Présentation du produit

ThinkingDataAI a annoncé le Agentic Engine, une plateforme d’autonomie de croissance destinée aux entreprises de consommation et de jeux vidéo. Le service s’appuie sur des agents IA capables de suivre les données en temps réel, de lancer des expériences et de concevoir des campagnes marketing. La société indique que le moteur a été testé sur plus de 1 500 entreprises et 8 000 applications, dont des acteurs majeurs comme Sega, Krafton, Habby et Century Games.

Architecture et déploiement

L’Engine s’installe sur l’infrastructure du client, que ce soit en mode self‑hosted, on‑premise ou cloud privé. Cette contrainte d’hébergement permet de réutiliser les modèles déjà existants chez le client, évitant ainsi le transfert de données sensibles vers des services externes. Les agents analysent les flux de données, identifient des insights et les renvoient à un opérateur humain qui valide ou ajuste les actions proposées. Le processus se poursuit automatiquement : l’agent met à jour le plan de suivi, reconstruit les segments d’audience ou redéfinit la campagne, ce que ThinkingDataAI qualifie de « agentic growth ».

Méthodologie d’apprentissage

Le moteur a été entraîné sur des charges de travail de jeux vidéo, où la rétention et la monétisation varient d’une minute à l’autre. Cette base d’apprentissage permet aux agents de détecter rapidement des variations de comportement utilisateur et d’ajuster les stratégies en conséquence. En s’appuyant sur les modèles déjà déployés par le client, l’Engine ne nécessite pas de formation supplémentaire, ce qui réduit le temps d’intégration.

Impact opérationnel et limites

ThinkingDataAI affirme que le délai de mise en place du suivi des données passe de plusieurs semaines à quelques heures. De plus, les réponses fournies par les agents juniors seraient comparables à celles d’analystes seniors, ce qui pourrait diminuer les coûts de main‑d’œuvre. Toutefois, la promesse de confiance totale dans des agents manipulant des revenus en direct reste à vérifier : aucune métrique de précision ou de taux d’erreur n’est fournie, et la dépendance à des modèles internes peut limiter la portabilité entre environnements hétérogènes. Enfin, la nécessité d’une infrastructure client robuste impose un prérequis matériel qui peut freiner l’adoption chez les petites structures.