🇫🇷 this article is written in French (you may ask a genAI to translate it…) An abstract in plain English is provided at the end 🇫🇷
D’un simple au outil de travail à …
L’IA est devenue incontournable (qu’on le veuille ou non). La plupart d’entre nous l’utilise déjà au quotidien pour améliorer notre propre productivité. Les entreprises vont progressivement intégrer l’IA dans leurs offres à destination des clients.
Chez Future Path, nous avons une approche clé en main pour concevoir des systèmes/solutions/concepts basés sur l’IA où les humains gardent le contrôle et restent au cœur des activités. Cela permet d’offrir une expérience utilisateur exceptionnelle dans les futurs services et produits des entreprises.
Et, bien sûr, nous utilisons l’IA dans nos propres activités. Comme tout le monde en fait.
Point de vigilance : on associe souvent l’IA uniquement à l’IA générative (genAI), ce qui peut prêter à confusion.
Il y a un article très intéressant (en 🇫🇷) de Fred Cavazza qui clarifie (si besoin est) comment l’IA générative se positionne par rapport à l’IA en général. Le graphique est très illustratif et simple :
… à des assistants hyper malins
Dans la suite de cet article, nous nous concentrerons presque exclusivement sur l’IA générative. Et nous adopterons la perspective d’utilisation de l’IA (la genAI donc) pour intensifier nos pratiques d’innovation : aller plus en profondeur, explorer plus en largeur, gagner du temps…
Nous recommandons d’abord d’utiliser votre propre réflexion : sur papier, en marchant, ou sur un tableau blanc, seul ou en groupe, avant d’interroger l’IA. Si vous êtes aussi paresseux que moi, vous constaterez que si vous commencez par interroger un agent, vous aurez du mal à remettre en cause ses productions et vous aurez naturellement tendance à prendre telles quelles ses propositions.
De nombreux acteurs éclairés et visionnaires (à commencer par Andrew Ng) misent beaucoup sur les Agents. Vous pourriez également rencontrer les termes GPTs, bots, collection ou Assistants : nous les utiliserons de manière interchangeable dans le présent article (le même Fred Cavazza s’est livré à l’exercice de définir ces termes de manière habile).
On dit qu’un tel agent est beaucoup plus efficace et perspicace qu’une simple conversation via un LLM (comprenez un seul prompt). Il a également l’avantage d’être réutilisable dans divers contextes (tout en s’appuyant sur l’expertise unique que vous y avez injectée).
Car en fait, tout est là : l’intelligence de l’Agent, c’est la vôtre ; celle que vous aurez mise en créant et façonnant cet Agent. Votre intelligence et expertise augmentées de celles des milliers de contributeurs sur Internet qui ont permis aux LLM d’absorber une énorme partie de la connaissance humaine.
Du ad hoc vers la capitalisation
Un exemple pour justifier l’intérêt des Agents (en plus de celui fourni dans l’article précédent) pourrait être un assistant de relecture de votre production écrite.
Disons que vous avez écrit un texte (il aurait pu être généré… 🤭). Vous aimeriez en avoir une relecture, sans trahir votre propre style d’écriture (vous ne souhaitez donc pas une réécriture à la sauce IA).
Vous pouvez donc demander à un LLM de le relire, de corriger les fautes d’orthographe et de grammaire. Pour aller plus loin, vous pouvez également lui demander de repérer les passages maladroits et de proposer des formulations alternatives. Enfin, vous pourriez souhaiter obtenir des idées pour approfondir (pistes pour aller plus loin, ouvertures à la fin, meilleure introduction, …). Vous pouvez faire tout cela à travers un prompt. Pas de problème ici.
Mais chaque fois que vous aurez un nouveau texte, vous devrez récupérer le prompt qui a bien fonctionné la dernière fois… (aller le chercher au fin fond d’une conversation qui a bien marché la fois passée)
Une solution serait de centraliser toutes les instructions de relecture en un seul endroit. Et d’exécuter cette entité chaque fois que vous avez besoin de réviser une note que vous avez écrite. On appelle cela un Agent. 👏
Et ce n’est pas tout : vous allez pouvoir pimenter chaque Agent pour le rendre imbattable et unique (choix du LLM, comportement, des éléments de référence…). Ainsi, chaque fois que vous interrogerez votre Agent, vous n’aurez plus à lui dire comment faire (ça vous l’aurez fait une fois pour toute) mais sur quoi il doit agir (le contexte de votre requête). Adieu le prompting, bonjour le nectar.
Votre tribu d’Assistants
Chez Future Path, nous avons conçu au fil des mois plusieurs tribus de tels Agents pour nous aider dans nos missions (débuter un projet de Design Thinking [12+ agents], Rédiger des scénarios dans un projet de Prospective [6+ Agents], Mettre en place des ateliers de créativités [4 agents] …).
Plus on en créait, plus nos compétences d’éleveur d’Agents se sont affinées. Nous avons alors conçu une approche pour penser et façonner nos Agents. Nous avons rassemblé ces éléments dans le canevas (genIAc) présentant dans le premier article de cette série (oui, encore un canevas – mais vous pouvez l’appeler un template 😉 si vous préférez). Nous avons illustré ce canevas au travers d’un exemple simple : WorkshopPlanner (une version réduite de notre WorkshopOrganizer que nous proposons à nos clients).
Dans les futurs articles de cette série, nous dévoilerons nos meilleures conseils pratiques pour
- passer de l’idée à une tribu d’agents pour vos besoins
- améliorer et tester vos Agents
- concevoir la place des humains au sein de votre tribu
- recevoir le canevas mis à jour en Creative Common en décembre 2024
- intensifier les apports de l’approche et lever le voile vers l’édition 2025 (un livre? 🧐)
Boucler la boucle
Pour aller plus loin sur la genèse de cette approche, je vous propose deux sources :
- un très bel article de Benoît Raphaël (Flint) qui s’est exercé à écrire un roman avec un orchestre d’agents
- une vidéo d’Andrew Ng chez Sequoia Capital (un des plus importants fonds d’investissement tech) qui explique les Agents et la puissance comparée d’un prompt vs un agent (autour de la 3′)
Et pour finir de boucler la boucle, j’ai bien entendu utilisé un Agent de relecture (ProofReader) pour réviser cet article 😉
Abstract: This article highlights the use of AI agents, which are more effective and adaptable than simple LLMs. These agents incorporate user intelligence and collective knowledge. Future Path has developed multiple agent tribes for various projects, refining their agent design skills. A canvas was created to aid in agent development, illustrated by examples like WorkshopPlanner. Future articles will cover best practices for creating and enhancing agents, with additional resources provided for further exploration material.
