Votre IA sait parler. Sait-elle terminer le travail ?

Vous recrutez un assistant débrouillard pour gérer les rendez-vous clients. Il écrit clairement et comprend les demandes. Il lui faut néanmoins un accès au calendrier, les règles de réservation, l’historique des échanges et une personne à consulter pour les demandes inhabituelles. Même quelqu’un de compétent aurait du mal sans cette organisation. L’IA a besoin d’un soutien comparable. Comprendre le message n’est qu’une partie du travail.

Le modèle d’IA interprète les informations et produit une réponse ou propose une action. Le harness est le logiciel qui met ces propositions en pratique : il peut récupérer une fiche, exécuter une action autorisée, renvoyer le résultat au modèle et recommencer jusqu’à ce que la tâche soit terminée ou nécessite de l’aide. La documentation de Cloudflare décrit ce processus répété comme le cœur d’un harness. Un « agent IA » désigne le système complet qui utilise un modèle et un harness pour mener une tâche. Le harness est généralement intégré au produit utilisé : vous ne verrez peut-être jamais son nom sur un bouton.

La question utile est de savoir ce que l’ensemble du système peut mener à terme dans votre entreprise.

Voici un exemple illustratif, et non le récit d’un déploiement chez un client. Supposons qu’une entreprise de services autorise le déplacement d’un rendez-vous vers un créneau libre au même prix. Avec les connexions et les règles adaptées, un système d’IA pourrait traiter la demande ainsi. Si plusieurs heures sont disponibles le vendredi, il demande d’abord au client laquelle il souhaite.

• Retrouver: Identifier le bon client et le rendez-vous existant. Si la correspondance est incertaine, demander de l’aide.

• Vérifier: Consulter le calendrier à jour et les règles de déplacement des rendez-vous.

• Agir: Modifier la réservation une fois l’heure convenue et l’action autorisée. Une exception est transmise à une personne.

• Confirmer: Vérifier que le changement a été enregistré, puis envoyer la confirmation et garder une trace de l’opération.

Une réponse bien rédigée est utile. Une réservation correctement modifiée est le résultat attendu par le client.

Inutile de comprendre le code pour évaluer l’organisation. Demandez d’où viennent les faits, ce que le système peut faire, ce qu’il retient et comment il sait que le travail est terminé. Les travaux d’Anthropic sur les tâches longues montrent l’intérêt de consigner l’avancement et de vérifier les résultats : sans soutien adapté, un agent peut perdre le fil ou annoncer un succès trop tôt.

• Les bonnes informations: Des données actuelles et des règles claires, avec un moyen de repérer les informations manquantes ou contradictoires.

• Les bons outils: Des connexions aux systèmes où le travail se déroule, avec un accès limité à la tâche.

• Un suivi de l’avancement: Une trace des actions déjà réalisées, pour éviter de repartir à l’aveugle après une interruption.

• Un contrôle du résultat: Une preuve que le changement a réussi, avec un point d’arrêt ou de recours à une personne clairement défini.

C’est une question révélatrice lors d’une démonstration. Sans créneau adapté, le système devrait proposer des alternatives disponibles ou transmettre la demande à quelqu’un. Si le calendrier est inaccessible, il devrait signaler le problème et garder une trace du travail restant. Si une modification ne renvoie pas de résultat clair, il devrait vérifier ce qui s’est passé avant de réessayer. Sinon, il pourrait créer un doublon. Ces comportements doivent être conçus et testés ; le mot « harness » ne les garantit pas.

Écrire « toujours demander avant de faire une exception » dans une consigne ne revient pas à faire respecter cette règle par le logiciel.

L’IA peut mal comprendre une demande. Vos données peuvent être erronées. Une vérification peut manquer une erreur. Un harness aide à organiser le travail, mais ne rend pas le système infaillible et ne décide pas de vos règles métier. Quelqu’un doit définir les changements autorisés, la gestion des exceptions et les critères de fin. Cette personne doit pouvoir examiner les actions et suspendre le système. Commencez par une tâche dont les erreurs sont faciles à repérer et à corriger.

De nombreux produits d’IA intègrent déjà une partie de cette organisation. Vérifiez leurs capacités réelles et leurs connexions à vos systèmes. Une solution sur mesure peut être pertinente si les outils disponibles ne répondent pas aux besoins de votre processus. Pour une tâche aux étapes toujours identiques, une automatisation classique peut suffire. Dans ses conseils sur les agents, Anthropic recommande de commencer par la solution adaptée la plus simple. L’objectif est d’alléger le travail de votre équipe, ce que vous pouvez évaluer sans adopter chaque nouveau terme.

Choisissez une demande courante et suivez-la jusqu’au bout. Observez les sources d’information, les données modifiées et la réaction du système face à un élément manquant. Lancez ensuite un petit pilote et comparez les tâches terminées, le temps de vérification des employés, les erreurs et le coût total avec le processus actuel. Incluez des cas délicats, comme un créneau indisponible ou une demande répétée. Vous aurez ainsi une base concrète pour décider avant de confier davantage de travail.

Demandez : « Pouvez-vous me montrer le résultat final, et ce qui se passe lorsque la tâche ne peut pas être terminée ? »