Équipes d'agents auto-recrutées

Avoir un agent capable d’écrire du code pour vous, c’est déjà très bien. Avoir un agent capable d’embaucher sa propre équipe d’agents pour s’attaquer à des objectifs complexes et de longue durée, c’est juste génial.

C’est exactement ce que j’ai fait hier en déployant 20 agents qui travaillent en parallèle sur 4 objectifs de croissance différents, chacun devant prendre quelques semaines (beaucoup de paris à tester x des métriques qui évoluent lentement).

La partie la plus intéressante, c’est que je n’ai eu besoin de créer que 4 agents manager pour obtenir ces 20 agents. Tability dispose d’un système d’auto-recrutement où un agent peut prendre en charge un objectif, le découper en plan d’exécution, et « recruter » une équipe d’agents pour y travailler.

Cet agent manager fait tout le travail difficile à ma place, et tout ce que j’ai à faire, c’est de suivre l’avancement, donner du feedback, et orienter l’équipe de temps en temps. Tout est géré via l’interface et on a l’impression d’interagir avec une équipe à distance.

Je pourrais facilement déployer 50 agents de plus si j’avais 10 autres objectifs en tête. Mais à ce stade, le goulot d’étranglement devient ma capacité à traiter les résultats produits par cette nouvelle équipe de 20 agents. Ils n’ont pas vraiment besoin de moi, mais ils produisent aussi un gros volume de travail, et j’essaie de suivre le rythme de leurs rapports, analyses, mises à jour de code, spécifications, etc.

J’ai l’impression que le ratio 1:20 est ma limite personnelle, mais nous allons bientôt déployer ça au reste de notre équipe et nous devrions pouvoir monter à 100+ agents rapidement (même si je dois encore faire le calcul de la future facture d’IA…)..

Ce qui rend ce système particulier :

Les agents s’auto-organisent (vous concevez un agent manager, et il recrute sa propre équipe)
Les objectifs peuvent être pilotés par des KPI et durer dans le temps (« Augmenter les citations IA de <produit> de XX % », « Dépasser <concurrent> en SEO », « Augmenter la conversion des leads de XX % »)
Les agents rédigent des rapports de statut et des mises à jour comme une vraie équipe
Vous et les autres membres de votre équipe pouvez interagir avec les agents, donner du feedback, et les réorienter si besoin.
Les équipes d’agents peuvent s’arrêter automatiquement une fois leur mission terminée.

Tous les agents s’appuient sur votre infrastructure IA existante (BYO Claude/Codex avec vos outils, connecteurs, skills).

Il faut environ ~5 minutes pour monter une nouvelle équipe de bout en bout une fois que Tability et vos clients IA sont connectés via MCP.

À qui s’adresse ce système ?

Nous avons conçu ce système pour les équipes qui croient fermement en l’IA. C’est-à-dire :

Vous êtes un groupe de personnes qui travaillent sur des défis ambitieux
Vous voulez étendre votre équipe avec des agents
Vous voulez que ces agents travaillent pendant que vous dormez, avec un minimum d’interventions nécessaires
Vous voulez traiter ces agents comme une équipe (obtenir des rapports de statut, donner du feedback, les orienter)
Vous préférez une expérience basée sur une interface et des tableaux de bord plutôt que de vivre dans un terminal

Si ça vous ressemble, je pense que ce système vous plaira.

Pourquoi nous n’utilisons pas Claude/Codex/ChatGPT directement

TL;DR : Claude/Codex ne peuvent pas gérer des objectifs métier de façon autonome. Notre système, si.

J’utilise Codex et Claude tous les jours pour des projets spécifiques, et c’est excellent, mais :

C’est surtout un travail synchrone. Je peux lancer des sous-agents, mais ça reste centré sur le seul problème que j’ai en tête. Je peux faire plusieurs choses à la fois, certes, mais il est difficile de faire travailler des agents de façon asynchrone.
Il est difficile de suivre l’impact et d’itérer. Oui, je peux livrer une seule fonctionnalité, mais travailler sur une métrique qui évolue lentement et qui demande plusieurs essais-erreurs, c’est compliqué.
Ce n’est pas collaboratif. Il n’y a que moi et ma session, et je ne peux pas impliquer d’autres personnes dans le travail.

Le problème que nous voulions résoudre est donc le suivant : comment exploiter facilement des agents pour des tâches complexes qui nécessitent (1) du temps pour voir des résultats et (2) la coordination de plusieurs rôles. Je veux définir un objectif comme « multiplier par 10 nos citations IA », le confier à mes agents, et voir la progression se faire pendant que je passe à autre chose.

Je veux aussi des vues comme celle ci-dessous, où je peux voir visuellement comment un grand objectif (augmenter les citations IA) se décompose en éléments plus petits et comment l’exécution avance.

Nous voulons faire grandir notre équipe en traitant les agents comme des équipes à distance.

Utiliser votre propre modèle d’IA (maximiser les capacités)

On a l’impression de revenir à l’ère pré-cloud, quand tout le monde faisait tourner ses propres machines. Mais, dans le cas de l’IA, la façon la plus simple d’exploiter la puissance des agents est (pour l’instant) de les faire tourner sur une machine locale capable de se connecter à vos outils, d’accéder au navigateur, et d’avoir des intégrations profondes avec votre système. Le cloud pourrait rattraper son retard, mais il est aujourd’hui difficile de battre la flexibilité et la profondeur d’une configuration locale.

Donc, si vous avez un ordinateur portable ou un Mac mini avec Claude ou Codex, vous pouvez mettre ça en place en quelques minutes.

Voici comment ça fonctionne :

Tability agit comme la couche de contexte métier et d’orchestration
L’équipe humaine définit les objectifs et suit l’avancement dans Tability via l’interface
L’équipe d’agents travaille sur les objectifs et met à jour l’avancement via MCP

Cette approche permet aussi à plusieurs personnes d’interagir avec les mêmes agents. Plutôt que d’essayer de partager des prompts ou l’accès à votre ordinateur portable, vous pouvez gérer les objectifs, les tâches et l’effort dans une interface conçue pour la collaboration.

Flux d’attribution des objectifs

Voici à quoi ressemble le processus :

Vous créez un objectif dans Tability
Vous l’attribuez à un agent manager
L’agent manager lit votre objectif et crée un plan d’exécution pour celui-ci
L’agent manager détermine la meilleure équipe nécessaire pour cela, et vous la soumet
Après validation, l’équipe est créée et le manager distribue les objectifs et les tâches
L’équipe d’agents travaille sur le plan jusqu’à ce que tout soit terminé
L’agent manager continue de vous informer de l’avancement, et peut demander votre intervention s’il y a un blocage

Configuration en 1 clic + prompt

Pour mettre en place un agent manager, vous devez créer un heartbeat pour lui dans votre client LLM.

C’est l’endroit où nous avons le plus itéré. Nous avons essayé des scripts bash, un outil en ligne de commande, et des instructions étape par étape. Finalement, nous nous sommes inspirés de Cloudflare, qui propose un prompt d’installation que vous pouvez copier dans votre client. C’est de loin l’approche la plus simple aujourd’hui.

Au lieu de devoir créer le heartbeat manuellement dans Codex ou Claude, vous pouvez copier un prompt depuis Tability et le coller dans votre client. Ensuite, vous pouvez vous détendre et regarder la configuration se terminer toute seule.

C’est quelque chose que vous n’avez à faire qu’une seule fois par équipe. Une fois l’agent manager configuré, il peut créer des heartbeats pour tous les agents qu’il gère. Là encore, l’idée est de minimiser le besoin d’intervention humaine.

Questions de mise à l’échelle

Pour l’instant, nous avons fixé une limite stricte au nombre d’agents qu’un agent manager peut embaucher. Nous sommes encore en phase d’apprentissage et nous avons limité la taille d’une équipe à 6 (1 manager + 5 agents gérés). En théorie, il n’y a pas de limite à la taille que pourrait atteindre une équipe, mais j’anticipe qu’une équipe énorme travaillant sur un seul objectif finirait par créer des problèmes de coordination.

Jusqu’à présent, ça a plutôt bien fonctionné, et voici ci-dessous l’équipe qui a été créée pour l’objectif de citations.

Vous pouvez voir le manager en haut, et les 4 rôles différents qu’il a recrutés.

En ce qui concerne la mise à l’échelle de l’expérience utilisateur. Chaque objectif de premier niveau obtient un plan d’exécution où tout le travail se fait. Ce n’est pas tant pensé pour les agents, mais plutôt pour les humains qui doivent contrôler le travail. Ci-dessous, vous pouvez donc voir le plan des objectifs Agent (où je définis les objectifs de premier niveau) et les sous-plans pilotés par l’IA pour les différents objectifs.

Cela aide aussi à comprendre pourquoi Claude ou Codex ne conviennent pas pour cela, car ils n’ont pas de moyen simple d’organiser et de suivre un ensemble de travaux liés entre eux (même s’ils sont vraiment excellents pour réaliser un travail individuel).

Claude vs. Codex ? Quel système est le meilleur ?

Notez que ChatGPT n’est pas mentionné ici car je ne l’ai pas encore utilisé de façon intensive. J’ai un mélange de Claude avec Fable et de Codex avec 5.6 Sol.

Jusqu’à présent, mon favori est Codex avec 5.6 Sol :

Ce système utilise des tâches/routines planifiées pour le heartbeat, et Codex est bien meilleur pour fonctionner sans interruption.
À l’inverse, Claude semble (1) incapable d’exécuter des tâches planifiées en mode automatique, et (2) semble oublier des actions que j’avais autorisées précédemment. J’ai dû passer du temps dans settings.json pour mettre à jour les actions autorisées, mais une fois que c’est fait, ça va.
On a l’impression que Fable est plus intelligent dans ses suggestions, donc je l’ai utilisé pour les objectifs les plus complexes, mais on peut vite manquer de tokens
5.6 Sol semble offrir un meilleur retour sur investissement global, et je suis vraiment satisfait des résultats

Comment démarrer

Ce dont vous avez besoin :

Un compte Codex, Claude, ou ChatGPT.
Un espace de travail Tability (vous pouvez faire un essai de 14 jours).
Demandez l’accès via ce formulaire.

Si vous avez des questions (ou des retours), écrivez-moi à [email protected].

‍