Andreea Pleşea, PhD, directrice des opérations et cofondatrice de Druid AI – Série d’interviews

Andreea Pleşea, PhD, directrice des opérations et cofondatrice de Druid AI, est une dirigeante technologique et entrepreneure avec près de deux décennies d’expérience couvrant l’ingénierie logicielle, la technologie d’entreprise, l’intelligence artificielle, les opérations et le succès client. Depuis la cofondation de Druid AI, elle a occupé plusieurs postes de direction au sein de l’organisation, notamment directrice des opérations, directrice des revenus et directrice du succès client, ce qui lui a donné une expérience tant technique que commerciale dans le scaling d’une société de logiciels d’entreprise. Avant Druid AI, Pleşea a passé près d’une décennie chez TotalSoft, évoluant de programmeuse .NET à responsable du développement logiciel et finalement directrice des applications métier Charisma, où elle supervisait le développement produit, la mise en œuvre, le support technique, l’architecture de solutions et les responsabilités P&L. Son parcours académique comprend également la recherche en IA à l’Université de Rome Tor Vergata, où elle a collaboré avec le groupe de recherche en intelligence artificielle de l’université sur des technologies d’extraction et de structuration d’informations à partir de données non structurées. Elle siège également au conseil consultatif de Women in Tech Romania.

Druid AI est une société d’IA d’entreprise axée sur la création et l’orchestration d’agents IA capables d’automatiser des processus métier complexes au sein des organisations. Sa plateforme combine compréhension du langage naturel, IA générative, génération augmentée par récupération (RAG), intégrations d’entreprise, automatisation de workflows, analytique et gouvernance, Druid Conductor coordonnant plusieurs agents spécialisés et systèmes pour atteindre les résultats business. Les organisations peuvent connecter les agents de Druid à des systèmes tels que la planification des ressources d’entreprise (ERP), la gestion de la relation client (CRM), la gestion des services informatiques (ITSM) et les plateformes de ressources humaines, tout en déployant la technologie dans le cloud, en mode hybride, sur site ou dans des environnements isolés. L’entreprise affirme que sa technologie est utilisée par plus de 300 clients d’entreprise et soutenue par plus de 200 partenaires mondiaux, avec des applications couvrant le support aux employés, le service client, la santé, l’enseignement supérieur et les services partagés.

Vous avez cofondé Druid AI à Bucarest en 2018 après avoir passé près d’une décennie chez TotalSoft, où vous êtes passée du développement .NET à la direction technologique et commerciale. Qu’est‑ce qui vous a convaincue à l’époque que l’IA conversationnelle pouvait devenir une couche centrale de la technologie d’entreprise, et comment cette vision initiale a‑t‑elle évolué avec le passage de Druid à l’IA agentique ? 

La convergence de deux voies distinctes — rigueur académique et douleur du terrain en entreprise — a façonné ma réflexion pendant mon doctorat. Cependant, ce n’est que lorsque Liviu Dragan, un leader extrêmement visionnaire, a proposé l’idée de fonder Druid AI que j’ai réalisé comment la recherche que j’avais menée pouvait enfin être appliquée dans la réalité.

Entre 2008 et 2011, mes recherches doctorales portaient sur des agents IA autonomes communiquant via des technologies du Web sémantique et des ontologies, explorant comment des systèmes intelligents pouvaient remplacer ou s’appuyer sur les logiciels d’entreprise traditionnels. Peu après, mon expérience en direction technologique d’entreprise m’a confrontée à une réalité stark: nous demandions aux employés de gérer une complexité intenable.

Accomplir une tâche routinière signifiait savoir quelle application ouvrir, où résident les données, quelle politique s’appliquait et qui était responsable de l’étape suivante. Pendant ce temps, hors du bureau, la messagerie devenait l’interface dominante des interactions humaines.

Lorsque nous avons fondé Druid AI en 2018, notre vision était simple mais ambitieuse: offrir à chaque employé et client un assistant virtuel capable d’orchestrer le travail à l’échelle de toute l’entreprise.

Près d’une décennie plus tard, cette vision centrale n’a pas changé — la technologie a simplement rattrapé son retard. L’IA conversationnelle se résumait principalement à la reconnaissance d’intention, à la récupération d’information et au déclenchement de scripts statiques. L’IA agentique repousse la frontière de la délégation. Les agents modernes évaluent des objectifs, collaborent avec des sous‑agents spécialisés, naviguent entre des systèmes disparates et exécutent de façon autonome des workflows complexes à étapes multiples.

Pour nous, la révolution agentique actuelle n’est pas un pivot stratégique loin de l’IA conversationnelle. C’est la concrétisation naturelle de notre thèse fondatrice: la technologie d’entreprise doit devenir plus simple pour les humains afin de les aider à accomplir leur travail, même si l’orchestration en coulisses devient infiniment plus sophistiquée.

Une grande partie de l’industrie de l’IA s’est concentrée sur la construction de modèles de fond toujours plus puissants, tandis que Druid AI s’est focalisée sur la connexion de différents modèles aux données, systèmes et workflows d’entreprise. À mesure que les modèles deviennent de plus en plus interchangeables, pensez‑vous que l’orchestration deviendra un avantage concurrentiel plus important que le modèle sous‑jacent lui‑même ?

Chez Druid AI, notre mission principale est simple: extraire l’extraordinaire de chaque interaction humaine en accomplissant efficacement la tâche. Mais à mesure que le marché mûrit, la clé pour délivrer cette valeur s’éloigne de la pile technologique sous‑jacent.

Nous assistons à un schéma classique dans la tech d’entreprise: des capacités qui, autrefois différenciateurs précoces, se commoditisent rapidement. Aujourd’hui, les modèles de fond sont accessibles à tous les acteurs. Les entreprises déploieront inévitablement une matrice hybride de modèles choisis selon des critères de performance, de coût, de sécurité ou de conformité. À mesure que l’intelligence devient une marchandise, le champ de bataille stratégique remonte dans la pile.

Aujourd’hui, les problèmes les plus difficiles en IA d’entreprise concernent le contexte d’exécution: gouvernance et accès (quelles données l’IA peut‑elle toucher, et sous quelles politiques), routage agentique (quel agent spécialisé doit gérer une tâche donnée), intégration système (comment plusieurs systèmes transactionnels se coordonnent en toute sécurité), autonomie vs contrôle (quand un agent peut‑il agir de façon indépendante, et quand une approbation humaine est requise), auditabilité (si un workflow échoue, peut‑on reconstruire la chaîne de décision pas à pas).

C’est pourquoi l’orchestration est devenue le levier stratégique ultime. Les modèles produisent de l’intelligence, mais les entreprises ont besoin d’une exécution fiable.

Druid AI est conçue pour servir de couche de contrôle et d’orchestration définitive. Elle relie en toute sécurité différents modèles aux données, aux workflows et aux personnes de l’entreprise. Essentiellement, elle fournit le cadre de référence permettant de mesurer l’efficacité de l’exécution et d’évaluer les véritables résultats business.

À long terme, la question gagnante ne sera pas « Quel modèle utilisez‑vous ? », mais « Dans quelle mesure pouvez‑vous transformer l’intelligence brute en travail achevé pour vos employés et clients ? »

Druid Conductor peut coordonner plusieurs agents spécialisés dans la récupération de connaissances, la logique décisionnelle et les actions système. Qu’est‑ce qui devient techniquement difficile lorsqu’une entreprise passe d’un assistant IA unique qui répond aux questions à plusieurs agents capables d’exécuter de façon indépendante des processus métier à étapes multiples ?

Le passage d’interfaces conversationnelles simples à des architectures multi‑agents modifie fondamentalement le défi d’ingénierie. On cesse de gérer une conversation linéaire et on commence à gérer un système distribué de décision et d’exécution.

Avec un seul assistant Q&A, les obstacles principaux sont la reconnaissance d’intention, la récupération et la génération de réponses avec un haut degré de précision. Les écosystèmes multi‑agents introduisent une toute autre classe de systèmes distribués et de questions:

1. Quel agent détient l’autorité d’agir, et comment éviter la dérive de domaine ?
2. Comment l’état est‑il maintenu lorsque les responsabilités sont transférées entre agents ?
3. Comment les décisions contradictoires entre agents spécialisés sont‑elles réconciliées ?
4. Comment les sous‑agents héritent‑ils dynamiquement et en toute sécurité des permissions d’accès ?

Ces défis se multiplient lorsqu’ils sont appliqués à une infrastructure d’entreprise réelle. Un workflow unique peut couvrir un CRM, un ERP, une plateforme de gestion d’identité, un système de tickets et des bases de données héritées. Chaque composant fonctionne selon une logique métier et des modes de défaillance distincts, mais au final l’agent chef d’orchestre doit accomplir la tâche correctement.

Si l’étape quatre d’un processus à six étapes échoue après que trois systèmes aient déjà exécuté des changements transactionnels, une chaîne agentique basique se rompt. La couche d’orchestration ne peut pas simplement renvoyer une erreur générique. Elle doit gérer l’état, exécuter des retours en arrière si nécessaire, déterminer s’il existe un routage alternatif, ou escalader en douceur vers une intervention humaine en boucle.

La véritable orchestration d’entreprise repose sur la gestion d’état, la cohérence transactionnelle, l’observabilité, l’application de politiques et l’autonomie sécurisée. L’objectif de cette complexité sous‑jacente est la simplicité: offrir une interaction unique et fluide où les tâches multi‑systèmes complexes sont simplement réalisées.

Druid AI a désormais alimenté plus d’un milliard de conversations à travers des milliers d’agents déployés. À cette échelle, qu’avez‑vous appris sur l’IA d’entreprise qui aurait été impossible à découvrir à partir de pilotes ou de démonstrations contrôlées ?

La production vous apprend rapidement l’humilité.

Un pilote se déroule normalement dans un environnement relativement contrôlé. Le cas d’usage est défini, les données sont raisonnablement propres, les utilisateurs sont connus et il y a généralement une équipe projet qui surveille de très près.

La production ne ressemble en rien à cela. Les gens posent la même question de vingt manières différentes. Ils changent d’avis à mi‑conversation. Ils fournissent des informations incomplètes. Ils basculent de langue ou de sujet. Ils interagissent à des moments inattendus. Les politiques évoluent. Les API échouent. Les systèmes back‑end ralentissent. De nouveaux cas limites apparaissent, que personne n’avait anticipés dans la conception initiale. Une chose est certaine: les utilisateurs s’attendent à ce que la tâche soit accomplie efficacement, sans friction et de façon naturelle. Que ce soit par texte, mais surtout par la voix, la conversation doit couler naturellement, sans latence ; elle doit paraître, dans une certaine mesure, empathique, et exécuter la tâche tout en suggérant les meilleures options et étapes suivantes le cas échéant, ou traiter les exceptions et boucles de façon humaine lorsque nécessaire.

Une grande partie de l’automatisation à forte valeur ajoutée provient du fait de faire des choses relativement ordinaires de façon exceptionnelle et de les répéter des centaines de milliers de fois: répondre à une question d’employé, vérifier un compte, reprogrammer un rendez‑vous, résoudre une demande IT ou extraire la bonne information d’un système d’entreprise. Cela a changé notre perception de la valeur de l’IA.

La deuxième leçon est que le passage en production n’est que le début d’un cycle d’apprentissage. Il faut observer ce que les utilisateurs demandent, quelles intentions croissent, où les conversations échouent, où les gens escaladent, et parfois où le processus métier sous‑jacent doit lui‑même évoluer.

Et peut‑être la leçon la plus importante est que la confiance est opérationnelle, les entreprises font confiance à l’IA parce qu’avec le temps elle se comporte de façon prévisible, les exceptions sont correctement gérées, les décisions sont visibles et l’organisation reste maître du processus.

Les données de production de Druid indiquent qu’un nombre relativement restreint de workflows représente la majeure partie de l’utilisation réelle de l’IA en entreprise. Cela signifie‑t‑il que les sociétés devraient d’abord concentrer leurs investissements IA sur quelques workflows à fort volume plutôt que de tenter une transformation large à l’échelle de l’entreprise ?

Un des schémas les plus clairs dans nos données de production est que la demande a tendance à se concentrer. Dans les services financiers, par exemple, trois catégories de workflows représentent environ 90 % de l’utilisation en production. Dans l’enseignement supérieur, la concentration est encore plus forte. Cela nous indique quelque chose d’important sur la façon dont les entreprises doivent envisager la transformation IA. Nous avons analysé ces enseignements et élaboré des rapports de référence pour l’enseignement supérieur, la santé et la banque, qui permettent à nos partenaires et clients d’identifier les processus susceptibles de générer de l’efficacité et d’estimer comment les humains interagiront avec les agents.

Il existe une tentation, notamment au niveau du conseil d’administration, de commencer par une demande très large: « Vous DEVEZ utiliser l’IA ou nous serons dépassés. » L’équipe opérationnelle doit alors lutter pour identifier les bonnes tâches que les agents pourraient exécuter tout en craignant de perdre leurs propres postes. Alors, quel serait le bon équilibre et comment pourraient‑ils embaucher le bon agent IA pour accomplir la tâche ENSEMBLE avec eux tout en maximisant les KPI attendus par le conseil ?

Commencez là où il existe un potentiel d’augmentation du chiffre d’affaires et/ou de réduction des coûts, des activités que les gens répètent habituellement. Si des milliers de clients, employés, étudiants ou patients cherchent constamment à obtenir le même résultat, vous disposez d’une base mesurable et d’une forte opportunité de prouver la valeur.

Mais il y a une distinction importante: commencez petit, concevez large.

Les premiers cas d’usage peuvent être concentrés. La plateforme sous‑jacente doit être capable de s’étendre à l’ensemble de l’entreprise. Vous prouvez l’économie, le modèle de gouvernance, les intégrations et les mécanismes d’escalade humaine sur un petit nombre de workflows significatifs. Ensuite, vous vous développez vers des processus adjacents en vous appuyant sur ce que vous avez appris.

Le volume ne doit pas être le seul critère. Un workflow à faible fréquence peut rester extrêmement précieux si chaque résolution réussie a un impact financier ou opérationnel significatif.

Alors que les entreprises se concentrent de plus en plus sur la résolution réussie plutôt que sur le simple pourcentage d’interactions traitées sans humain, comment les organisations doivent‑elles déterminer quelles décisions un agent IA peut prendre de façon autonome et où l’escalade humaine doit rester obligatoire ?

Druid AI a mis en place un cadre d’évaluation couvrant 26 critères et garantissant une évaluation objective de l’orchestration agentique, depuis sa conception jusqu’à son exécution.

Si une action est réversible, relativement à faible risque, régie par des règles claires et soutenue par des informations fiables, il y a de fortes raisons de la confier à l’autonomie. Reprogrammer un rendez‑vous avec des paramètres prédéfinis est très différent de prendre une décision clinique et peut sembler simple. Mais il faut de nombreux éléments à considérer pour le faire efficacement: par exemple, si le docteur B a un créneau libre mais souhaite le bloquer, l’agent IA ne doit pas reprogrammer le rendez‑vous d’un patient dans ce créneau simplement parce que la tâche est de maximiser la couverture du calendrier du docteur.

Je regarderais plusieurs dimensions: la conséquence financière ou humaine d’une erreur, la réversibilité de l’action, la complétude et la qualité des informations disponibles, les exigences réglementaires, et la nécessité d’un jugement ou d’une empathie humaine authentiques. Ensuite, vous concevez l’escalade de façon intentionnelle.

C’est là que je pense que les premières réflexions autour de l’automatisation IA étaient trop simplistes. L’objectif était « conteneur le plus d’interactions possible sans impliquer d’humain ». Mais dans de nombreux processus, l’escalade est précisément la bonne issue.

C’est pourquoi je préfère parler de résolution gouvernée plutôt que de simple containment.

L’objectif est que l’IA résolve de façon autonome le travail qu’elle doit résoudre, reconnaisse les situations où elle ne doit pas agir et fasse intervenir une personne dans le processus avec le contexte pertinent déjà rassemblé.

Une fois que les agents IA peuvent récupérer des informations sensibles, mettre à jour les systèmes d’entreprise et initier des actions réelles, l’observabilité et la gouvernance deviennent beaucoup plus cruciales. Que doivent pouvoir auditer les entreprises concernant le raisonnement, l’accès aux données et les actions d’un agent avant de lui faire confiance pour des workflows critiques ?

En suivant les directives de Gartner, DRUID possède un cadre d’évaluation intégré qui analyse les agents sous cinq angles: tolérance aux erreurs, risque, conformité, observabilité et déviation. Sous ces catégories, nous comptons 26 composants au total. Chaque composant possède une définition, un artefact consultable et une mesure.

Lors de l’évaluation d’un agent, la plateforme doit pouvoir reconstituer la chaîne complète depuis la requête utilisateur initiale jusqu’au système d’action final. Cela implique de savoir quel agent a traité la requête, quel modèle a été utilisé, quel contexte le modèle a reçu, quelles informations d’entreprise ont été récupérées, quelles règles ou politiques ont été appliquées, pourquoi une route ou une action particulière a été sélectionnée et exactement ce qui a changé dans les systèmes sous‑jacent. Des dizaines d’interactions auditables sont suivies, analysées et mesurées.

L’identité est tout aussi importante. Un agent IA ne doit jamais devenir un raccourci contournant le contrôle d’accès de l’entreprise. Il faut savoir qui a initié la requête, ce que cette personne était autorisée à voir ou à faire, et si l’agent est resté strictement dans ces limites.

Avec les architectures multi‑agents, la traçabilité devient encore plus cruciale. Quel agent a déléguer à un autre ? Quelle information a traversé cette frontière ? D’où provient la décision ? Quel composant a réellement exécuté l’action ? Puis il y a les preuves opérationnelles: horodatages, signaux de confiance, résultats d’exécution, exceptions, événements d’escalade et la capacité de comprendre ou de rejouer ce qui s’est passé.

C’est l’un des changements majeurs lorsqu’on passe de l’IA conversationnelle à l’IA agentique.

Lorsque l’IA ne fait que répondre à une question, l’observabilité est utile. Lorsque l’IA peut modifier un enregistrement client, déclencher un paiement, mettre à jour plusieurs systèmes de référence ou initier un processus métier, l’observabilité devient partie intégrante de l’architecture de contrôle.

Vous avez occupé une gamme de rôles exceptionnellement large chez Druid AI, couvrant le développement, les opérations, les revenus et le succès client. Comment le fait de travailler directement avec les clients a‑t‑il façonné votre vision des raisons pour lesquelles certains déploiements d’IA d’entreprise génèrent une valeur mesurable tandis que d’autres restent bloqués en phase pilote ?

J’ai commencé ma carrière comme développeuse et, comme beaucoup d’ingénieurs, j’avais d’abord l’instinct que si la technologie était suffisamment bonne, sa valeur devait être évidente. Les clients vous apprennent très rapidement que ce n’est pas ainsi que fonctionne la technologie d’entreprise.

Un déploiement techniquement sophistiqué peut encore créer très peu de valeur si le problème métier n’est pas suffisamment important, si le propriétaire du processus est absent, si l’intégration est traitée en second plan ou si personne n’a défini ce que signifie le succès. Les clients sont extrêmement doués pour dépouiller le discours technologique. Ils ne se soucient pas de l’élégance architecturale si le processus dont ils sont responsables ne s’est pas amélioré.

Lorsque nous parlons d’implémentations à cette échelle, il y a un propriétaire métier avec un problème réel à résoudre. Il existe un volume mesurable, un coût/revenu ou une friction. L’IA est connectée aux systèmes où le travail se déroule réellement. Et il y a un plan d’adoption et d’amélioration continue après le lancement. Les pilotes restent souvent des pilotes parce qu’ils prouvent que la technologie fonctionne sans prouver que le modèle opérationnel fonctionne. C’est pourquoi, chaque fois que nous concevons un projet IA, nous formons nos équipes et partenaires à d’abord comprendre le travail, pas les clics que les utilisateurs effectuent dans les systèmes. Le « travail » désigne l’ensemble du processus, la façon dont les exceptions sont traitées, le résultat attendu, la fréquence des exceptions, ce qui empêche d’augmenter la productivité, le temps nécessaire et l’effort requis pour obtenir une hausse de productivité si le travail n’était pas automatisé.

Ma propre carrière a traversé la technologie, les opérations, les ventes, le succès client et la construction d’entreprise, et je considère aujourd’hui cette largeur comme l’un de mes plus grands atouts. La technologie vous apprend comment quelque chose fonctionne. Les ventes vous apprennent pourquoi quelqu’un paiera pour cela. Le succès client vous montre si cela fonctionne dans le monde réel. Les opérations vous indiquent si l’organisation peut le livrer de façon répétée et à grande échelle.

À bien des égards, l’évolution de Druid AI a suivi le même chemin: de la preuve que l’IA conversationnelle pouvait fonctionner, à la preuve qu’elle pouvait créer de la valeur, jusqu’à la construction de l’infrastructure nécessaire pour rendre les agents intelligents fiables à l’échelle de l’entreprise.

Vous avez également participé à Women in Tech Romania tout en développant Druid en une société IA internationale. Quels sont, selon vous, les principaux obstacles qui subsistent pour les femmes fondant et dirigeant des entreprises IA, et que faudrait‑il faire concrètement pour augmenter leur représentation aux niveaux exécutif et fondateur ? 

Les données récentes soulignent un écart frappant dans la tech européenne: seulement 5 % des startups IA sont fondées ou cofondées par des femmes, et seulement la moitié de ces fondatrices détient un doctorat. Bien que les chiffres soient saisissants, combler cette disparité nécessite d’aller au‑delà des récits traditionnels sur la discrimination de genre.

Au fond, l’entrepreneuriat est une quête individuelle façonnée par la personnalité, la tolérance au risque, les priorités personnelles et les choix de carrière. Plutôt que de voir cela uniquement comme une barrière sociale, nous devons examiner le pipeline pratique par lequel les fondateurs sont forgés.

Si les filles sont statistiquement moins attirées par les disciplines techniques tôt, une barrière bien plus significative et moins discutée apparaît plus tard dans les carrières d’entreprise: l’exposition à la pleine propriété d’une activité.

Les femmes excellent souvent en tant que spécialistes techniques de classe mondiale et leaders fonctionnels. Cependant, moins d’entre elles passent à des rôles avec responsabilité directe de revenu, gestion du P&L, prise de décision commerciale et stratégie d’entreprise globale. Ce sont exactement les muscles opérationnels requis pour fonder et faire croître une société de technologie d’entreprise.

Mon propre parcours, du développement logiciel au poste de CEO, n’a pas été linéaire, mais une série de transitions à travers la direction, les opérations, l’exécution commerciale et, finalement, la construction d’entreprise. Dans des environnements comme le système éducatif roumain, où l’éducation financière pratique et la formation entrepreneuriale manquaient pour tout le monde, quel que soit le genre, apprendre à naviguer le risque commercial était un processus d’exposition pas à pas.

Surmonter cet écart nécessite également de démanteler un mythe commun: l’idée que la direction technologique exige une maîtrise absolue avant de se lancer. À l’ère de l’IA à évolution rapide, personne ne détient toutes les réponses. Les traits de leadership déterminants aujourd’hui sont la curiosité, l’apprentissage continu et la confiance pour aborder des problèmes complexes avant que le résultat ne soit garanti.

Pour voir davantage de femmes à la tête d’entreprises technologiques, nous devons élargir l’accès aux réseaux commerciaux, promouvoir des modèles visibles et encourager activement les talents expérimentés à sortir des silos fonctionnels, à prendre la responsabilité du P&L et à embrasser les risques de la propriété d’entreprise.

En regardant vers l’avenir, selon vous, qu’est‑ce qui distinguera les plateformes d’IA d’entreprise qui s’intégreront profondément aux opérations commerciales de celles qui peinent à dépasser la phase d’expérimentation ?

La ligne de démarcation sera de savoir si elles peuvent passer de l’intelligence à une exécution fiable.

Générer une réponse impressionnante devient déjà relativement facile. Fonctionner de façon fiable au sein d’une grande entreprise est une tout autre histoire.

Les plateformes qui s’ancreront dans les opérations commerciales devront se connecter de façon sécurisée aux systèmes existants plutôt que de demander aux entreprises de tout remplacer. Elles devront fonctionner à travers différents modèles et technologies.

Il leur faudra une orchestration capable de coordonner agents, workflows et décisions humaines. Et elles devront intégrer identité, gouvernance, observabilité et contrôle dès l’architecture, plutôt que de les ajouter plus tard.

Mais il y a une autre exigence qui, à mon sens, distinguera de plus en plus les expériences de l’infrastructure: la fiabilité dans des conditions imparfaites. Une démonstration montre ce qu’un système IA peut faire quand tout fonctionne, mais une entreprise veut savoir ce qui se passe quand quelque chose ne fonctionne pas.

Que se passe‑t‑il lorsque les données sont incomplètes ? Lorsqu’une API échoue ? Lorsque deux politiques entrent en conflit ? Lorsque la confiance est faible ? Lorsqu’un utilisateur demande quelque chose pour lequel il n’est pas autorisé ?

Si un agent fonctionne brillamment 90 % du temps mais se comporte de façon imprévisible dans les 10 % restants, on ne peut pas lui confier une responsabilité critique.

Depuis plusieurs années, la question dominante était: « Que peut faire ce modèle ? »

La question d’entreprise devient: « Comment puis‑je accomplir ce travail efficacement ? »

Les plateformes IA qui s’intégreront profondément aux organisations seront celles qui pourront répondre de façon convaincante à la seconde question: techniquement, opérationnellement et économiquement. C’est finalement l’opportunité que nous avons perçue en lançant Druid AI: faire de l’intelligence une partie intégrante de la façon dont le travail s’accomplit.

Merci pour cet excellent entretien, les lecteurs qui souhaitent en savoir plus devraient visiter Druid AI.