Travailler avec l'IA
Alban Pasquelin construit des logiciels pilotables par des agents : AI Desktop Studio expose 310 actions via le protocole MCP, réparties en 26 familles, et un modèle Qwen spécialisé les exécute localement sur Apple Silicon, mesuré par un harnais d'évaluation automatisé.
Beaucoup d'entreprises ajoutent une zone de discussion à leur produit et appellent cela de l'IA. Rendre un produit réellement pilotable par un agent demande bien plus.
AI Desktop Studio est construit dans l'autre sens : chaque chose qu'un humain peut faire dans l'application, un agent peut la faire aussi. Trois cent dix actions, exposées par le protocole MCP et regroupées en vingt-six familles. Un agent ouvre un projet, génère une texture, l'applique sur un objet 3D et exporte le résultat, sans qu'une main touche la souris.
Le modèle qui les exécute tourne sur la machine, sans service distant. Il a été spécialisé pour comprendre ces actions précises, en plusieurs langues, et il est réévalué à chaque version : une nouvelle version n'est adoptée que si la mesure prouve qu'elle fait mieux que l'ancienne. Sans cette mesure, régler un modèle revient à deviner.
Dans un produit d'IA, l'appel au modèle est la partie facile. Le travail est dans les quatre-vingt-dix pour cent autour : décider ce que l'agent a le droit de faire, tracer ce qu'il a fait, et rattraper proprement le moment où il se trompe.
Avec l'IA, sous contrôle
J'utilise l'IA chaque jour pour écrire, tester et relire du code, et vous en profitez : plus de travail livré pour le même budget.
- Je relis et teste tout ce que je livre, et j'en reste responsable.
- Votre code ne passe par aucun outil que vous n'avez pas validé.
- S'il est sensible, je travaille avec des modèles qui tournent en local : aucune ligne ne quitte la machine.
Méthode
- Un agent qui ne peut rien casser ne sert à rien ; un agent qui peut tout casser est un incident qui attend son heure. Les permissions se conçoivent avant les fonctionnalités.
- Tout ce qu'un agent fait doit être traçable et annulable.
- Un modèle local coûte plus cher à mettre en place et beaucoup moins cher à exploiter, et les données ne quittent jamais la machine.
- Une amélioration qui ne se mesure pas n'a pas eu lieu.