MoEngage confie à l'IA le choix du message, du canal et du moment : comment mesurer un CRM qui décide seul

Section 1 · L'annonce

« Agents act. Decisioning decides. » : l'IA de décision d'Aampe entre dans MoEngage

MoEngage, plateforme d'engagement client (emails, notifications, SMS, messages dans l'app), a présenté le 30 octobre 2026 les nouveautés de son événement NEXT Autumn '26, dans un article signé par son cofondateur et PDG, Raviteja Dodda.

L'annonce centrale porte sur Aampe, une start-up de San Francisco fondée en 2020 que MoEngage a rachetée en juin 2026. Les conditions du rachat n'ont pas été communiquées. Sa technologie de décision est désormais entièrement intégrée à MoEngage, et l'équipe fondatrice d'Aampe pilote cette activité.

MoEngage résume la répartition des rôles en une formule : « Agents act. Decisioning decides. » Les agents IA exécutent des tâches (analyser, rédiger, auditer). La couche de décision, elle, choisit ce que chaque client reçoit.

Agent ou décision : la différence Un agent IA réalise une tâche qu'on lui confie : produire un rapport, rédiger un brouillon de campagne, vérifier une configuration. Une IA de décision tranche à la place de l'équipe : pour ce client précis, quel message, sur quel canal, à quel moment. C'est cette seconde brique qui change la façon de mesurer.

Section 2 · Comment ça marche

Du segment au client : l'IA choisit contenu, canal et moment, personne par personne

Le constat de départ de MoEngage : le marketing par segments vise un client « moyen » qui n'existe pas. L'article cite trois obstacles : raisonner en segments, des apprentissages qui repartent de zéro à chaque campagne, et un calendrier qui dicte les décisions.

Le travail de l'équipe CRM change de nature. MoEngage le décrit comme un passage de « segmenter, construire, programmer » à « définir la stratégie et confier ». Selon le communiqué du rachat, la technologie d'Aampe repose sur l'apprentissage par renforcement (algorithmes de type bandit manchot multi-bras) et sur une inférence causale au niveau de chaque individu.

L'annonce comprend aussi le Merlin Agent Harness, un espace de travail commun aux équipes marketing et aux agents IA (création d'agents, outils MCP, connecteurs, règles de gouvernance), un agent global qui signale de lui-même les baisses d'indicateurs, et des nouveautés côté données et canaux.

Section 3 · La mesure

Quand chaque client reçoit un message différent, le test A/B de campagne disparaît

Jusqu'ici, une équipe CRM testait des campagnes : objet A contre objet B, envoi à 9 h contre envoi à 18 h. Les deux versions partaient à deux moitiés de la base, et on comparait.

Avec une IA de décision, il n'y a plus deux versions mais autant de parcours que de clients. Comparer un objet à un autre n'a plus de sens. La question devient : l'IA fait-elle mieux que nos règles actuelles ? Et mieux que pas de message du tout ?

MoEngage annonce une mesure causale, qui attribue les résultats aux messages qui les ont produits, plutôt qu'à ce qui se serait passé de toute façon. C'est le bon réflexe : un client fidèle aurait souvent acheté sans le rappel qu'il a reçu.

Mesure causale, en clair Une mesure causale cherche l'effet propre du message : la différence entre ce que le client a fait après l'avoir reçu et ce qu'il aurait fait sans. Le seul moyen simple de l'estimer à l'échelle d'un programme, c'est de garder une partie des clients qui ne reçoivent pas le traitement, tirée au hasard.

Le communiqué du rachat d'Aampe cite d'ailleurs un client, l'application fiscale Taxfix, qui mesure ses résultats face à un groupe témoin global. C'est exactement le repère qu'une marque doit garder chez elle, indépendamment de la mesure fournie par l'outil.

Section 4 · Deux repères

Deux groupes de comparaison à garder côté marque

La mesure de l'éditeur est utile, mais c'est l'outil qui se note lui-même. Pour garder un jugement indépendant, nous recommandons deux groupes, tirés au hasard et stables dans le temps :

• Taille : assez grande pour détecter un écart utile sur le revenu par client. Quelques pourcents de la base suffisent souvent sur une grande base ; davantage sur une petite.
• Durée : plusieurs mois. L'effet d'une IA qui apprend client par client se juge dans la durée, pas sur une semaine.
• Indicateur : le revenu par client du groupe entier, pas le revenu par message ouvert ou cliqué.

« La première question avant d'activer une décision automatique : contre quoi va-t-on la comparer ? »

Section 5 · Les désabonnements

Suivre les désabonnements autant que les achats

Une IA qu'on récompense sur les clics apprend vite à solliciter davantage. À court terme, les ventes montent. À moyen terme, une partie de la base se désabonne, met les messages en spam ou désactive les notifications, et ce public ne revient pas.

1. Définir les signaux négatifs dès le départ : désabonnement, plainte spam, désactivation des notifications, désinstallation de l'app.
2. Fixer des plafonds de fréquence par canal et par client, dans l'outil.
3. Suivre chaque mois la part de la base encore joignable, par canal, dans le groupe IA comme dans les deux groupes de comparaison.
4. Revoir les objectifs donnés à l'IA si la base joignable baisse plus vite que dans le groupe « règles actuelles ».

Section 6 · Par où commencer

Par où commencer avant d'activer une IA de décision