Tencent : l'IA doit accomplir des tâches pour être un collègue

Tencent : l'IA doit accomplir des tâches pour être un collègue

Une étude soutient que les systèmes d'IA ne deviendront pas des collègues fiables tant qu'ils ne termineront pas des tâches entières dans des environnements de travail persistants, au lieu de se contenter de générer des réponses. La clé réside dans des "compétences" réutilisables.

Une équipe de recherche du Youtu Lab de Tencent et de plusieurs universités chinoises trace le passage "du chatbot au collègue numérique" selon deux dimensions dans un nouveau document de recherche : le noyau cognitif et l'exécution des tâches assistée par des outils.

La question centrale n'est plus de savoir comment un modèle produit une meilleure réponse, mais comment il transforme de manière fiable une intention en travail achevé, affirment les chercheurs. L'objectif passe d'une réponse réactive à l'exécution de tâches déléguées.

Le document retrace l'évolution des grands modèles de langage à travers cinq étapes, allant du chatbot basique au collègue numérique autonome.

De réponses rapides à une réflexion lente

À l'ère des chatbots, les modèles généraient principalement du texte rapidement. Ils stockaient des motifs linguistiques et des faits dans leurs paramètres, puis rédigeaient des réponses en une seule fois, token par token, suivant la continuation la plus probable sans vérifier les étapes intermédiaires ou rechercher des solutions.

Les LLMs pensants investissent des ressources supplémentaires au moment de l'inférence, explorant des chemins de solution, vérifiant les étapes intermédiaires et corrigeant les erreurs avant la réponse finale.

L'ère des LLMs pensants, initiée par OpenAI et Deepseek, consacre plus de puissance de calcul au moment de répondre. Ces modèles produisent de longues chaînes de pensée, vérifient les étapes intermédiaires et apprennent par le biais de l'apprentissage par renforcement à rechercher et à s'auto-corriger. Seules les solutions vérifiables obtiennent des récompenses. Les chercheurs présentent cela comme un passage d'une pensée rapide et intuitive à une réflexion lente et délibérée, empruntant le cadre du psychologue Daniel Kahneman.

Des appels d'outils aux environnements de travail

Les agents de première génération pouvaient appeler des API, écrire du code et naviguer sur le web, mais ils restaient fragiles. Les chercheurs identifient quatre goulets d'étranglement structurels : les agents percevaient leur environnement uniquement par fragments, les appels d'outils ne laissaient aucun état durable, un comportement inattendu les brisait, et ils terminaient rarement des tâches.

Dans l'ère OpenClaw, le modèle fonctionne dans un espace de travail persistant et sécurisé avec des fichiers, des terminaux, des compétences réutilisables et des boucles de vérification jusqu'à l'achèvement vérifiable.

L'ère OpenClaw est celle où l'environnement lui-même devient persistant. Les fichiers, sessions, journaux, navigateurs, permissions et compétences survivent tout au long du flux de travail. Le document cite OpenHands et SWE-agent, qui intègrent des agents dans des environnements de développement contrôlés.

Espace de travail et compétence comme lien manquant

L'argument central du document est que la combinaison de l'espace de travail et de la compétence permet un véritable bond en performance. Un espace de travail fournit état, stockage et conséquences, tandis qu'une compétence regroupe des connaissances opérationnelles en paquets réutilisables. Les Agent Skills d'Anthropic formalisent déjà ce modèle sous forme de dossiers contenant un fichier SKILL.md avec des instructions, scripts et ressources.

L'approche espace de travail plus compétence regroupe les flux de travail récurrents en paquets de compétences versionnés au lieu de réinventer chaque tâche à travers des invites ponctuelles.

Selon les chercheurs, les compétences ne sont pas des invites, et elles ne sont pas non plus des outils traditionnels. Elles se situent entre le raisonnement du modèle et l'exécution dans l'espace de travail, permettant aux organisations de capturer le savoir-faire sous une forme modulaire, testable et portable. Cependant, les auteurs avertissent également que les procédures réutilisables peuvent devenir obsolètes, s'adapter à des flux de travail spécifiques ou devenir des vecteurs d'attaque.

Pourquoi la formation et l'évaluation doivent changer

Ce changement transforme également la manière dont ces systèmes sont formés et évalués. Les chatbots apprenaient à partir de paires instruction-réponse et étaient notés sur la précision des réponses. Les systèmes basés sur l'espace de travail apprennent à partir de trajectoires état-action-observation. Le succès ne dépend plus de réponses plausibles, soutiennent les chercheurs, mais de la clôture des tâches : si le système amène l'environnement cible à un état final vérifiable.

L'évaluation passe de la notation des réponses finales à la vérification de l'ensemble du processus et de l'achèvement confirmé des tâches.

Les benchmarks tels que SWE-bench, OSWorld et WebArena exigent des états de départ reproductibles, des outils exécutables, des journaux de trajectoire et des vérifications d'état final. GPT-4 a initialement complété seulement 14 % des tâches de WebArena, montrant à quel point les environnements web réalistes sont éloignés des scénarios Q&A statiques.

La sécurité devient un problème opérationnel

Les espaces de travail persistants élargissent également la surface d'attaque. Les agents détiennent des identifiants, des fichiers locaux, des jetons d'identité et des canaux de communication. Des projets comme OpenClaw PRISM et ClawGuard tentent d'établir des permissions, un suivi de provenance et des journaux d'audit comme garanties de sécurité en temps réel. La souveraineté des données est tout aussi importante, soutiennent les auteurs, car les agents d'espace de travail observent des dépôts sensibles, des documents internes et des résultats intermédiaires qui pourraient plus tard devenir des mémoires, des compétences ou des données d'entraînement.

À mesure que l'autonomie augmente, les erreurs deviennent plus durables et plus difficiles à annuler. Les problèmes ouverts incluent le retour en arrière, la gouvernance et la mémoire persistante.

Les auteurs reconnaissent que la combinaison espace de travail plus compétence n'est pas une solution complète. Les compétences peuvent s'adapter excessivement, et les espaces de travail se remplissent de fichiers obsolètes et d'artefacts cassés. Un déploiement fiable, soutiennent les chercheurs, nécessite une gestion du cycle de vie des compétences, une hygiène de l'espace de travail, des contrôles de permission, du sandboxing, un retour en arrière et une évaluation basée sur les trajectoires.

Vers des systèmes futurs

Le document esquisse des systèmes futurs qui apprennent à partir de leurs propres traces d'exécution et s'améliorent progressivement en tant que collègues numériques.

Une enquête récente menée par Meta, Stanford et l'Université de l'Illinois Urbana-Champaign a formulé un argument similaire sous un angle différent : la performance des systèmes autonomes dépend moins du modèle de base que du logiciel qui l'entoure. Ce "harnais" regroupe des outils, des environnements d'exécution en sandbox et des mécanismes de vérification.

La partie "compétence" de cet argument se complique en pratique, selon une évaluation récente de Vercel. Elle a révélé que les agents de codage n'appelaient même pas un système de compétences fourni 56 % du temps, tandis qu'un index de documentation compressé intégré dans un fichier AGENTS.md atteignait 100 % de succès. Le système de compétences plafonnait à 79 %. Un contexte passif, toujours présent, a surpassé la récupération active des compétences, inclinant la balance en faveur de l'espace de travail.