Construire un lieu de travail natif pour l’IA : Leçons de la ligne de front

Que feriez-vous si vous participiez à une course de 10 km, que vous aviez du mal à gravir une colline difficile et que les règles de la course changent soudainement ? Et si les conducteurs commençaient à prendre des coureurs en voiture et à se disputer la ligne d’arrivée ? Continueriez-vous à courir, sachant pertinemment que vous finirez à l’arrière du peloton ? Ou monteriez-vous en voiture, appuyeriez-vous sur l’accélérateur et concourriez-vous pour le grand prix ?

Dans les entreprises d’aujourd’hui, l’IA est cette voiture qui perturbe la façon dont les sociétés fonctionnent. Les entreprises peuvent toujours choisir d’avancer comme elles l’ont toujours fait – en élaborant des plans à long terme, en respectant les processus, en poussant les employés à travailler plus dur que jamais pour réussir dans des environnements de plus en plus concurrentiels. Mais l’IA change la nature de la course. Elle donne aux entreprises un nouveau véhicule pour aller plus vite et permet aux travailleurs de trouver de nouvelles voies pour contourner les problèmes. Toute entreprise qui ne prend pas le volant et n’intègre pas le pouvoir de l’IA dans sa main-d’œuvre sera laissée pour compte sur cette longue et raide colline.

Embrasser l’avenir en devenant un gestionnaire d’IA

Chez Cockroach Labs, nous avons appris très rapidement que l’IA de génération peut nous aider à faire des choses que nous n’aurions jamais cru possibles. Nous l’avons utilisée dans toute l’entreprise pour la recherche par IA, les systèmes de recommandation et la recherche sémantique.

L’un des meilleurs exemples de la façon dont l’IA peut transformer un processus de main-d’œuvre est en cours dans notre département de formation. Notre équipe utilise l’IA pour accélérer le développement de programmes qui aident les clients, les partenaires et notre propre main-d’œuvre à devenir des experts dans l’exploitation de notre gamme de produits de bases de données.

Nous avons récemment créé un cours qui comprenait 21 exercices pratiques et 20 diapositives avec des notes détaillées pour les étudiants. Avant de commencer le projet, nous avions estimé que, en utilisant notre processus de développement normal – en tenant compte des estimations standard de l’industrie pour la durée nécessaire aux développeurs pour produire une heure de contenu – cela prendrait trois à cinq mois pour être terminé.

Alors, qu’est-ce qui s’est passé ? En intégrant l’IA de génération dans nos processus existants, nous avons pu terminer la tâche en cinq semaines.

Au cours de ce processus, nous avons appris un certain nombre de leçons.

• Nous sommes tous des gestionnaires d’IA. Chacun de nous a l’occasion de penser très différemment en utilisant l’IA. Chacun de nous devrait agir comme des gestionnaires, que nous ayons ou non des subordonnés directs, car nous gérons une capacité d’intelligence virtuellement illimitée que nous pouvons mettre à profit pour des projets difficiles. Combien pouvez-vous automatiser ? Combien pouvez-vous être créatif ? Combien pouvez-vous prompter efficacement votre outil d’IA, le défier et déployer le nouveau modèle qu’il génère ? Vous pouvez le maîtriser. Vous pouvez le gérer. Vous pouvez faire essentiellement tout ce que votre propre capacité vous permet de faire.
• N’attendez pas de l’IA qu’elle fasse tout. Il y a des tâches pour lesquelles elle n’est simplement pas conçue. Mais vous pouvez la charger de faire des choses que les travailleurs ne devraient plus faire – des tâches qui sont chronophages, mais qui nécessitent encore un certain degré d’intelligence.
• N’acceptez pas aveuglément les résultats qu’elle produit. Vérifiez, vérifiez et révérifiez. Faites confiance à la technologie, mais vérifiez toujours – car la précision transforme les hypothèses en réalisations.

Le processus étape par étape de déploiement de l’IA pour la gestion des tâches

Voici un résumé rapide de certaines des façons dont l’IA nous a aidés à gravir la colline, à atteindre la ligne d’arrivée, beaucoup plus vite que nous ne l’attendions.

• Différents modèles: Les différents modèles ont des forces différentes. Alors, tout comme les fabricants utilisent des composants de meilleure qualité lors de la construction d’une solution, n’hésitez pas à changer de modèles lorsqu’il est logique de profiter de ces forces. Nous avons utilisé Claude Sonnet 3.5 pour rédiger le premier brouillon de l’exercice car il excellait à créer des proses et des instructions engageantes. Nous avons utilisé les modèles de raisonnement ChatGPT 4o&”o” en tant que réviseurs techniques pour affiner les commandes et garantir l’exactitude technique dans le deuxième brouillon.
• Résultats reproductibles: Lorsque nous effectuons des tâches très techniques, nous voulions être en mesure d’imposer des contraintes techniques claires et de produire des sorties structurées qui soutiennent des résultats reproductibles. Pour ce faire, nous avons fourni des exigences de structure explicites et des exemples de format.
• Prompt pour des tâches très techniques: Soyez très spécifique sur ce que vous demandez à l’IA de faire –

sinon elle peut faire des choses folles. Énoncez clairement toutes les hypothèses concernant les entrées ou les conditions environnementales et demandez au modèle de gérer les cas inattendus.

• Prompt raffiné: Il est important d’encourager les outils d’IA à poser des questions de clarification. Les premiers prompts ne seront pas parfaits, alors attendez-vous à plusieurs itérations. Intégrez toutes les améliorations ou les étapes que le modèle suggère dans votre prompt de base et itérez avec l’IA et vos collègues.
• Test, test, test: Les vérifications de cohérence sont critiques. L’un des moyens de mesurer l’efficacité de votre prompt est de garantir une sortie cohérente. Nous avons donc testé souvent pour nous assurer que nous entrions les mêmes entrées et que la sortie restait la même.

Expertise humaine à la barre : Le rôle essentiel de la surveillance de l’IA

Alors que l’IA supprime les tâches chronophages de la journée des travailleurs, elle ne les supprime pas des flux de travail dans leur ensemble. Les humains jouent toujours des rôles critiques dans notre développement de programmes et ils doivent être intégrés dans les processus pilotés par l’IA pour garantir que les processus réussissent.

Un bon exemple est la façon dont notre équipe de formation effectue l’ingénierie de prompt. Les humains sont responsables de la rédaction de la prompt initiale, y compris le contexte à partir de sources pertinentes. Ensuite, après que l’outil d’IA de génération ait exécuté la prompt, l’humain examine la sortie de l’outil. Il est essentiel que cette personne soit un expert dans le domaine qui peut détecter les erreurs tôt dans le processus. Les collègues continuent à collaborer avec l’outil et à itérer jusqu’à ce que l’équipe soit satisfaite que la prompt est prête à être publiée.

Alors que cette collaboration humaine/IA s’est avérée efficace, elle nécessite qu’un humain gère le contexte et les transitions entre les modèles.

Sans les humains dans la boucle, les équipes seraient à la merci des outils d’IA qui peuvent être notoirement peu fiables. Lorsque nous avons commencé notre projet de programme, les outils ont bien résumé ou expliqué des concepts, étant donné les bons contextes. Cependant, ils ont souvent halluciné. Aujourd’hui, les modèles sont meilleurs pour raisonner, mais un humain doit toujours gérer le processus. Maintenant, les humains peuvent se concentrer sur la révision et la créativité et non seulement sur la gestion des processus.

À l’avenir, les agents d’IA joueront un rôle plus important dans le processus. Au lieu que les humains rassemblent manuellement le contexte à partir de sources, rédigent des prompts avec contexte, déplacent le travail entre les outils d’IA et examinent et raffinent les sorties, nous développons des agents qui peuvent effectuer la plupart de ces tâches – avec un peu d’aide. L’agent peut collecter et traiter de manière autonome les matériaux source en tant que contexte, générer des taxonomies de compétences et des plans de cours, exécuter nos flux de travail établis et présenter uniquement les points de décision clés aux experts humains.

Conclusion

Alors que les courses rapides sont excellentes pour se maintenir en forme, les voitures ont il y a longtemps transformé la capacité des humains à se rendre où ils ont besoin d’aller. L’IA offre les mêmes avantages sur le lieu de travail – en aidant les entreprises à améliorer les processus et à générer de meilleurs résultats. Ceux qui l’adoptent et exploitent ses gains d’efficacité composés laisseront les concurrents derrière.