Comment j'ai créé un agent décisionnel basé sur l'IA dans ClickUp pour prendre des décisions de campagne plus judicieuses

J'ai utilisé de nombreux flux de travail et automatisations traditionnels dans ClickUp. Ils sont très efficaces pour déplacer des tâches d'un point A à un point B, mettre à jour les statuts ou attribuer des propriétaires. Mais à un moment donné, j'ai réalisé quelque chose d'important : aucune de ces automatisations ne « réfléchissait » réellement à mes campagnes.

J'avais besoin d'un système capable d'allier exécution et intelligence. J'ai trouvé la réponse dans un agent décisionnel IA, que j'ai baptisé Asset Library Manager.

Dans cet article, je vais vous expliquer comment j'ai créé cet agent décisionnel basé sur l'IA au sein de ClickUp (à l'aide de ClickUp Super Agents ) et pourquoi cela était nécessaire pour mon entreprise.

À propos de moi : ClickUp Verified Consultant et responsable des processus métier de l'entreprise

En tant que ClickUp Verified Consultant et responsable des processus métier avec plus de 5 ans d'expérience, j'aide les agences et les start-ups à se développer grâce à des systèmes structurés et à une exécution rigoureuse. J'ai mis en place et piloté des cadres opérationnels pour plus de 40 entreprises, dirigé la gestion du changement pour plus de 115 équipes et permis une croissance opérationnelle pouvant atteindre 16,4 fois supérieure, tout en améliorant la rapidité et la cohérence des livraisons dans des environnements multi-clients.

Pourquoi les automatisations simples ne suffisaient pas pour mes campagnes

Mes ressources étaient dispersées entre différents emplacements, les tâches de campagne figuraient dans différentes listes, et c'était toujours moi qui décidais de la prochaine étape pour chaque ressource. Chaque nouvelle campagne, région ou canal impliquait davantage de décisions manuelles — et augmentait les risques de doublons, d'opportunités manquées ou de lacunes en matière de visibilité.

C'est alors que j'ai posé une autre question :

Et si j'arrêtais de créer des flux de travail pour me lancer dans la création d'un système intelligent dans ClickUp, capable de prendre des décisions à ma place ?

🦾 Vous découvrez les super agents ClickUp ?

Les Super Agents de ClickUp sont des agents alimentés par l'IA qui fonctionnent au sein de votre environnement de travail pour analyser vos tâches, vos données et votre activité, puis agir en fonction de ce contexte. Vous pouvez leur attribuer un rôle spécifique (comme hiérarchiser les tâches, mettre à jour le statut des projets ou acheminer des ressources), et ils opèrent à partir des informations en temps réel de l'environnement de travail.

En quoi se distinguent-ils ?

Contrairement aux automatisations de base, les Super Agents ne se contentent pas de suivre des règles. Ils :

• Comprenez le contexte à travers les tâches, les documents et les commentaires
• Prenez des décisions (et ne vous contentez pas de déclencher des actions)
• Adaptez-vous en fonction de l'évolution de votre flux de travail

Ne les considérez pas tant comme des automatisations de type « si ceci, alors cela », mais plutôt comme des coéquipiers IA intégrés à votre système.

Le changement de mentalité : des flux de travail aux systèmes intelligents

Avant de créer un agent IA dans ClickUp, je prends du recul pour définir le système.

Pas l'automatisation. Le système.

Pour moi, cela se résume à trois questions :

Je souhaitais que mon agent décisionnel IA prenne en charge la charge mentale liée à la prise de décisions concernant les campagnes.

Voici à quoi cela ressemblait pour mon gestionnaire de bibliothèque de ressources.

1. Objectif : quel problème cet agent décisionnel basé sur l'IA cherche-t-il à résoudre ?

Je voulais un endroit unique où tous les éléments de campagne (vidéos, images, textes) seraient regroupés :

En d'autres termes, je voulais que mon agent prenne en charge les décisions de distribution des ressources au sein de ClickUp afin que rien ne passe entre les mailles du filet.

2. Capacités du système : l’installation prend-elle en charge la prise de décision par IA ?

La puissance d'un agent décisionnel IA dépend de celle du système dans lequel il évolue. C'est pourquoi il est judicieux de le créer dans un environnement de travail où vos tâches, vos documents, vos relations et vos données de campagne sont tous regroupés. Lorsqu'un agent dispose d'une vue d'ensemble (ressources, emplacements, statuts, historique) dans un environnement de travail numérique connecté, ses décisions s'appuient sur la réalité et non sur des conjectures.

Pour moi, l'environnement de travail IA convergent de ClickUp est l'endroit idéal.

Avec ClickUp, au lieu d'assembler un patchwork d'outils d'IA autonomes qui ne voient chacun qu'une partie de vos opérations, vous disposez d'une couche intelligente qui chapeaute tout ce que votre équipe fait réellement. Le résultat est une meilleure pertinence des recommandations, aucune perte de contexte et des décisions dont la qualité s'améliore au fil du temps , car la mémoire de l'agent et votre environnement de travail évoluent ensemble.

J'ai conçu mon installation ClickUp de manière à ce que le gestionnaire de la bibliothèque de ressources puisse :

Si mes listes, mes champs personnalisés et mes relations n'étaient pas solides, l'agent risquait soit de se bloquer, soit de semer la pagaille. J'ai donc considéré la conception du système comme faisant partie intégrante de l'agent lui-même.

3. Rôle de l'agent : opérateur, pas seulement coursier

Enfin, j'ai défini le rôle de l'agent.

La plupart des systèmes sont conçus ainsi : si X se produit → à faire Y

C'est ce que nous appelons l'automatisation simple.

Ce que je voulais, c'était quelque chose de différent. Un agent décisionnel basé sur l'IA capable d'évaluer le contexte et de s'en servir pour prendre des décisions, exactement comme le ferait un être humain.

Mon gestionnaire de bibliothèque de ressources est chargé de :

Une fois ces trois éléments clarifiés, tout le reste est devenu plus facile. Je ne me contentais plus de créer une simple automatisation intelligente. Je construisais ce que j'appelle un Beyond Super Agent : un agent qui comprend l'objectif, fonctionne au sein d'un système performant et a un rôle clairement défini.

Comment j'ai structuré les instructions pour rendre l'agent décisionnel IA fiable : mes 5 piliers d'instructions

Une fois le système prêt, je suis passé à la partie que la plupart des gens abordent en premier : les invitations et les instructions.

Mais au lieu de rédiger une longue instruction, je l'ai décomposée en cinq éléments distincts. Cela a rendu l'agent décisionnel IA plus facile à contrôler, à tester et à perfectionner.

Voici les piliers des instructions IA qui déterminent la qualité des décisions prises par mon agent :

1. Définition du rôle : qui cet agent est-il ?

Je ne me contente pas de dire à l'agent ce qu'il doit faire, je lui dis qui il doit être.

📌 Pour le gestionnaire de la bibliothèque de ressources, je lui ai demandé d'agir en tant que :

« Propriétaire d'agence expérimenté et architecte opérationnel gérant plusieurs clients. »

Cette simple ligne change tout. Désormais, lorsque l'agent répond, il le fait en se mettant à la place d'une personne qui :

2. Contexte et portée : dans quel environnement fonctionne-t-il ?

Ensuite, je définis le contexte et le périmètre aussi clairement que possible :

Cela indique à l'agent où se trouvent les murs de la pièce, afin qu'il ne se perde pas dans la mauvaise partie de mon environnement de travail.

3. Logique de décision : quand et comment doit-il prendre une décision ?

Ensuite, je détaille la logique de décision. Au lieu de dire à l'agent ce qu'il doit faire, j'ai défini comment il doit raisonner.

Je précise :

Ainsi, l'agent ne se contente pas de générer des idées. Il sait quand passer à l'action et à quoi ressemblent les bonnes décisions.

4. Données d'entrée : sur quelles données se base-t-il ?

La qualité d'une décision dépend de la qualité des données sur lesquelles elle repose. Je fais donc une connexion entre mon agent et les couches de données dont il a besoin :

Je le précise clairement dans l'invite : voici les données que vous devez utiliser pour décider de ce que vous allez faire ensuite.

5. Résultats : quelles actions et quels formats puis-je attendre ?

Enfin, je définis les résultats :

Une fois ces cinq éléments en place (rôle, contexte, logique de décision, entrées et sorties), la solution correspond généralement étroitement au problème réel que j'essaie de résoudre.

🎥 Voici une brève vidéo explicative si vous souhaitez essayer de créer votre propre Super Agent :

Comment fonctionne concrètement mon agent décisionnel IA, également appelé « Asset Library Manager », au sein de ClickUp

Une fois les bases en place, j'ai intégré l'agent à l'environnement de travail ClickUp afin qu'il puisse fonctionner de deux manières principales.

Option 1 : Déclenchement manuel à partir de la bibliothèque de ressources

Le premier mode est simple et direct.

À lui seul, cela élimine une grande partie du travail de routage manuel. Mais c'est le deuxième mode qui offre de véritables possibilités.

Option 2 : prise de décision basée sur un calendrier

C'est dans ce deuxième mode que le système devient véritablement « Beyond Super Agent ».

Ici, l'agent utilise l'intégralité du contenu de la bibliothèque de ressources pour prendre des décisions de manière autonome :

📌 À partir de là, il peut prendre des décisions telles que :

« Pour cette ressource stratégique qui a déjà été envoyée à Islamabad et qui est une vidéo de reprise, envoyons ensuite une image de reprise ou une image de mobilité. »

Au lieu que je vérifie constamment où un élément a été diffusé et quelle doit être la prochaine étape, l'agent analyse les données et prend la décision.

Pourquoi j'utilise ClickUp Chat pour collaborer avec mon agent IA

Dans ClickUp, les agents peuvent fonctionner dans l'ensemble de votre environnement de travail. Vous pouvez les déclencher via les automatisations sur les listes, les dossiers et les Espaces (en réaction à des changements de statut, à de nouvelles tâches ou à des mises à jour de champs), les attribuer directement à des tâches, les @mentionner dans les commentaires de tâches et les documents, ou interagir avec eux dans le chat de ClickUp via des messages privés et des @mentions.

Mais c'est en discutant que je passe le plus de temps avec mon agent, et il y a une raison à cela.

Dans mon chat Asset Library Manager, j'ai deux objectifs :

Le chat m'offre une interface de discussion en temps réel, un peu comme si j'avais un collègue à ma disposition. Je peux l'utiliser pour :

C'est la différence entre soumettre une demande et avoir une discussion interactive.

Pour un agent tel que le gestionnaire de bibliothèque de ressources, où les décisions s'enchaînent et où le contexte joue un rôle essentiel, c'est ce type de dialogue itératif qui permet à l'ensemble du système de fonctionner.

Quand l'agent pique une crise

Au fil du temps, j'ai remarqué quelque chose d'amusant : si ma commande n'était pas claire, l'agent faisait un petit « caprice ». Non pas parce qu'il était défectueux, mais parce que ma demande ne lui permettait pas d'atteindre la réussite.

C'est là que je reviens toujours aux cinq piliers fondamentaux :

Une fois ces éléments en place, la discussion devient incroyablement productive.

Tester la résistance du système avec un simple message

L'un de mes moments préférés avec cet agent a été de réaliser un test de résistance complet à l'aide d'une simple commande de chat.

📌 J'ai dit à l'agent :

« Je souhaite faire un test de résistance. Déclenchez automatiquement le processus en choisissant des emplacements aléatoires et créez des tâches de campagne conformément au flux. Assurez-vous de ne manquer aucune étape du flux et qu'il n'y a pas de doublons dans les tâches. N'hésitez pas à me poser toutes vos questions avant de lancer le test. »

🌟 Voici ce qui s'est passé :

Au cours d'une seule discussion, il a fallu 15 à 30 actions, et j'ai pu clairement identifier les points de rupture potentiels de mon système à mesure que nous nous développons.

Résultat ? Je me suis rendu compte que mon installation était solide jusqu'à environ 50 emplacements, mais que si j'essayais de passer à plus de 100, le système risquait de rencontrer des difficultés. Cette information ne provenait pas d'un tableau de bord, mais d'une conversation avec mon agent.

Utiliser l'agent comme partenaire de rapports

👉🏼 J'utilise également la fonction de discussion pour poser des questions simples mais pertinentes, telles que :

👉🏼 L'agent répond en fournissant une liste des ressources, leur destination et des liens vers ClickUp. Ensuite, je passe à la vitesse supérieure :

« Fournissez-moi un résumé des dernières 24 heures et recommandez-moi les 10 meilleurs emplacements pour la distribution de ces ressources ensuite, en justifiant clairement chaque recommandation. »

L'agent utilise désormais :

… pour me recommander exactement où je devrais aller ensuite — et pourquoi.

👉🏼 Si je souhaite approfondir le sujet, je peux poser des questions complémentaires telles que :

L'agent utilise les mêmes données et la même logique pour me fournir une réponse ciblée.

D'un agent décisionnel IA intelligent à un moteur décisionnel évolutif

À ce stade, mon gestionnaire de bibliothèque de ressources est devenu une couche de prise de décision IA solide au-dessus de mon environnement de travail ClickUp.

Avant cela, je passais mon temps à :

Désormais, c'est l'agent décisionnel IA qui gère ce processus.

Je prends toujours la décision finale quand c'est nécessaire. Mais je ne pars plus de zéro. Et ce changement devient de plus en plus courant.

Selon un rapport de McKinsey & Company, c'est dans des domaines tels que le marketing, l'équipe commerciale et la stratégie — où la prise de décision joue un rôle central — que les entreprises constatent l'impact le plus mesurable de l'IA.

Étape suivante : Comment créer votre propre agent décisionnel IA dans ClickUp

Si vous jonglez avec des ressources réparties sur plusieurs emplacements, canaux ou clients, vous n'êtes pas condamné à passer votre vie sur des feuilles de calcul et à effectuer des routages manuels.

Commencez par vous poser la question suivante :

Concevez ensuite votre premier agent en fonction de ces réponses.

Enfin, discutez sur le chat : posez des questions, effectuez des tests de résistance et laissez l'agent vous montrer les points à améliorer dans votre système.

C'est ainsi que vous allez au-delà des automatisations et commencez à créer un système intelligent dans ClickUp qui travaille véritablement pour vous.

De l'expérimentation de l'IA à la prise de décision réelle basée sur l'IA

Si vous souhaitez automatiser la prise de décision grâce à l'IA, voici mon conseil le plus important :

Cessez de réfléchir :

❌ « Comment l'IA peut-elle m'aider à faire cela plus rapidement ? »

Et commencez à réfléchir :

✅ « Dans quels domaines l'IA devrait-elle prendre des décisions à ma place ? »

La plupart des équipes en sont encore à la première phase. Elles en sont au stade de l'expérimentation. Elles testent des outils. Elles effectuent l'automatisation de tâches simples.

Mais c'est lorsque vous intégrez un agent décisionnel IA dans un système déjà structuré à cet effet que vous en tirez pleinement parti.

C'est à ce moment-là que :

C'est pourquoi cela fonctionne dans ClickUp.

Comme tout — tâches, données et contexte — se trouve au même endroit, votre agent décisionnel basé sur l'IA peut réellement voir ce qui se passe. Et surtout, il peut agir en conséquence.