GTM génère ses notes de version tout seul. Et ce n’est que le début.

Google Tag Manager vient de déployer une fonctionnalité propulsée par l’IA. Elle n’est pas spectaculaire, pas mise en avant, et franchement, on ne lui ferait pas un article si elle ne touchait pas à quelque chose d’essentiel que beaucoup d’entre nous négligent : le nommage des versions de container.

Désormais, GTM génère automatiquement un nom de version et une description à partir des changements effectués dans le workspace. Parce que les versions sont souvent nommées à la va-vite — ou pas du tout. Et pourtant, un historique bien annoté, c’est ce qui permet de comprendre ce qui s’est cassé à 23h un vendredi soir.

La feature est activée par défaut dans les containers GTM, disponible dans le flux de création de version. Tu n’as rien à configurer. L’IA observe tes modifications, les interprète, et propose un résumé. Tu valides, tu corriges, tu publies.

Ça semble anecdotique. Ça ne l’est pas.

Ce que cette feature dit vraiment de la direction de GTM

En parallèle de cette nouveauté, Google prépare une intégration majeure entre Google Tag et Google Tag Manager, et a déjà commencé à déployer des changements d’interface dans les containers GTM. GTM reçoit sa mise à jour la plus significative depuis des années : les containers GTM deviennent effectivement des Google Tags, fusionnant deux lignes de produits qui ont toujours été étroitement liées sous le capot.

L’une des composantes majeures de cette évolution est le visual tagging — la capacité de créer des événements et configurer des conversions pour les produits Google sans coder manuellement. Le mécanisme permet de sélectionner des éléments directement sur un site web pour définir des événements, pendant que le système gère en arrière-plan les sélecteurs CSS, les triggers et la structure des tags.

La trajectoire est claire : Google automatise la couche d’exécution. Ce qui prenait 20 minutes de configuration manuelle en devient 3. La génération de notes de version par IA, c’est le premier signe visible de cette logique appliquée à la gouvernance du container.

Les tâches GTM/GA4 qui disparaissent dans les 18 mois

Soyons directs. Voici ce qui va s’automatiser, et vite.

Documentation et versionning. C’est déjà là. La génération par IA n’est pas parfaite, mais c’est un bon point de départ pour pousser les utilisateurs GTM à mieux annoter leurs versions de container. Dans 18 mois, cette logique s’étend : suggestions de nommage d’événements GA4, détection automatique des doublons de tags, alertes de régression après publication.

Le tagging no-code pour les événements Google standards. GA4 supporte déjà des fonctionnalités de mesure améliorée via GTM et gtag.js, qui trackent automatiquement les scrolls, clics sortants, recherches internes et téléchargements de fichiers sans code custom. Le visual tagging étend cette logique à des cas plus complexes. Un marketeur configurera ses conversions Google Ads directement depuis l’interface, sans passer par l’analyste.

La génération de rapports standard. La génération de rapports de routine est de plus en plus automatisée via des dashboards avancés et des logiciels de visualisation. Les outils automatisés produisent des rapports opérationnels précis, réduisant le besoin d’intervention manuelle sur ces tâches standardisées.

Ancienne école vs méthode augmentée : un exemple concret

Prenons la configuration d’un événement add_to_cart avec passage de paramètres e-commerce vers GA4.

Ancienne école (2022-2024)
L’analyste inspecte le dataLayer manuellement dans la console, identifie les clés disponibles (ecommerce.items, ecommerce.value), crée les variables GTM une par une, configure le tag GA4 Event, teste en preview, débogue les paramètres manquants, documente dans Notion, crée la version « addtocart v1 — test prod ». Durée : 45 minutes minimum.

Méthode augmentée (aujourd’hui)

Voici un prompt opérationnel à passer directement à un LLM avant même d’ouvrir GTM :

Tu es expert GTM et GA4 e-commerce.
Mon site pousse un dataLayer standard GA4 e-commerce sur les clics
"Ajouter au panier". Génère :
1. La liste des variables GTM à créer (type, nom, chemin dataLayer)
2. La configuration complète du tag GA4 Event "add_to_cart"
   avec tous les paramètres e-commerce recommandés
3. Le trigger exact à utiliser
4. Les 3 tests de validation à faire en mode Preview
Format : tableau markdown + JSON de config exportable.

En sortie, tu obtiens une base de travail solide en 90 secondes. Tu valides, tu adaptes au contexte client, tu implémentes. La GTM AI s’occupe ensuite de documenter la version. Durée effective : 12 minutes.

Ce n’est pas de la magie. C’est du levier.

Sur quelles compétences miser maintenant

L’avenir des métiers de la data en 2026 est centré sur l’évolution, pas le remplacement. À mesure que l’IA automatise les tâches routinières, les organisations accordent plus de valeur aux analystes capables d’interpréter les données, de résoudre des problèmes business et de transformer les insights en décisions éclairées.

Traduit pour notre métier : ce qui prend de la valeur, c’est la capacité à concevoir des architectures de tracking robustes (pas à cliquer dans des interfaces), à auditer ce que l’IA propose plutôt qu’à l’exécuter aveuglément, et à faire le lien entre un besoin métier et un schéma de données.

Si tu pilotes une équipe data, assume que l’IA va remplacer les parties génériques du travail. Ce qui reste : le jugement, la compétence de configuration, et la crédibilité.

La génération automatique de notes de version dans GTM, c’est trivial pris isolément. Mais c’est le même modèle mental que le visual tagging, que les suggestions de paramètres GA4, que les rapports auto-générés : Google automatise la couche d’exécution mécanique. Ce qui ne s’automatise pas, c’est de savoir pourquoi on track telle donnée, ce qu’on en fait, et comment on détecte quand l’IA s’est trompée.

Ouvre ton prochain container GTM. Regarde la description générée automatiquement à la prochaine publication. Demande-toi si tu aurais écrit mieux, et pourquoi.