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

J’ai utilisé de nombreux flux de travail et automatisations traditionnels dans ClickUp. Ils sont très efficaces pour faire passer 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. Et j'ai trouvé la solution dans un agent décisionnel basé sur l'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 des Super Agents de ClickUp ) 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 fort de 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 liées aux campagnes figuraient dans des listes distinctes, et c'était toujours à moi de décider où chaque ressource devait être placée ensuite. 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 conception d'un système intelligent dans ClickUp, capable de prendre des décisions à ma place ?

🦾 Vous découvrez les Super Agents de ClickUp ?

Les « Super Agents » de ClickUp sont des agents basés sur l’IA qui opèrent 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 fonctionnent à partir des informations en temps réel de votre 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.

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 basé sur l'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 souhaitais disposer d’un espace 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 relatives à la distribution des ressources au sein de ClickUp afin qu'aucun élément ne passe entre les mailles du filet.

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

La performance d’un agent décisionnel basé sur l’IA dépend entièrement 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 les données de vos campagnes sont tous regroupés. Lorsqu’un agent dispose d’une vue d’ensemble (ressources, emplacements, statuts, historique) au sein d’un espace de travail numérique connecté, ses décisions reposent sur des faits concrets et non sur des suppositions.

Pour moi, l’environnement de travail IA convergé de ClickUp est l’endroit idéal.

Avec ClickUp, au lieu de bricoler un ensemble disparate d’outils d’IA autonomes qui ne voient chacun qu’une partie de vos opérations, vous disposez d’une couche intelligente qui chapeaute l’ensemble des activités réelles de votre équipe. 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 de concert.

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’avaient pas été bien conçus, l’agent aurait soit calé, soit semé 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 recherchais, 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 astucieuse. Je construisais ce que j’appelle un « Beyond Super Agent » : un agent qui comprend l’objectif, fonctionne au sein d’un système performant et dispose d’un rôle clairement défini.

Comment j’ai structuré les instructions pour rendre l’agent décisionnel IA fiable : mes 5 piliers pour les 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 clairs. Cela a permis de rendre l'agent décisionnel basé sur l'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 plaçant dans la peau 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 s'égare 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 reconnaître les bonnes décisions.

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

La qualité d’une décision dépend 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 déterminer ce que vous devez 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, données d'entrée et résultats —, la solution correspond généralement étroitement au véritable problème que j'essaie de résoudre.

🎥 Voici une brève vidéo explicative si vous souhaitez vous essayer à la création de votre propre « Super Agent » :

Comment fonctionne concrètement mon agent décisionnel IA, également appelé « Gestionnaire de bibliothèque de ressources », au sein de ClickUp

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

Option 1 : déclencher manuellement depuis la bibliothèque de ressources

Le premier mode est simple et direct.

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

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 diffusée à Islamabad et qui est une vidéo de relance, envoyons ensuite une image de relance ou une image de mobilité. »

Au lieu que je doive constamment vérifier où un élément a été diffusé et quelle doit être la prochaine étape, c'est l'agent qui analyse les données et prend les décisions.

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

Dans ClickUp, les agents peuvent intervenir 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 envoyer une demande et avoir une discussion interactive.

Pour un agent tel que l’Asset Library Manager, 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 à l'aide d'un simple message

L'un des moments que j'ai 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 effectuer un test de résistance. Déclenchez automatiquement le processus en choisissant des emplacements aléatoires et créez des tâches de campagne conformément au flux. Assurez-vous qu’aucune étape du flux ne manque et qu’il n’y a pas de doublons dans les tâches. N’hésitez pas à me poser toutes les questions nécessaires 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 me faire une idée précise des points de rupture potentiels de mon système à mesure que nous nous développons.

Résultat ? Je me suis rendu compte que mon installation fonctionnait bien 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 discussion 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, 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 « Asset Library Manager » est devenu une couche décisionnelle IA solide intégrée à mon environnement de travail ClickUp.

Avant cela, je passais mon temps à :

Désormais, c'est l'agent décisionnel basé sur l'IA qui se charge de ce processus.

Je prends toujours la décision finale lorsque cela s'avère nécessaire. Mais je ne pars plus de zéro. Et cette évolution est de plus en plus courante.

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 mesurable le plus important de l'IA.

Étape suivante : Comment créer votre propre agent décisionnel basé sur l'IA dans ClickUp

Si vous devez gérer des ressources réparties sur plusieurs emplacements, canaux ou clients, vous n'êtes pas condamné à passer votre temps sur des tableurs et à effectuer des répartitions manuelles.

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 simples automatisations et que vous commencez à créer dans ClickUp un système intelligent 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 vous demander :

❌ « 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 petites tâches.

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

C'est dans ces cas-là que :

Voici pourquoi cela fonctionne au sein de ClickUp.

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