Tech • IA • Robotique • Jeu
Créer des agents sécurisés pour le travail intellectuel
5/10INTRO
Every, une entreprise de médias et de technologie centrée sur l’adoption de l’IA au travail, a créé un collègue IA basé sur Slack et partagé, conçu pour diffuser les meilleures pratiques dans les organisations et transformer le jugement expert en workflows réutilisables.
POINTS CLÉS
Du prompting privé aux workflows partagés
Every affirme que l’IA transforme moins le travail en remplaçant directement les personnes qu’en obligeant les équipes à repenser leur manière d’opérer. Dans le logiciel, les employés utilisent déjà des agents coordonnés pour accélérer fortement les roadmaps, et l’entreprise estime qu’un changement similaire arrive dans l’ensemble du travail intellectuel. Le principal obstacle n’est pas seulement la qualité des modèles, mais aussi la difficulté à juger si la sortie d’une IA est réellement utile pour un poste précis.
Un agent d’entreprise dans Slack
Le produit, appelé Every Agent, est présenté comme un collègue IA intégré à Slack plutôt que comme un assistant personnel séparé. Ce choix reflète un glissement des configurations un-agent-par-personne vers un agent partagé que plusieurs employés peuvent améliorer ensemble. En travaillant dans une interface commune, le personnel peut voir les prompts, réponses et workflows publiquement, ce qui rend les habitudes d’usage de l’IA plus faciles à reproduire dans toute l’entreprise.
Conçu pour les “ambassadeurs IA”
Every a identifié un problème récurrent dans les organisations: des employés enthousiastes découvrent souvent des workflows IA puissants, mais peinent à convaincre leurs collègues de les adopter. Un agent Slack partagé permet à ces utilisateurs de montrer les résultats au lieu de simplement les décrire. L’objectif est de transformer une expérimentation isolée en pratique à l’échelle de l’organisation.
Prendre en charge un travail routinier mais pénible
Un cas d’usage concret concernait l’open enrollment des avantages sociaux des employés. Au lieu que chaque employé téléverse individuellement un PDF de régime complexe dans un chatbot, l’entreprise a utilisé l’agent pour comprendre les options disponibles, les faire correspondre à la situation de chaque employé et guider le choix du régime. La valeur ne tenait pas seulement au temps gagné, mais aussi à une plus grande confiance dans le fait que les recommandations reflétaient le contexte de l’entreprise plutôt qu’une réponse générique de modèle.
Encoder le jugement éditorial
Un second exemple est “Kate Bench,” un système fondé sur environ 30,000 historical edits de la rédactrice en chef Kate Lee. Les employés peuvent demander à l’agent d’effectuer une “Kate pass” sur un brouillon, et il suggère alors directement des modifications dans Google Docs conformément à ses préférences. Kate examine ensuite les changements, et le système suit ce qu’elle a encore dû corriger afin que la compétence d’édition s’améliore avec le temps.
L’automatisation comme effet d’échelle pour les experts
L’entreprise présente cela non comme un remplacement des spécialistes, mais comme une manière de multiplier leur portée. Quand l’organisation est passée de 4 personnes à environ 30, la relecture éditoriale senior est devenue un goulot d’étranglement. En convertissant le goût expert en système réutilisable, l’entreprise affirme que les standards d’une personne peuvent être appliqués à beaucoup plus de productions sans exiger davantage d’heures de sa part.
Des benchmarks adaptés au travail réel
Every s’est progressivement davantage concentrée sur des évaluations sur mesure que sur les classements génériques de modèles. Son processus interne transforme des exemples de bons et mauvais comportements de modèle en contrôles fondés sur des règles, proches de tests unitaires pour le travail intellectuel. Au lieu de demander si un modèle obtient globalement un bon score, l’entreprise demande s’il respecte des standards précis comme le formatage des titres, le ton ou les conventions d’édition.
Pourquoi l’entreprise a choisi une infrastructure d’agents managée
Les premières tentatives pour faire fonctionner en interne une infrastructure d’agents plus large se sont révélées difficiles. Every a indiqué que Claude Managed Agents offrait des fonctions clés comme des sandboxes, la memory, le session control et des environnements isolés, permettant à l’équipe de se concentrer davantage sur la conception des interactions et le comportement des workflows que sur la maintenance de l’infrastructure. L’entreprise a aussi mis en avant les bénéfices de sécurité liés à l’isolation intégrée et à un meilleur contrôle de ce que l’agent peut consulter au nom d’un utilisateur.
L’étape suivante: capitaliser le goût
L’objectif à plus long terme est un système qui apprend en continu à partir des corrections, préférences et exemples des utilisateurs. Every compare les modèles de pointe actuels à de jeunes diplômés très capables: impressionnants aux tests, mais peu familiers de la manière dont un lieu de travail précis fonctionne. L’ambition est de construire des agents qui gagnent au fil du temps en “fidélité” au goût, au jugement et au style de travail d’un utilisateur, puis de rendre cette expertise accessible aux autres dans l’organisation.
CONCLUSION
L’approche d’Every reflète un basculement plus large de l’IA au travail: des chatbots individuels vers des systèmes partagés qui capturent et diffusent le savoir-faire institutionnel. La question centrale n’est plus de savoir si les modèles peuvent égaler la performance humaine sur des benchmarks généraux, mais s’ils peuvent exprimer de façon fiable les préférences et standards qui définissent le vrai travail dans une entreprise.
Poser une question