Les agents d’IA peuvent travailler en arrière-plan, mais leur confier une tâche ne rend pas automatiquement le processus autonome. Dans un article publié sur Social Media Examiner, Rachel Woods, stratège des opérations en IA, explique que l’essentiel est de documenter la manière dont le travail doit être effectué, puis d’affiner ces instructions jusqu’à obtenir des résultats suffisamment réguliers pour nécessiter moins de vérifications humaines.

Woods appelle ces workflows documentés des « playbooks ». Chacun porte sur un type de travail précis et définit quatre éléments : le déclencheur qui le lance, les informations dont l’IA a besoin, les étapes qu’elle doit suivre et le résultat attendu. Par exemple, son playbook de tri des e-mails s’exécute toutes les heures, traite les nouveaux messages, rédige des réponses et signale les cas qu’il ne peut pas résoudre afin qu’ils soient examinés ultérieurement.

L’article recommande de limiter les playbooks à un périmètre restreint. Une campagne marketing, par exemple, comprend différents livrables, tels que des e-mails, des publications sur les réseaux sociaux et des pages d’atterrissage. Au lieu de demander à un seul playbook de gérer toute la campagne, Woods suggère d’en créer un distinct pour chaque livrable et de les relier au moyen d’un workflow global. Elle décrit cette approche comme un « empilement » (« stacking »).

Pour élaborer et améliorer un playbook, Woods suit un processus en cinq parties appelé CRAFT : vision claire, conception réaliste, intégration de l’IA, boucle de rétroaction et déploiement auprès de l’équipe. La première version peut prévoir qu’une personne participe à la vérification du travail. Cette vérification permet de repérer les points sur lesquels l’IA réussit, ceux où elle commet des erreurs et les instructions à préciser. Un cycle ultérieur peut alors réduire ou supprimer l’intervention humaine lorsque le workflow est fiable.

Les retours doivent être intégrés au playbook, plutôt que de se limiter à une correction informelle. Si, par exemple, l’IA ajoute un résumé non souhaité, les instructions peuvent préciser explicitement de ne pas en inclure. Woods met également en garde contre les agents capables de modifier eux-mêmes leurs consignes : son équipe autorise l’IA à apporter des changements mineurs aux playbooks, mais les révisions importantes sont d’abord discutées.

Woods conseille de stocker les playbooks séparément des produits d’IA qui les exécutent. Les documents conservés dans des services tels que Google Drive ou Notion peuvent être réutilisés avec différents outils, au lieu d’être rattachés à une seule plateforme. Elle indique que son équipe utilise Google Drive et GitHub, tout en précisant que GitHub convient mieux aux équipes qui doivent collaborer sur plusieurs comptes.

Lorsque plusieurs playbooks sont en fonctionnement, Woods explique qu’un « cadre intermédiaire » d’IA peut les superviser. Un tel agent peut décomposer le travail en tâches, suivre les résultats et coordonner d’autres agents. Une option consiste à utiliser des sous-agents dans Claude, supervisés par un agent principal. Une autre consiste à connecter les agents à un service de gestion des tâches tel qu’Asana ou ClickUp, où l’activité peut déclencher des affectations et consigner ce qui a été accompli.

L’approche dépend du workflow : Woods explique que les systèmes de gestion des tâches peuvent fournir un suivi utile aux équipes, tandis qu’une routine personnelle n’a pas forcément besoin d’un tel niveau de structure. Dans les deux cas, la recommandation centrale de l’article est d’instaurer la confiance à l’aide d’instructions précises, de retours répétés et de transferts de responsabilités progressifs, avant d’attendre de l’IA qu’elle fonctionne sans supervision.

Sources: Social Media Examiner.