Défis et expériences dans l'utilisation des agents IA : ce que vous devez savoir

Sergey Kozlov, directeur du développeur du système CRM « Megaplan » et de la base de connaissances avec assistant IA Collabis, partage son expérience avec Igor Sukhoverkhov, responsable du développement de Collabis, sur la mise en œuvre d'agents IA. Ils notent que la qualité du travail de l'agent dépend fortement de la structuration de la base de connaissances : si elle est désordonnée, les réponses de l'IA seront imprécises. Le contexte est également important — écrire simplement « rends-le cool » ne suffit pas ; il faut immerger profondément l'agent dans le contexte de la tâche. L'approche moderne du travail avec l'IA est l'ingénierie en boucle, où le facteur clé est la manière dont l'agent exécute la tâche et utilise les outils. Les auteurs avertissent que si l'IA s'engage dans une mauvaise direction, elle perd du temps et des tokens. Ils donnent un exemple : dans une tâche de testeur, au lieu de signaler un bouton cassé, l'agent a plongé dans le code et a essayé de le réparer. La plupart des modèles gèrent bien les tâches simples et bien définies, mais les tâches complexes en plusieurs étapes nécessitent des modèles plus coûteux — ils peuvent oublier le début, tout comme les humains. Un contrôle manuel est obligatoire : un agent aujourd'hui est comme un junior dont le travail doit être vérifié par un senior. Les risques de blocage d'accès aux modèles étrangers sont également évoqués, il est donc recommandé de stocker les données dans une base de connaissances personnelle. La société « Megaplan » a développé un serveur MCP pour le transfert de données, et il existe également un projet Pet basé sur GPT 5.6 fonctionnant localement.