Investir dans un environnement d'apprentissage pour agents
Arga Labs a annoncé un tour de seed de 10 M$. Le tour a été mené par General Catalyst. Box Group, Emergence, Gradient et SV Angel y ont participé. L'entreprise construit des environnements pour entraîner des agents IA d'entreprise. Il ne s'agit pas d'un agent prêt à l'emploi, mais d'une infrastructure pour son entraînement. Critère : le tour confirme la demande pour des environnements de test destinés aux agents dans les logiciels métier.
Pourquoi une API stateless ne suffit pas
La plupart des environnements de test se limitent à une API stateless. Arga Labs construit un véritable jumeau numérique du logiciel. Elle clone le logiciel d'entreprise avec ses systèmes de droits et ses webhooks. L'agent apprend ainsi à travailler dans plusieurs systèmes. Principales différences :
- API stateless — un simple point de terminaison ;
- jumeau numérique — une copie de la structure du logiciel ;
- l'environnement conserve les permission systems et les web hooks ;
- l'agent s'entraîne sur les liens entre différents logiciels. Conclusion : pour un agent qui agit dans plusieurs logiciels, il faut un environnement avec état et droits.
Ambiguïté des données : l'exemple des leads
Phillip Li, CEO et cofondateur, donne un exemple. Un client crée un lead dans Salesforce. Un collègue le contacte séparément via HubSpot. Li pose des questions sur le comportement de l'agent. L'agent comprendra-t-il qu'il s'agit de la même entreprise ? Vérifiera-t-il que l'e-mail n'est envoyé qu'une seule fois ? Déterminera-t-il à qui écrire parmi deux possibilités ? Les systèmes agentiques gèrent encore mal ce type d'ambiguïté. Arga Labs considère ses outils comme essentiels pour améliorer cette situation. Critère pratique : tester l'environnement sur des scénarios avec doublons et croisement de canaux.
Pourquoi le RL à grande échelle se heurte aux logiciels d'entreprise
L'agent est entraîné par reinforcement learning. Le scénario est exécuté des dizaines de milliers de fois. Les stratégies réussies sont conservées. Mais les logiciels d'entreprise se prêtent mal à une telle échelle. Un système comme Salesforce ou Outlook est difficile à réinitialiser pour une nouvelle exécution. Le cloner est encore plus compliqué. Arga Labs crée une reconstruction numérique du logiciel. Elle reproduit la structure du logiciel, comme un mannequin de crash-test reproduit l'être humain. Le contrôle total de l'environnement simplifie la réinitialisation et la modification. L'entreprise peut lancer de nombreux environnements simultanément. L'agent s'entraîne sur des interactions complexes entre logiciels. L'idée est de reproduire un environnement de travail complet avec des tâches qui se croisent entre différents logiciels et systèmes de connaissances. Conclusion : sans copie contrôlée de l'environnement, le RL dans les logiciels métier reste limité.
L'écart entre le codage et les logiciels métier
Les outils d'IA pour le codage ont progressé rapidement. La raison est l'existence d'outils de déploiement, de reverse et d'analyse du code. Ils simplifient la configuration des environnements RL. Cela permet de tester et d'entraîner l'IA sur des tâches de codage de plus en plus complexes. Pour la plupart des logiciels métier, ces outils n'existent pas encore. Arga Labs travaille à combler ce reinforcement gap. Si ces outils apparaissent, les systèmes d'IA utiliseront mieux les logiciels métier. Cela pourrait transformer d'autres secteurs comme le codage. Comparaison : | Critère | Codage | Logiciels métier | | Outils de déploiement, de reverse et d'analyse | oui | non (pour l'instant) | | Configuration des environnements RL | plus simple | plus complexe | | Complexité des tâches testées | croissante | élevée à cause de l'ambiguïté | Conclusion : l'apparition de tels outils pour les logiciels métier accélérera le développement des agents dans ces logiciels.
Ce que dit l'investisseur
Yuri Sagalov est managing director chez General Catalyst et responsable du programme seed. Il constate un besoin croissant d'outils de test d'agents similaires à Arga. Sagalov associe une part importante de la valeur économique des agents à l'utilisation d'applications métier. Selon lui, un bac à sable reproductible est très important. Pour les agents, il l'est encore plus que pour les humains. Critère pratique : lors du choix d'une infrastructure, vérifier si l'environnement offre un bac à sable reproductible pour les applications métier.
Critères de choix d'un environnement d'apprentissage pour agents
L'environnement doit :
- cloner la structure du logiciel d'entreprise ;
- conserver les systèmes de droits et les webhooks ;
- permettre la réinitialisation et la modification du scénario ;
- prendre en charge le lancement de nombreux environnements simultanément ;
- reproduire les croisements de tâches entre logiciels et systèmes de connaissances. Arga Labs construit de tels environnements pour les logiciels d'entreprise, notamment Salesforce, Workday et les clients de messagerie. Le tour de 10 M$ confirme l'intérêt des investisseurs pour cette direction. Conclusion : pour les équipes qui entraînent des agents, une copie contrôlée de l'environnement de travail devient une exigence de base.
