Le jour de son arrivée, une nouvelle recrue de votre équipe support ne part pas de rien. Elle reçoit la politique de retour, un dossier de tickets bien traités par l’équipe, les exceptions que tout le monde connaît par cœur, et un collègue qui lui dit quels cas vont à un manager. Elle est utile dès sa première semaine parce que l’équipe lui transmet ce qu’elle sait déjà.
La plupart des IA n’ont pas droit à un tel accueil. Un nouvel assistant démarre sans rien de tout cela, si bien que votre équipe réexplique les mêmes choses, une correction à la fois, et les corrections survivent rarement à la session. Le savoir était là depuis le début, dans les tickets relus, les fils d’approbation, les documents de politique et les runbooks, et l’IA ne le voit que si quelqu’un le colle ou si une recherche tombe dessus par hasard.
Duplex peut démarrer comme une bonne recrue. Il apprend ce à quoi votre équipe se fie déjà avant de servir, si bien qu’il est utile dès la première requête, et il continue d’apprendre de chaque résultat que votre équipe confirme.
Partez de ce que votre équipe sait déjà.
Commencez par ce que vous savez déjà.
La plupart des équipes ont déjà la matière, dispersée dans les outils qu’elles utilisent. Il y a des exemples relus et des décisions qu’elles assument, des politiques et des playbooks, des exécutions d’outils qui ont marché, et des méthodes auxquelles elles se fient : la façon dont un remboursement est approuvé, le chemin que suit un litige de facturation, les vérifications avant l’envoi d’un contrat.
Aujourd’hui, cette matière parvient à l’IA par quelques voies familières, et chacune a son utilité. Un prompt est rapide, mais il doit accompagner chaque requête, et il grossit jusqu’à ce que personne n’ose plus le modifier. Une recherche documentaire trouve le passage qui ressemble le plus à la question, ce qui aide quand on sait quoi demander. Un fine-tuning modifie le modèle lui-même, au prix d’un projet d’entraînement figé le jour où il se termine.
Pré-entraîner Duplex, c’est autre chose. Il apprend de la matière avant sa première requête, de la même façon qu’il apprend du travail réel : il comprend la décision qui sous-tend chaque exemple, où elle s’applique et où elle ne s’applique pas. Votre équipe place chaque élément dans l’espace de travail auquel il appartient, si bien que le playbook du support guide les réponses du support et jamais les approbations de l’équipe financière.
Et Duplex sait d’où vient chaque élément. Une réponse qu’il donne le premier jour arrive avec les exemples qui la fondent, et chaque exemple renvoie à la décision ou au document sur lequel il repose, si bien que votre équipe peut vérifier la réponse avant de s’y fier.
Utile dès la première requête, à jour ensuite.
Le premier jour, Duplex prend en charge dès la première requête le travail sur lequel il a été pré-entraîné : la question de retour qui arrive chaque matin, le remboursement qui exige l’approbation d’un manager, le litige qui relève de la facturation. Il les règle en quelques millisecondes, sans appel au modèle, et tout le reste va à votre IA, accompagné de ce que Duplex sait du cas. Votre équipe cesse d’expliquer les bases, et votre IA consacre son temps à ce qui est nouveau.
Le pré-entraînement est une longueur d’avance, et Duplex est utile sans lui. Démarré à vide, il apprend du seul travail réel, un résultat confirmé à la fois, ce qui convient à une équipe qui a peu de matière pour commencer. Pré-entraîné, il commence avec ce que votre équipe savait déjà, au lieu de le découvrir résultat après résultat.
Une longueur d’avance n’est qu’un début. Les politiques changent, les outils changent et les gens trouvent de meilleures méthodes, si bien qu’un instantané de ce que votre équipe savait le premier jour se périme au premier changement de politique. Pour un modèle d’IA, le pré-entraînement est là où l’apprentissage s’arrête : il apprend le monde, sort et reste tel quel. Pour Duplex, le pré-entraînement est là où l’apprentissage commence.
Quand une politique change, Duplex suit la nouvelle dès la requête suivante, et tout le reste de ce qu’il a appris, au pré-entraînement ou en direct, demeure tel quel. La longueur d’avance reste une longueur d’avance, au lieu de devenir un obstacle que votre équipe doit contourner.
Démarré à vide, Duplex apprend du seul travail réel, un résultat confirmé à la fois.
La clarté l’emporte sur le volume.
La tentation est de tout déverser : chaque ticket, chaque fil, chaque version de chaque politique. Plus il y en a, plus on se sent en sécurité, et les archives sont faciles à exporter.
Mais une grosse archive mélange les exemples clairs avec des exemples dépassés, contradictoires et douteux : la politique d’il y a deux versions, deux managers qui ont tranché le même cas de deux façons, la réponse envoyée et jamais vérifiée. Apprenez de tout cela, et le doute vient avec le savoir.
Un petit ensemble d’exemples clairs et à jour en apprend davantage qu’une grosse archive d’exemples incertains. Un exemple clair, c’est un exemple que votre équipe donnerait encore aujourd’hui, pour une raison qu’elle saurait expliquer. Votre équipe relit ce qui entre et choisit les décisions qu’elle assume. Incluez les cas qui doivent aller à une personne, et Duplex apprend à les transmettre au lieu de deviner.
Le premier jour n’est pas définitif non plus. Si un exemple s’avère faux, ou si la politique qui le sous-tend change, votre équipe peut corriger ou retirer cette seule leçon, et tout le reste de ce que Duplex a appris demeure tel quel.
Une bonne recrue est utile dès la première semaine grâce à ce que l’équipe lui a transmis, et bonne au bout d’un an grâce à tout ce qu’elle a appris sur le terrain. Duplex fonctionne de la même façon. Le pré-entraînement est la passation, et chaque résultat que votre équipe confirme ensuite est un apprentissage sur le terrain.
Une grande archive mêle des exemples clairs à d’autres périmés, contradictoires et douteux.