Chaque vendredi après-midi, quelqu’un de votre équipe prépare le rapport hebdomadaire des remboursements. Il extrait les chiffres des mêmes systèmes, les vérifie dans le même ordre et les envoie aux mêmes personnes. Personne ne dirait que c’est difficile. C’est une compétence, apprise une fois puis répétée, et chaque semaine, elle détourne une personne capable d’un travail plus utile. Chaque équipe a une douzaine de tâches de ce genre : le rapprochement de fin de mois, les comptes d’un nouvel arrivant, les trois mêmes vérifications avant chaque mise en production.
Votre IA peut aider, mais elle repart de rien à chaque fois. Elle lit les instructions, raisonne étape par étape et se fait payer chaque appel, et le vendredi suivant, elle recommence tout. Elle sait faire la tâche. Elle ne l’apprend jamais.
Duplex acquiert ses propres compétences. Il apprend une tâche en la faisant, en n’essayant que les étapes que vous autorisez, même avec votre IA désactivée, et personne n’a à écrire ces étapes. Il teste chaque compétence avant de s’en servir, l’exécute ensuite en une fraction de milliseconde, sans appel au modèle, et s’en défait dès que vous le demandez.
Seul, Duplex essaie les étapes que vous autorisez, avec votre IA coupée.
Il apprend avec le modèle désactivé.
Les gens apprennent une compétence en la pratiquant. Une recrue essaie les étapes, en rate quelques-unes, trouve l’ordre qui marche et, au bout de quelques semaines, fait le travail sans y penser. Un modèle ne peut pas apprendre ainsi, car votre travail ne le change pas. Il apporte un vaste savoir à chaque tâche et retrouve les étapes en raisonnant, à nouveau, appel après appel.
Il existe aujourd’hui de bons moyens de faire accomplir une tâche, et chacun a son prix. Un script ou un workflow est fiable et peu coûteux à exécuter une fois que quelqu’un l’a écrit, et il ne fait que ce pour quoi il a été écrit. Un modèle de pointe qui résout la tâche en contexte est souple et ne demande aucune mise en place, et il paie cette souplesse à chaque exécution. La méthode des essais et erreurs apprend en faisant, comme les gens, et demande un très grand nombre de tentatives pour y arriver.
Duplex apprend lui aussi en faisant, et votre IA peut rester désactivée tout du long. Il essaie les étapes que vous autorisez, dans des limites que vous tracez aussi serrées que le travail l’exige, et trouve un chemin qui atteint l’objectif. Apprendre en faisant n’est sûr que si l’action a des limites, si bien que tout ce qui est dangereux est refusé avant de s’exécuter. Dans quatre suites sur dix exécutions, chacune notée sur sa pire exécution, Duplex a accompli chaque tâche avec le modèle désactivé, en 2.8× moins de tentatives qu’avec les essais et erreurs. Il a refusé en chemin 627 actions dangereuses à chaque exécution, et a tout de même appris la voie sûre.
La différence se voit sur une exécution. Un modèle de pointe chargé de la même tâche en contexte a fait environ 507 appels au modèle par exécution, en la résolvant à nouveau à chaque fois. Duplex l’a apprise avec le modèle désactivé et n’a fait aucun appel au modèle. Pour une tâche qui revient chaque semaine, c’est la différence entre une facture de modèle sans fin et pas de facture du tout. Duplex apprend la tâche une fois, et votre IA reste libre pour le travail qui demande du raisonnement.
Un modèle de pointe qui résout la tâche en contexte fait un appel au modèle à chaque tentative.
Il teste une compétence avant de s’en servir, et la retire sur demande.
Un système qui apprend seul n’est utile que si vous pouvez vous fier à ce qu’il apprend. La crainte est légitime : un raccourci qui a marché une fois et qu’on utilise ensuite partout, ou une habitude que personne n’a demandée et qu’on ne peut pas reprendre. Dans un modèle entraîné, ce qu’il a appris est réparti dans l’ensemble, si bien qu’aucune leçon ne peut en être extraite isolément, et en corriger une oblige à réentraîner.
Duplex teste une nouvelle compétence avant de s’en servir. Une compétence qu’il a trouvée n’entre en service qu’une fois ses vérifications passées, et d’ici là, le travail continue comme avant. Un raccourci qui a marché une fois par hasard ne suffit pas. Ce qui atteint vos systèmes et vos clients, c’est une compétence qui a déjà fait ses preuves.
Une fois validée, une compétence ne coûte presque rien à réutiliser. Duplex a répété une compétence apprise en 0.26 ms, sans appel au modèle, là où un modèle travaillant en contexte paie pour raisonner à chaque étape chaque fois que la tâche revient. Comme tout ce que Duplex apprend, la compétence vous appartient, et tout agent que vous autorisez peut l’utiliser. Un travail comme le rapport hebdomadaire cesse d’être quelque chose que votre IA doit résoudre pour devenir quelque chose que Duplex fait.
Et vous pouvez retirer n’importe quelle compétence. Les processus changent, des systèmes sont mis hors service, et une étape qui convenait le trimestre dernier peut ne plus convenir aujourd’hui. Demandez qu’une compétence disparaisse, et Duplex la retire en laissant tout le reste de ce qu’il a appris tel quel. Lors des tests, chaque compétence apprise a été retirée sur demande et vérifiée bit à bit, si bien qu’il n’en restait rien.
Voilà ce qu’il faut pour laisser un système apprendre seul : des limites fixées avant qu’il commence, des vérifications avant que quoi que ce soit de nouveau soit utilisé, et le pouvoir de retirer n’importe lequel de ses acquis. Avec ces trois conditions, le travail que votre équipe répète chaque semaine peut devenir des compétences que Duplex trouve, teste et exécute en une fraction de milliseconde. Votre IA prend les problèmes qui demandent du raisonnement, vos collaborateurs font les arbitrages, et votre équipe retrouve ses vendredis.
Duplex met en attente une nouvelle compétence jusqu’à ce qu’elle passe ses vérifications.