Pourquoi l'IA vous rend 100x plus rapide mais pas votre entreprise - Mitchell Troyanovsky, Basis
원제 · Why AI Makes You 100x Faster but Not Your Company - Mitchell Troyanovsky, Basis
핵심 요약
Pour atteindre une productivité réelle en entreprise, les agents IA exigent de la simplicité et de la fiabilité basées sur des convictions comportementales plutôt que sur l'improvisation.
하이라이트
La productivité des entreprises traditionnelles n'a pas été multipliée par 10 ou 100 avec l'IA, contrairement à celle des développeurs individuels.
Deux obstacles majeurs freinent l'adoption des agents : le fossé des compétences et le fossé des processus.
Le comportement d'un agent découle de l'ensemble du contexte d'exécution, englobant l'invite système, les outils et la divulgation progressive.
La spécification de comportement sert de cahier des charges et de grille de notation pour évaluer les trajectoires sans vérité terrain.
Le forçage et la simulation constituent des méthodes efficaces pour analyser les erreurs d'exécution et ajuster le contexte des agents.
타임라인
Le paradoxe de la productivité des agents
Les individus utilisent des outils de codage et d'assistance pour décupler leur efficacité personnelle. Cependant, l'entreprise moyenne stagne car ses flux de travail dépendent de processus rigoureux établis par la direction pour garantir des résultats constants, indépendamment du caractère non déterministe des humains.
- Les utilisateurs individuels constatent une forte hausse de leur productivité avec les outils d'IA actuels.
- Les entreprises classiques ne bénéficient pas de cette multiplication par 100 de leur rendement.
- Le fonctionnement des organisations repose sur des processus structurés et non sur l'improvisation individuelle.
Les obstacles à l'adoption des agents en entreprise
Les agents actuels rejettent la complexité sur l'utilisateur, créant une barrière pour les travailleurs du savoir qui ne savent pas comment les exploiter. De plus, laisser chaque employé définir sa propre méthode d'utilisation contredit le fonctionnement hiérarchique des entreprises. Pour réussir, les agents doivent être aussi simples d'utilisation qu'un collègue et offrir un comportement fiable et reproductible.
- Le fossé des compétences oblige l'utilisateur à gérer la complexité et les mémoires de l'agent.
- Le fossé des processus survient lorsque chaque employé personnalise le comportement de l'agent de manière anarchique.
- La fiabilité et la cohérence priment sur la perfection absolue pour instaurer la confiance.
Convictions et spécifications de comportement
L'expertise humaine permet de guider l'agent vers des choix méthodologiques précis, comme consulter les sources primaires avant de répondre. Les paramètres d'exécution forment un ensemble global qui nécessite la création de spécifications de comportement. Ces spécifications servent de guides directeurs et permettent de noter les trajectoires d'exécution même en l'absence de vérité terrain absolue.
- Le développement de convictions permet d'éliminer les choix aberrants lors de tâches complexes comme la lecture de PDF.
- Le comportement global d'un agent émerge de l'ensemble des données de contexte et non d'une simple consigne textuelle.
- La spécification de comportement sert à aligner l'équipe et à évaluer les trajectoires en production.
Méthodes de supervision et d'amélioration continue
Les simulations à l'aide de sous-agents permettent aux concepteurs d'itérer rapidement sur le contexte avant de recourir au forçage lourd dans le cloud. En supervisant rigoureusement les processus grâce à ces méthodes, les équipes obtiennent des signaux pour améliorer les performances en production. Finalement, l'acceptation d'un agent au sein d'une organisation suit les mêmes règles de revue de code et de gestion des risques que celles appliquées entre collègues humains.
- Les simulations permettent de tester les réactions d'un agent de production à moindre coût.
- Le forçage offre la possibilité de ramener une exécution en arrière pour analyser une décision aberrante.
- La confiance envers un agent en entreprise dépend de son rayon d'impact et de sa compétence perçue.
설명
Individual engineers have seen huge productivity gains from AI, but most companies haven't. Mitchell Troyanovsky, co-founder of Basis, argues that agents need to be simple and reliable to spread through a company, and the way to get there is to make them opinionated. He covers behavior specs, why outcome evals don't generalize to production, and two tools for finding out why an agent made a bad call: forking and sub-agent simulations. 0:00 Intro to Basis 0:42 Why company productivity hasn't jumped 1:41 How organizations scale with processes 3:29 The competency gap and the process gap 5:57 Agents need to be opinionated 9:02 Why outcome evals don't generalize 10:18 Example: a bank reconciliation behavior 12:03 Behavior specs 13:24 Forking to diagnose bad decisions 15:15 Simulations with sub-agents 17:10 Earning trust like a coworker 18:10 Why not let agents find a better way? Mitchell Troyanovsky, co-founder of Basis Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!