Amplitude présente Wave, un agent produit qui analyse données et replays, propose des plans techniques et pilote l’implémentation via des agents de code. L’entreprise revendique des cycles de déploiement raccourcis à 1 à 2 jours et des gains mesurés, comme une hausse de 160 % des messages via cartes de suggestion après personnalisation.
Chez les clients bêta, jusqu’à deux tiers des lancements en une semaine
Des entreprises issues de plusieurs secteurs recourent à la version bêta de Wave afin de repérer et déployer des améliorations. Sur l’ensemble des expérimentations qui aboutissent à une mise en production, une sur quatre est déployée le jour même de la détection de l’opportunité, la moitié en moins de quatre jours et deux tiers dans un délai d’une semaine. Les équipes gardent le contrôle sur l’automatisation : la majorité transmet les correctifs de bogues directement à des agents de codage, tandis que les ajouts de fonctionnalités et les initiatives majeures sont soumis à une validation humaine.
Cycle compressé et résultats mesurés sur la page d’accueil
Amplitude estime que Wave permet d’expédier des améliorations en 1 à 2 jours au lieu d’environ un mois. Sur sa page d’accueil, la personnalisation des cartes de suggestion est associée à une hausse de 160 % des messages envoyés via ces cartes par rapport au contrôle après un jour. L’entreprise met en avant ces résultats comme indicateurs d’un raccourcissement du cycle d’itération et d’un impact rapide sur l’engagement.
Architecture de Wave : données, coordination et boucles d’apprentissage
Wave constitue l’agent produit développé par Amplitude. Les équipes définissent un périmètre, des objectifs et des métriques, pendant que l’agent rassemble des données analytiques, des replays de sessions, des retours utilisateurs et le code pour détecter et hiérarchiser des opportunités. Il conçoit des solutions, orchestre leur mise en œuvre avec des collaborateurs et des agents de codage, assure le suivi des performances et intègre les enseignements acquis dans le cycle suivant. Les plans produits comportent une solution suggérée, un plan technique et des critères d’acceptation, qui peuvent être transmis à des agents de code, notamment Codex. Wave évalue l’impact des modifications après leur déploiement.
Étude de cas : des cartes de suggestion personnalisées après analyse des replays
Jacob Newman décrit Wave comme une plateforme unifiée dont les agents parcourent replays, analyses et code pour repérer des opportunités. Sur un échantillon de 100 replays, 80 utilisateurs posaient leurs propres questions et 12 seulement sélectionnaient une suggestion, ce qui a conduit Wave à proposer de personnaliser les cartes avec des graphiques récents, des tableaux de bord ou la page d’origine. Il a illustré le changement et produit un plan technique prévoyant de conserver la saisie libre et de basculer sur des suggestions génériques en l’absence de contexte. Après une brève révision, le travail a été confié à un agent de codage et testé en A/B. Eric Carlson souligne que des ajustements modestes peuvent favoriser l’adoption des fonctionnalités.
Vous suivez la course aux modèles IA ?
Chaque sortie (GPT, Claude, Gemini, Mistral…) décryptée le soir même, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisissez votre rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Répartition des modèles : raisonnement, vérifications et maquettes
Amplitude indique que Wave s’appuie à environ 80 % sur des modèles OpenAI, parmi lesquels GPT‑6.1 Sol, GPT‑6 Luna et GPT‑Image‑2.5 Flare. GPT‑6.1 Sol prend en charge le gestionnaire d’opportunités et les investigations approfondies dans le code et les données. GPT‑6 Luna exécute des tâches fréquentes et peu coûteuses, comme l’analyse de code et de petites vérifications. GPT‑Image‑2.5 Flare génère des maquettes produit à partir de captures d’écran issues des replays.
Évaluations comparatives : scores, latence et coûts d’inférence
Amplitude dit arbitrer qualité, latence et coût pour assigner un modèle à chaque tâche, et Spenser Skates indique qu’OpenAI fournit à la fois des modèles de raisonnement puissants et des modèles plus petits et rapides. Pour l’Investigateur d’Opportunités, l’évaluation a porté sur la corroboration des résultats, l’évitement des faux positifs, l’intégration des retours, la récupération après échecs d’outils et l’alignement des affirmations avec les preuves. GPT‑6.1 Sol a obtenu 4,06 sur 5 contre 3,62, 3,52 et 2,94 pour trois alternatives, tout en affichant un temps médian d’investigation de 54 minutes. Pour l’Agent de Science des Données, GPT‑6.1 Sol a obtenu 67,5 sur 100 contre 69,3 pour un autre modèle de premier plan, avec un coût moyen de 1,28 $ contre 2,63 $ par expédition, et de meilleurs scores en conformité aux outils, estimation et incertitude, et ancrage des preuves. Skates ajoute que les modèles peuvent examiner un problème, écrire et exécuter du code, puis décider de l’étape suivante sur la base des résultats.
Ambition affichée : vers des produits auto-améliorants
Spenser Skates déclare viser, avec OpenAI, des produits qui s’auto-améliorent comme mode de construction logicielle. Amplitude estime qu’à mesure que les modèles progresseront en raisonnement et en codage, davantage d’investigation et d’implémentation pourra être délégué aux agents. L’entreprise observe déjà des agents qui trouvent et aident à livrer des améliorations dans son propre produit tandis que l’équipe se consacre à d’autres priorités. Skates anticipe que les équipes seront surprises par l’ampleur de ce qu’elles accompliront avec un logiciel travaillant à leurs côtés.
