Yoav Naveh, cofondateur et co-directeur général de Reindeer – Série d’entretiens

Yoav Naveh est cofondateur et co-directeur général de Reindeer. Il a notamment acquis de l’expérience dans la création d’entreprises technologiques, le développement d’activités et l’investissement auprès de fondateurs. Avant Reindeer, il a créé ConvertMedia, poursuivi son travail chez Taboola et investi par l’intermédiaire d’INT3. Aujourd’hui, il aide les entreprises à passer de déploiements isolés de l’IA à des agents capables de prendre en charge des opérations complexes, d’apprendre de l’expertise humaine et de rester fiables à mesure que les processus métier évoluent.

Reindeer développe des agents d’IA destinés aux entreprises et à leurs activités essentielles, dans des domaines comme la finance, la chaîne d’approvisionnement, la logistique et les services partagés. Sa plateforme associe l’exécution des processus aux retours d’experts, à l’évaluation et à la validation humaine, afin que les agents puissent s’adapter aux exceptions et à l’évolution des règles. Dans cet entretien, Naveh évoque les limites des modèles de déploiement reposant fortement sur l’ingénierie, la façon dont le savoir institutionnel devient un contexte pour les agents, ainsi que la gouvernance et les mesures nécessaires pour réduire progressivement l’effort humain total.

Après avoir créé ConvertMedia, développé des activités chez Taboola et investi dans d’autres fondateurs par l’intermédiaire d’INT3, quel problème vous a donné envie de créer à nouveau une entreprise, et comment a-t-il influencé votre décision de cofonder Reindeer ?

Le marché de l’IA était trop passionnant pour que nous restions à l’écart. Mon cofondateur Yair et moi nous sommes vivement intéressés à l’écart entre l’utilité de l’IA dans nos usages individuels et les difficultés que rencontrent encore les entreprises pour l’adopter à grande échelle. La technologie progresse à une vitesse incroyable, mais la plupart des organisations peinent toujours à transformer ce potentiel en changements opérationnels significatifs.

L’IA va transformer le fonctionnement des entreprises, mais pour y parvenir, il ne suffit pas d’améliorer la technologie. Il faut des dirigeants prêts à repenser la manière dont le travail est accompli et une approche concrète pour intégrer l’IA aux activités quotidiennes sans ajouter de nouvelles couches de complexité.

C’est ce défi qui a donné naissance à Reindeer. Nous avons conçu une plateforme qui accompagne les entreprises, de leur premier agent à tout un troupeau d’agents, capables d’apprendre des retours humains et de s’améliorer au fil du temps. Notre objectif est de réduire l’écart entre le potentiel de l’IA et son adoption concrète, en aidant les entreprises à transformer leurs activités essentielles en une main-d’œuvre d’agents d’IA, sans devoir reconstruire ni entretenir constamment chaque agent.

Vous avez estimé que le modèle des ingénieurs déployés sur le terrain risque de transformer l’IA d’entreprise en une activité de services à forte intensité de main-d’œuvre. Dans quels cas l’ingénierie intégrée crée-t-elle une valeur durable, et à partir de quand devient-elle une dépendance qui empêche les clients de passer à l’échelle ?

Les ingénieurs déployés sur le terrain sont précieux pour les intégrations complexes et la mise en production des premiers agents. Le problème survient lorsque les processus de travail eux-mêmes évoluent et que ces ingénieurs doivent rester indéfiniment indispensables pour que les agents continuent de les exécuter. Surtout à grande échelle. Le modèle des ingénieurs déployés sur le terrain fonctionne quand on a 5 agents. Il s’essouffle quand on en a cent.

Si chaque nouveau processus ou exception imprévue nécessite davantage d’ingénierie, vous ne développez pas votre logiciel à l’échelle : vous augmentez le recours à une main-d’œuvre humaine coûteuse.

La plupart des entreprises qui déploient des ingénieurs sur le terrain affirment que ceux-ci finissent par passer à d’autres tâches. Avant de signer un contrat qui prévoit leur intervention, les entreprises devraient exiger des preuves que c’est bien le cas. Nous avons déjà vu à quel point l’automatisation robotisée des processus (RPA) est devenue fragile avec l’évolution des processus métier. Rien ne permet de penser que les agents conçus de toutes pièces feront exception.

Les processus d’entreprise comportent souvent des exceptions non documentées et des pratiques contradictoires d’une équipe à l’autre. Comment Reindeer saisit-il la réalité du travail tout en distinguant les connaissances institutionnelles utiles des habitudes qu’il ne faudrait pas automatiser ?

La plupart des entreprises possèdent une quantité considérable de connaissances institutionnelles qui ne sont consignées nulle part. Elles restent dans la tête des employés. Nos agents commencent avec des connaissances partielles et apprennent à partir de cas réels ; lorsqu’ils rencontrent une situation inconnue, ils demandent conseil à des experts du domaine.

Mais apprendre d’un employé ne signifie pas reproduire son comportement à l’aveugle. Notre système distingue les exceptions individuelles des tendances récurrentes et propose des changements plus généraux qui doivent être approuvés par un humain.

Nous ne cherchons pas à automatiser toutes les habitudes. Nous voulons transformer les connaissances institutionnelles utiles en une intelligence fiable, sans obliger les ingénieurs à anticiper chaque situation à l’avance.

La plupart des entreprises spécialisées dans l’IA agentique commencent par documenter le processus, puis par le coder, en menant des entretiens et en examinant minutieusement les données passées. En réalité, la manière la plus efficace d’apprendre un processus est celle qui se met en place chaque fois qu’un nouveau membre rejoint une équipe : il ne mémorise ni une année de données ni une procédure opérationnelle standard de 3 000 pages. Il acquiert quelques compétences, observe quelques exemples, se met au travail, pose des questions lorsqu’il rencontre quelque chose qu’il ne comprend pas, puis approfondit ses connaissances. C’est ce processus que nous avons mis au point.

L’IA agentique offre aussi aux entreprises la possibilité de repenser un processus, plutôt que de se contenter de l’automatiser tel qu’il existe. Les équipes exclusivement humaines, l’automatisation fondée sur des règles et les logiciels traditionnels ont chacun façonné les processus en fonction de leurs propres limites. En faisant apprendre les agents aux côtés des experts, Reindeer aide les entreprises à repenser le fonctionnement souhaitable d’un processus : quelles pratiques conserver, lesquelles abandonner, et dans quels domaines les agents et les personnes apportent le plus de valeur.

Lorsque vous dites que les agents de Reindeer apprennent en continu en production, qu’est-ce qui change concrètement : les poids du modèle, la mémoire, la logique du flux de travail ou les politiques explicites ? Pourriez-vous nous décrire une exception qui apprend à un agent à traiter différemment les cas futurs ?

Ce qui change, c’est le contexte et les compétences de l’agent : la logique du flux de travail, les politiques et les consignes indiquant quand appliquer chacune d’elles.

Prenons un agent de traitement des factures. Il reçoit une facture dont le montant dépasse de 4 % celui du bon de commande et ne trouve aucune politique qui s’y applique. Au lieu de la traiter, l’agent transmet le dossier à un expert. Celui-ci lui explique que ce fournisseur bénéficie d’une exception approuvée pour les suppléments liés au carburant. L’agent règle ce cas, et l’explication est enregistrée comme contexte pour ce fournisseur uniquement.

Si le même type d’exception se présente à nouveau avec d’autres fournisseurs et que d’autres experts la règlent de la même manière, le système propose une modification de la politique, par exemple : « Les suppléments liés au carburant jusqu’à 5 % sont acceptables lorsque le contrat le permet. » Cette proposition est soumise à des tests et à l’approbation d’une personne avant que l’agent ne l’applique. La réponse d’un expert permet de régler un cas. Une tendance observée dans plusieurs cas peut devenir une nouvelle règle.

La décision d’un employé peut convenir à un client ou à une transaction sans pour autant constituer une règle générale appropriée. Comment déterminez-vous si un retour doit rester une exception ponctuelle ou s’il doit donner lieu à une proposition de modification de la politique ?

Nous distinguons le règlement d’un cas particulier de la modification du fonctionnement futur d’un agent.

Un employé peut autoriser une exception pour un client, mais cela ne signifie pas que la même exception doit s’appliquer à tous. J’irais même jusqu’à dire que deux employés différents peuvent apporter des réponses différentes à l’exception d’un même client. Notre système évalue les circonstances, repère les tendances récurrentes, concilie les contradictions et recherche d’éventuels conflits avec les politiques en vigueur.

Lorsque des éléments étayent une modification plus générale, nous faisons fonctionner l’agent sur notre plateforme d’évaluation — une sorte de « Truman Show » pour agents, si l’on veut —, puis proposons une mise à jour pour approbation par une personne.

L’objectif est d’apprendre des humains, et non de reproduire aveuglément leurs décisions. Sinon, on ne fait qu’automatiser les erreurs.

Un agent peut s’améliorer sur les cas récents tout en devenant moins fiable dans des situations qu’il traitait auparavant correctement. Quels tests et quel processus d’approbation une modification proposée doit-elle passer avant d’être déployée en production, et comment détectez-vous les régressions et revenez-vous sur ces modifications ?

L’apprentissage continu sans gouvernance est dangereux. Chaque modification proposée doit donc satisfaire à trois garde-fous : des tests de régression, l’approbation d’une personne et un seuil de confiance qui détermine à partir de quand l’agent peut agir de manière autonome.

Les tests viennent en premier. Ils sont plus difficiles qu’il n’y paraît, car les activités opérationnelles ne disposent pas de réponses de référence prédéfinies. Nous sélectionnons des cas représentatifs à partir des retours des experts, définissons des critères de comparaison des résultats et rejouons ces cas avec l’agent actuel et avec la version proposée. Les actions ayant des effets secondaires, comme l’envoi d’un courriel, sont exécutées dans un simulateur fondé sur des exécutions antérieures, et les cas de test qui ne correspondent plus à la politique en vigueur sont retirés. Nous pouvons ainsi mesurer l’effet réel d’une modification ; les agents doivent croire qu’ils évoluent dans le monde réel et leurs actions ont des conséquences concrètes : une entrée enregistrée dans SAP ou un courriel envoyé à un client. C’est la seule façon de mettre en place un véritable cadre d’évaluation pour chaque agent.

Un responsable examine ensuite la modification, les éléments qui la justifient et les résultats des tests. Il peut l’approuver, la réviser ou la rejeter. Le fonctionnement de l’agent ne change pas tant que cette approbation n’a pas été donnée.

Le seuil de confiance protège l’entreprise après la mise en production d’une modification. L’agent agit de manière autonome uniquement si son niveau de confiance dépasse ce seuil ; en dessous, le cas est transmis à un expert. Les équipes opérationnelles règlent elles-mêmes ce seuil. Elles peuvent donc commencer avec prudence et accorder davantage d’autonomie à l’agent à mesure que ses résultats s’accumulent.

Si la qualité diminue après une modification, le système relève automatiquement les seuils de contrôle afin qu’un plus grand nombre de cas soient transmis à des experts. Leurs retours font remonter le problème par la même boucle que celle qui a proposé la modification. Chaque modification de politique est versionnée, attribuable et consignée : une équipe peut voir ce qui a changé, qui l’a approuvé et pourquoi, puis revenir à la version précédente.

La réduction du travail d’ingénierie peut néanmoins laisser une charge importante aux équipes opérationnelles, qui doivent examiner les exceptions et corriger les agents. Comment mesurez-vous si Reindeer réduit l’effort humain total nécessaire, au lieu de transférer cette charge à une autre équipe ?

En réalité, la plupart des entreprises ont déjà une équipe qui effectue ce travail manuellement. Notre objectif n’est pas de transférer cette charge à une autre équipe, mais de la réduire au fil du temps. Nous donnons aux personnes les plus expérimentées de l’équipe en place les moyens d’apprendre à l’agent à traiter les exceptions et à prendre de meilleures décisions de manière autonome.

Le problème du modèle FDE, c’est qu’il transfère souvent le travail d’employés opérationnels relativement peu coûteux à des ingénieurs très coûteux. Cela ne résout pas le problème de la main-d’œuvre : cela augmente les coûts. Reindeer n’ajoute pas d’ingénieurs à cette équation. Nous mesurons plutôt la réussite à l’aune de la quantité de travail que les agents peuvent régler de manière autonome au fil du temps et de la diminution des interventions humaines dans l’ensemble du processus.

Nous suivons trois indicateurs : la proportion de dossiers que l’agent traite de bout en bout sans intervention humaine, le nombre d’interventions d’experts par dossier et le temps total de traitement par dossier, en cumulant le travail des agents et des personnes. Si le troisième indicateur ne baisse pas, nous ne faisons que déplacer le travail.

Pourriez-vous prendre l’exemple d’un déploiement chez Hellmann Worldwide Logistics ou Papaya Global et expliquer ce qui a changé entre le lancement et le fonctionnement courant ? Qu’est-il advenu de la précision, du taux d’exceptions, du délai de traitement et du niveau d’intervention humaine nécessaire ?

Hellmann Worldwide Logistics illustre parfaitement comment les agents peuvent améliorer les opérations concrètes au fil du temps. Son équipe chargée de la tarification consacrait énormément de temps au traitement manuel des demandes d’expédition reçues par courriel, dans des feuilles de calcul et d’autres documents ; il fallait souvent plusieurs jours pour établir un devis.

Nous avons commencé avec une vingtaine de demandes types pour comprendre le processus et entraîner l’agent. Ensuite, les spécialistes de la tarification de Hellmann ont commencé à travailler directement avec le système, en lui faisant part de leurs commentaires et en l’aidant à gérer les cas exceptionnels. Nous avons suivi la précision et la rapidité tout au long des tests, puis continué à surveiller les performances après la mise en production de l’agent.

Aujourd’hui, les demandes courantes sont traitées automatiquement, tandis que les cas plus complexes sont transmis à l’équipe. Point essentiel, l’agent repère les informations manquantes au lieu de faire des suppositions, ce qui permet aux employés d’intervenir lorsque leur expertise est réellement nécessaire.

Résultat : le délai d’établissement des devis a diminué, les tâches de saisie manuelle sont moins nombreuses et les équipes disposent de plus de temps pour les échanges avec les clients. Hellmann a également constaté une amélioration de son taux de conversion des devis. L’objectif n’est pas d’éliminer les personnes du processus, mais de réduire continuellement la quantité de tâches courantes nécessitant leur intervention.

Qu’avez-vous appris sur les limites de cette approche ? Quelles caractéristiques d’un processus indiquent qu’il est prêt à être confié à un agent adaptatif, et lesquelles suggèrent que l’entreprise devrait d’abord le repenser ou conserver une automatisation classique ?

Tous les processus ne nécessitent pas un agent d’IA. Les meilleures possibilités concernent les processus répétitifs et à fort volume qui exigent un jugement contextuel, en particulier lorsque les informations proviennent de plusieurs systèmes et que les employés doivent régulièrement traiter des cas exceptionnels.

La leçon la plus claire de nos déploiements est qu’une nouvelle fonction voit le jour au sein des entreprises, tout comme les opérations de revenus sont apparues avec les CRM, et le DevOps avec le cloud. À mesure que les entreprises passent de quelques agents à une multitude, elles ont besoin d’une personne ou d’une équipe chargée de les gérer comme un chef de service gère ses effectifs : en assumant la responsabilité de leurs indicateurs clés de performance et de leur retour sur investissement, en décidant des tâches que les agents doivent prendre en charge ou non, et en approuvant leurs changements. Les entreprises qui mettent déjà en place cette fonction avancent le plus vite et sont les mieux placées pour réussir.

Des pratiques contradictoires ne sont pas une raison d’attendre. Les experts ne sont pas d’accord dans presque toutes les activités, et notre système est conçu pour faire ressortir ces contradictions et les transformer en propositions de politiques. Les résoudre fait partie du rôle de la personne responsable, ce qui est une raison supplémentaire de créer ce poste avant de déployer les agents à grande échelle.

Cette approche a aussi ses limites. Les activités essentielles ne seront pas entièrement automatisées, et ce n’est pas notre objectif. Les agents étendent progressivement leur champ d’action, tandis que les cas à haut risque restent délibérément entre les mains des personnes.

À mesure que les modèles de fondation et les outils de création d’agents s’améliorent, quels aspects du déploiement en entreprise deviendront, selon vous, des produits standardisés, et dans quels domaines Reindeer construit-elle un avantage qui se renforce à chaque déploiement en production ?

Les modèles de fondation deviendront de plus en plus interchangeables à mesure qu’ils gagneront en accessibilité, en rapidité et en capacités. La création d’agents élémentaires et leur connexion aux systèmes d’entreprise deviennent également plus faciles.

Mais créer un agent ne revient pas à le rendre fiable dans une entreprise complexe, sur la durée.

Le véritable avantage concurrentiel réside dans la connaissance exclusive du fonctionnement réel d’une entreprise, qui évolue constamment. Chaque dossier traité en production donne à nos agents l’occasion d’apprendre, de résoudre de futurs cas exceptionnels et de réduire les interventions humaines.

Les modèles coûteront moins cher. La création d’agents sera plus facile.

Les gagnants élimineront les coûteuses infrastructures d’ingénierie humaine nécessaires pour que ces agents continuent de fonctionner et restent pertinents au fil du temps.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus sur les agents d’IA adaptatifs pour les entreprises, l’automatisation des opérations et l’apprentissage guidé par l’humain peuvent consulter Reindeer.