Nous faisons confiance à des agents IA qui plantent tous les jours - Shy Ruparel, Temporal
Original · We Trust AI Agents That Break Every Day - Shy Ruparel, Temporal
Key Takeaway
L'exécution durable permet de combler l'écart entre l'utilisation quotidienne des agents IA et leur déploiement en production en garantissant la persistance de l'état et la reprise après panne sans gaspillage de jetons.
Highlights
Soixante-deux pour cent des équipes en technologie financière perdent du temps ou du chiffre d'affaires à cause de problèmes de fiabilité liés à l'IA.
Quarante et un pour cent des ingénieurs utilisant des agents IA rencontrent des problèmes de fonctionnement au quotidien, et seize pour cent en observent toutes les heures.
Trente-cinq pour cent des professionnels identifient le suivi de l'état entre les services comme leur principal obstacle technique.
Vingt-deux pour cent des répondants perdent leur progression et doivent recommencer leur travail à cause de plantages et de redémarrages.
L'utilisation d'une plateforme d'exécution durable permet de conserver l'état des agents et d'éviter de dépenser à nouveau des jetons LLM lors des pannes.
Timeline
État des lieux des agents IA et de leur fiabilité
L'intervention présente les résultats d'une enquête réalisée auprès de développeurs expérimentés pour analyser l'utilisation réelle des agents IA. Malgré une confiance apparente dans les résultats des modèles, de nombreuses équipes font face à des interruptions fréquentes qui freinent le passage à la production, notamment dans les processus de longue durée propres au secteur financier.
- Les services financiers affichent un taux d'adoption massif de l'IA mais subissent des pertes de revenus dues aux problèmes de fiabilité.
- Une enquête menée auprès de plus de 500 ingénieurs chevronnés révèle quatre écarts majeurs dans le développement d'agents.
- Près de quatre-vingt pour cent des professionnels utilisent des agents au quotidien, mais seulement la moitié les déploient en production.
Les écarts de confiance, de production et de débogage
L'analyse met en lumière la contradiction entre la confiance accordée aux agents et la réalité quotidienne des pannes. Alors que les petites structures déploient des prototypes en quelques heures, les grandes entreprises réglementées prennent des mois pour garantir l'auditabilité. Le manque d'outils d'observabilité adaptés oblige souvent les ingénieurs à reconstruire manuellement l'état après un échec.
- Quarante et un pour cent des équipes rencontrent des pannes d'agents chaque jour tandis que seize pour cent en subissent toutes les heures.
- Le suivi de l'état entre les services et l'isolement des bogues constituent les deux principaux freins à la productivité des équipes.
- Vingt-deux pour cent des développeurs voient leur progression effacée par les plantages de processus.
Démonstration de l'exécution durable avec Temporal
Une démonstration en direct d'un flux de travail de paiement illustre la gestion d'une transaction financière avec intervention d'un agent IA et validation humaine. En tuant intentionnellement les processus d'exécution, la démonstration prouve que le système conserve l'état et les approbations en cours, permettant de reprendre les tâches exactement là où elles s'étaient arrêtées.
- L'exécution durable garantit que le code s'exécute jusqu'à son terme malgré les pannes de processus.
- L'historique des événements enregistre chaque étape et chaque appel d'outil sans nécessiter de base de données complexe.
- La persistance des signaux et de l'état évite de relancer les boucles d'agents et de gaspiller des jetons LLM.
Résolution des obstacles et utilisation en production
La conclusion relie les fonctionnalités de l'exécution durable aux difficultés de développement initialement identifiées. En unifiant l'observabilité et la récupération dans un même historique d'événements, les équipes de développement s'affranchissent du code de récupération personnalisé et sécurisent l'utilisation d'agents autonomes à grande échelle.
- L'approche par workflow résout simultanément sept obstacles majeurs signalés par les ingénieurs.
- Des entreprises comme OpenAI et Replit exploitent déjà cette architecture pour leurs agents en production.
- Un mauvais résultat de modèle est traité comme un simple échec d'activité bénéficiant d'une politique de nouvelle tentative.
Description
Temporal's State of Development survey found that 80.8% of engineers use agents daily, but only 49.1% run them in production. Developer advocate Shy Ruparel walks through the four gaps behind that number (usage vs. production, trust vs. reality, prototype vs. enterprise, seeing vs. recovering), then demos a $2,500 payout workflow with a local model that survives having its workers killed mid-flight, without losing state, repeating tool calls or re-spending tokens. Chapters: 0:00 Intro 0:34 Finance runs on long-running workflows 2:05 The State of Development survey 3:16 Gap 1: Usage vs. production 4:33 Gap 2: Trust vs. reality 7:18 Gap 3: Prototype vs. enterprise 8:55 Gap 4: Seeing vs. recovering 10:53 Demo: a payout that survives a crash 13:06 Durable execution explained 18:12 What the demo solved 20:10 Who runs this in production 20:50 Wrap-up Shy Ruparel https://temporal.io Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!