L'équipe de Vercel partage son expérience pratique en matière de création d'agents intelligents : les agents intelligents ne sont pas une solution miracle, mais plutôt des outils pratiques pour des scénarios spécifiques, particulièrement adaptés aux tâches « faciles à mettre en œuvre » avec une forte répétition et une faible charge cognitive. Contexte et objectif Vercel, une plateforme spécialisée dans le développement et le déploiement front-end, perçoit le potentiel des agents d'IA en entreprise, notamment pour améliorer l'efficacité du support client, des revues de code et des opérations commerciales. Son objectif principal est de partager comment elle utilise ses propres produits (comme la chaîne d'outils d'IA Vercel) pour créer des agents internes personnalisés, libérant ainsi les équipes des tâches fastidieuses et leur permettant de se concentrer sur des missions à forte valeur ajoutée. L'équipe est convaincue que le choix des problèmes à résoudre est crucial : si les modèles d'IA actuels sont performants, leur fiabilité reste limitée. Les entreprises doivent privilégier la résolution des problèmes concrets où l'IA peut intervenir et où les retours sur investissement sont clairement visibles, plutôt que de se lancer aveuglément dans des applications complexes. Concevoir des agents intelligents est une tâche complexe. L'équipe a dû relever deux défis majeurs : d'une part, identifier les problèmes adaptés aux solutions d'IA actuelles – de nombreuses tâches (comme la revue de code de haute précision) nécessitent encore des ressources d'ingénierie humaine pour la production ; d'autre part, les limitations des modèles, telles que leur instabilité dans des scénarios dynamiques ou à forte charge cognitive, rendent difficile l'évaluation de leur rentabilité. De plus, les entreprises manquent souvent de capacités d'ingénierie pour un déploiement à grande échelle, ce qui explique que de nombreuses expérimentations en IA restent au stade de prototype. L'expérience de Vercel suggère de privilégier la simplicité et d'éviter de considérer les agents intelligents comme des « outils magiques entièrement automatisés ». Les principaux enseignements tirés par l'équipe ont permis de dégager plusieurs idées pratiques issues d'expérimentations inter-équipes, mettant l'accent sur la combinaison de l'itération et de la supervision humaine : Prioriser les tâches peu exigeantes cognitivement et hautement répétitives : actuellement, les agents intelligents les plus fiables gèrent les « tâches mécaniques » que les humains jugent fastidieuses, comme la saisie de données, les recherches préliminaires, la présélection des candidats ou le tri des problèmes. Ces tâches sont suffisamment prévisibles pour que l’IA puisse les exécuter de manière fiable, mais elles sont trop dynamiques pour être automatisées à l’aide de scripts traditionnels ; c’est précisément le domaine de prédilection de l’IA. • Commencez par identifier les points faibles de l'équipe : nous recommandons de repérer les opportunités grâce à des entretiens simples, par exemple en demandant : « Quelle est la partie la plus agaçante de votre travail ? » ou « Quelles tâches souhaiteriez-vous ne jamais avoir à répéter ? » Cette approche permet d'identifier rapidement des projets d'automatisation simples susceptibles d'entraîner des gains de productivité mesurables (comme un gain de temps de 50 % ou plus). • Intégrer des boucles de supervision humaine : les agents intelligents doivent être conçus en mode « semi-autonome », avec un contrôle humain avant toute décision critique (en matière de sécurité ou de suivi des ventes, par exemple). Cette approche permet d’équilibrer efficacité et précision, et d’éviter les risques liés aux illusions de l’IA. • Les outils open source accélèrent le développement : Vercel a partagé des modèles réutilisables, tels que la fonction generateObject pour la catégorisation intelligente, afin d’aider les développeurs à créer rapidement des flux de travail. Ces enseignements mettent en lumière une perspective professionnelle : les agents d’IA sont des outils progressifs, et non des changements perturbateurs, et doivent être profondément intégrés aux processus existants. L'équipe chargée de l'étude de cas illustre de manière éloquente l'application des enseignements tirés à travers deux projets internes : Agent de gestion des leads : Auparavant, une équipe de 10 personnes effectuait manuellement des recherches sur les prospects générés par le site web, les catégorisait et rédigeait des e-mails de suivi. Désormais, l’agent automatise la recherche d’informations sur les entreprises, la génération d’e-mails personnalisés et transmet les résultats à l’équipe pour validation via Slack. Résultat : L’équipe a été réduite de 9 personnes, ce qui lui permet de se concentrer sur des tâches commerciales complexes et d’améliorer considérablement son efficacité. • Agent anti-abus : utilisé par l’équipe de sécurité pour traiter les signalements (hameçonnage, spam, etc.). Cet agent analyse automatiquement le contenu visuel et textuel des URL, propose des solutions et les transmet aux ingénieurs pour examen. Résultat : le délai de résolution des tickets a été réduit de 59 %, permettant à l’équipe de se concentrer sur les cas particuliers. Adresse du blog
