, Scolarix, Yool Education). Cette alerte a été écrite dans memory/shared.md. En conséquence directe, le post "Un prof devenu un vrai repère" a été créé pour défendre le différenciateur "professeur fidèle toute l'année". La veille a produit du contenu défensif sans aucune intervention humaine.
Mention, Brandwatch, Meltwater font de la surveillance. Aucun ne connecte la veille au contenu marketing en boucle fermée. Tu reçois une alerte dans un outil, tu crées du contenu dans un autre — le lien est toujours manuel.
Les objectifs de performance sont définis avant la première publication : reach, engagement rate, clics, scores "bon" et "excellent". Après publication, les performances réelles sont comparées à ces seuils. L'optimizer détecte les écarts et produit des recommandations priorisées par matrice impact/effort.
Le rapport du 8 mai identifie qu'un post a été publié 25 jours avant sa date recommandée — "en mai, les parents ne vivent pas encore le stress nocturne des examens, l'impact conversion sera mécaniquement réduit." Il identifie aussi un lead non traité depuis 15h43 avec une perte estimée de 40 à 60% de conversion. Ces deux alertes seraient invisibles dans un outil standard.
Meta Ads Manager donne les KPIs. Il ne dit pas "ce post était trop tôt dans le cycle émotionnel du client" ou "un lead attend depuis 18h et tu perds de la conversion". L'interprétation est toujours manuelle, toujours après coup.
| Mécanisme | Agentis | Concurrent SaaS typique |
|---|---|---|
| Niveaux Débutant / Expérimenté | Mémoire initiale calibrée, montée en compétence documentée | Même outil pour tous, zéro notion d'expérience |
| Mémoire cumulative | Chaque exécution grandit la connaissance du système | Stateless — repartez de zéro à chaque tâche |
| Logs horodatés | Traçabilité complète + escalades automatiques | Logs techniques, zéro actionabilité |
| Amélioration continue | Détecte, marque, force apprentissage, re-exécute | Zéro boucle fermée d'amélioration |
| Veille autonome | 1 000+ sources, alertes < 2h, intégrée au marketing | Surveillance déconnectée du contenu |
| Scoring continu | Objectifs vs réalité, recommandations priorisées | Dashboards passifs, zéro recommandation |
Agentis a 18 à 24 mois d'avance structurelle — et chaque mois passé avec des clients réels creuse l'écart, en particulier sur les bibliothèques de mémoire sectorielles qui alimentent les agents Expérimentés.
| Niveau | Mémoire initiale | Onboarding | Cas d'usage |
|---|---|---|---|
| Débutant | Template standard (persona, UVP, secteur) | Accompagnement 4 semaines par l'équipe Agentis | Client qui a le temps et veut un agent qui apprend son ADN propre dès le départ |
| Expérimenté | Bibliothèque sectorielle pré-chargée (10 ans d'équivalent) | Déploiement < 48h, ROI dès J+7 | Client qui veut un impact immédiat, pas de temps pour une phase de formation |