Tech • IA • Robotique
Comment les fondateurs développent avec Claude Managed Agents
5/10INTRO
Les startups utilisent des agents managés pour déployer des fonctionnalités d’IA en quelques jours ou semaines dans les réunions, les ventes et l’analytique produit, tout en arbitrant entre la rapidité de mise sur le marché et les exigences à long terme de réduction des coûts, de contrôle plus fin et de meilleure observabilité.
POINTS CLÉS
Les outils de réunion couvrent désormais le travail avant et après l’appel
Une entreprise qui développe un assistant de réunion considère les réunions comme un flux de travail complet, et non comme la seule conversation en direct. Ses agents préparent les utilisateurs en amont avec des briefs, puis aident à exécuter les tâches de suivi et les automatisations ensuite. Le système met fortement l’accent sur la précision, car une mauvaise correspondance d’identité — par exemple confondre un Tom avec un autre — peut être pire que de ne rien afficher du tout.
Les résultats servent de garde-fous qualité à l’exécution
Pour les briefs de réunion, le produit applique une grille d’outcomes qui vérifie à la fois l’exactitude factuelle et l’utilisabilité avant tout affichage. Cette grille vérifie si la bonne personne a été identifiée, si les sources correspondent au contexte de la réunion, et si le brief est lisible, facile à parcourir et organisé logiquement. Si le résultat échoue, le produit retient la sortie plutôt que de risquer un faux positif.
La vérification indépendante remplace la confiance aveugle dans un agent unique
Le produit de réunion exécute un vérificateur séparé avec sa propre fenêtre de contexte pour évaluer le travail de l’agent, en commençant généralement environ 24 heures avant une conversation. Ce vérificateur peut comparer les signaux des invitations calendrier, des e-mails et des profils publics pour juger si le brief est probablement correct. L’approche vise à créer des boucles de retour tout en réduisant le risque qu’un agent valide simplement sa propre erreur.
Les équipes commerciales utilisent une mémoire persistante entre les comptes
Un produit orienté ventes exécute un agent sur chaque compte client, qui construit en continu le contexte pendant toute la durée du cycle commercial. Ces agents apprennent l’historique du compte ainsi que des concepts propres à l’entreprise, comme les règles de prévision, les définitions de propriété et les mappings complexes des champs Salesforce. Les informations apprises sont stockées sur plusieurs couches, dont une mémoire au niveau du compte, de l’utilisateur et de l’organisation.
Un agent transverse aux comptes a été conçu en deux semaines et largement adopté
Pour traiter les questions couvrant de nombreux comptes, l’entreprise commerciale a lancé en environ 2 weeks un outil de reporting inter-comptes appelé Watchtower. Le produit aide à répondre à des questions comme quels five comptes prioriser aujourd’hui ou quels deals doivent entrer dans les prévisions du trimestre prochain. Il est devenu l’une des fonctionnalités les plus utilisées de l’entreprise et alimente aussi d’autres parties de la plateforme.
Les agents écrivent désormais du code pour répondre à des questions commerciales complexes
Pour des analyses plus poussées, le système commercial peut générer du code, appeler des outils de façon programmatique, réduire un ensemble de candidats et distribuer le travail à des agents indépendants sur des centaines de deals. Cette architecture est importante lorsqu’un manager peut superviser 500 comptes ou qu’un commercial doit prioriser parmi 100 comptes. Le produit combine sa propre mémoire détaillée des comptes avec une mémoire managée pour des préférences organisationnelles plus larges.
L’isolation en sandbox est centrale quand les agents touchent au code source
Une entreprise d’analytique produit utilise des agents pour prendre des instantanés des bases de code clientes, les comparer au comportement réel de l’application et proposer des correctifs. Comme le code source peut exposer des secrets ou une logique interne sensible, l’entreprise a mis l’accent sur le sandboxing, les restrictions d’outils et un contrôle rigoureux de ce qui entre et sort de l’environnement. Le résultat final peut inclure des pull requests automatisées vers un dépôt.
Les agents d’analytique évoluent vers des logiciels auto-réparateurs
La plateforme d’analytique déclenche des sessions d’agents lors de la soumission de pull requests, après la fusion du code et dans des traitements batch nocturnes. Elle examine les changements pour détecter des problèmes UX, met à jour ou crée l’instrumentation, détecte des baisses de conversion dans les funnels et peut même suggérer des corrections de prompts lorsque les conversations humain-agent montrent des taux d’erreur élevés. L’objectif plus large est un logiciel qui diagnostique la dérive et recommande des réparations à mesure que les équipes livrent plus vite.
L’infrastructure managée l’emporte au départ car la vitesse bat la personnalisation
Dans les différents produits évoqués, les équipes ont indiqué obtenir une infrastructure fonctionnelle en days et livrer des fonctionnalités complètes en environ 1 to 3 weeks. Les développeurs ont dit que les plus gros gains venaient du fait de ne pas avoir à reconstruire l’orchestration, la compaction, le cache de prompts, le sandboxing et d’autres composants d’infrastructure. Cela leur a permis de se concentrer plutôt sur les prompts, les outils, l’ordre de récupération, le ranking et la conception produit côté utilisateur.
Les plus grands problèmes non résolus sont le coût, l’attribution et la dérive des modèles
Les fondateurs ont indiqué que chaque entreprise d’agents doit surveiller attentivement les coûts, en particulier pour les traitements batch, les charges distribuées et les étapes à plus faible valeur qui n’ont pas besoin de modèles de pointe. Plusieurs ont soutenu que de meilleurs leviers de coût, notamment une exécution de type batch et une attribution plus claire des dépenses, seraient utiles. Ils ont aussi souligné que les migrations de modèles peuvent introduire de nouveaux modes de défaillance, rendant des évaluations solides essentielles une fois qu’un produit dépasse la phase initiale fondée sur le “feeling”.
CONCLUSION
Les plateformes d’agents managés accélèrent le développement de produits IA en prenant en charge une infrastructure difficile au moment où la vitesse compte le plus. À mesure que ces produits passent à l’échelle, le prochain champ de bataille portera sur un contrôle plus fin des coûts, de la latence, de la mémoire et de la qualité d’évaluation.
Explique-moi