Tu veux les meilleurs outils IA avant les autres ?
On teste et on décrypte les nouveaux outils IA chaque soir, en 5 min. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Daniel Blum, responsable produit chez Melio, décrit un dispositif d’IA qui traite l’essentiel de ses tâches quotidiennes en s’appuyant sur Claude et une architecture orientée contexte et retours d’usage. Il en détaille les ressorts techniques, le déploiement interne et une limite majeure qu’il observe encore : la persistance.
Une limite assumée, malgré 70 à 80 % du travail pris en charge
Daniel Blum estime que son système prend en charge entre 70 % et 80 % de sa journée de travail. Il considère cependant que la principale faiblesse actuelle concerne la persistance, davantage que l’intelligence des modèles. Selon lui, Claude ne peut pas encore poursuivre le travail de façon fiable dans le cloud lorsque son ordinateur est éteint. Pour anticiper cette évolution, il entraîne le système à reconnaître l’« état fermé » de différentes tâches. Par exemple, si un brouillon de message Slack n’est plus enregistré, le système en déduit qu’il a probablement été envoyé. Daniel Blum s’attend à ce que, lorsque l’autonomie complète sera disponible, son système soit déjà capable d’identifier les signaux d’achèvement.
Des boucles hebdomadaires qui apprennent des versions réellement envoyées
Daniel Blum a mis en place une compétence hebdomadaire qui compare les brouillons générés par Claude avec ses versions finales, puis exploite ces différences pour améliorer la production future. Il rapproche cette approche de la logique « écris comme moi » d’Alex Lieberman, mais avec moins de retours explicites. Le système observe le comportement réel et apprend des modifications instinctives apportées par Daniel Blum. Chaque compétence capture les moments de friction signalés lors des sessions, et ces signaux sont enregistrés. Une fois par semaine, la boucle d’amélioration recense les problèmes récurrents et propose des mises à jour, ce que Daniel Blum décrit comme une forme d’analytique appliquée à ses outils internes.
Un contexte maintenu et un briefing quotidien qui comble les trous
Pour construire la mémoire de travail de l’agent, Daniel Blum a alimenté Claude pendant plusieurs mois avec des mémos vocaux, des liens, des présentations et des résumés verbaux, organisés en fichiers de contexte par domaine. Des mises à jour récurrentes, programmées toutes les quelques semaines, servent à maintenir le contexte à jour par rapport à l’actualité de l’entreprise. Chaque jour, Claude passe en revue Slack, les e-mails et les notes pour repérer les notions absentes du contexte et pose des questions ciblées pour compléter ces informations. Daniel Blum donne pour exemple le « plafond de règlement » : Claude avait déjà assimilé le concept général et n’a eu besoin que d’une validation avant de l’ajouter à sa base. Il relate des débuts difficiles, ponctués d’erreurs et de relectures constantes, mais considère par la suite que le retour sur investissement est très important, déclarant qu’il parvient désormais à réaliser en une journée de travail concentré ce qui nécessitait auparavant une semaine entière.
Architecture avant outil : relier Notion, Slack et les apps en place
Daniel Blum met l’accent sur la structure du système avant de s’intéresser au choix du modèle ou de la plateforme d’IA. D’après lui, l’utilité réelle d’un système apparaît lorsqu’il est capable d’actualiser ses propres fichiers de référence et de se relier aux outils déjà en place dans l’entreprise. Lorsque ces intégrations sont réalisées, le système progresse au fil du temps, qu’il fonctionne avec Cowork, Codex, ChatGPT ou une autre solution. Sa mise en place repose sur des applications déjà sous licence chez Melio. Dans la pratique, Claude et Cowork prennent en charge la gestion de son tableau Notion, la préparation de sa semaine, l’analyse de Slack et des e-mails pour détecter les informations essentielles, et tirent des enseignements de ses modifications sans avoir besoin de retour explicite.
Un onboarding de 15 minutes pour personnaliser l’IA à chaque employé
Pour répondre à la difficulté de personnalisation, identifiée comme un obstacle majeur à l’adoption de l’IA en entreprise, Daniel Blum a conçu le plugin Workstation. Il explique que plusieurs responsables produit ont rencontré des difficultés avec Spectacular, son outil de rédaction de spécifications, car il était entièrement adapté à son propre style de travail. Il a donc développé un parcours d’intégration qui connecte les outils de chaque salarié, cartographie leurs collègues et apprend leur voix en environ 15 minutes. Selon lui, chaque employé de Melio commence désormais avec une base solide et personnalisée à ses besoins. Daniel Blum, responsable produit, rattache ces développements à un système auto-améliorant qu’il a conçu en interne.
