Des chercheurs de l'Université Jiao Tong de Shanghai et du conglomérat technologique chinois Tencent affirment avoir construit un agent IA qui utilise les périodes d'inactivité entre les conversations pour prédire ce que les utilisateurs pourraient demander ensuite – et préparer les réponses avant qu'elles ne soient posées.

Le système, appelé ProAct, fonctionne différemment de la plupart des agents IA qui attendent que les utilisateurs posent une question avant de répondre. Au lieu de cela, ProAct utilise les temps d'inactivité entre les messages pour passer en revue les conversations passées et les informations utilisateur sauvegardées, puis prépare des informations utiles en arrière-plan avant l'arrivée de la question suivante.

« Bien que les agents IA démontrent des capacités remarquables en matière de raisonnement et d'utilisation d'outils, ils restent fondamentalement réactifs : Ils ne calculent des réponses qu'après des invites explicites de l'utilisateur », ont écrit les chercheurs. « Ce paradigme ignore une opportunité critique : Le temps d'inactivité entre les interactions est largement gaspillé, empêchant les agents de se préparer aux futurs besoins des utilisateurs. »

Le système fonctionne en plusieurs étapes. La première, appelée « Future-State Prediction » (Prédiction de l'état futur), prédit les questions de suivi probables en analysant les conversations passées, les préférences de l'utilisateur et les informations manquantes.

La deuxième étape, appelée « Idle-Time Acquisition » (Acquisition en temps d'inactivité), décide lesquelles de ces prédictions valent la peine d'être recherchées en fonction de leur pertinence, de leur opportunité et de l'utilité potentielle des nouvelles informations.

Un système distinct décide ensuite s'il faut présenter les informations préparées, les conserver pour plus tard ou les stocker jusqu'à ce qu'elles soient nécessaires, créant ainsi un système en « boucle fermée » conçu pour anticiper et répondre aux besoins des utilisateurs.

« Après chaque interaction au premier plan, l'agent met à jour sa mémoire, prédit les besoins futurs possibles, alloue le calcul en temps d'inactivité à des candidats précieux et décide de la manière dont la préparation résultante doit être gérée », ont-ils écrit. « Cette formulation lie la prédiction, l'acquisition et la livraison à une politique unique, plutôt que de traiter le calcul en temps d'inactivité comme une recherche en arrière-plan sans contrainte. »

Selon les chercheurs, ProAct a été testé lors de 200 simulations dans 40 domaines, y compris la planification financière, la gestion des versions logicielles et la cybersécurité. Selon l'article, le système a réduit le nombre de tours de conversation de 14,8 % et les demandes de suivi de 11,7 %. Dans une comparaison utilisant un banc d'essai appelé ProActEval, ProAct a anticipé 703 besoins utilisateur prévisibles contre 32 pour le système précédent. Les chercheurs ont également signalé une réduction de 28,1 % des hallucinations.

Cette recherche intervient alors que les agents IA autonomes se répandent dans l'industrie technologique, avec des projets tels qu'OpenClaw et Hermes Agent qui fournissent des assistants IA persistants capables de gérer des tâches plus longues et plus indépendantes – telles que le codage, la planification, la recherche et l'automatisation des flux de travail – avec moins d'intervention humaine directe.

L'étude intervient également alors que d'autres chercheurs ont averti plus tôt ce mois-ci que les agents IA pourraient accomplir des tâches dangereuses sans comprendre les conséquences.

« Comme M. Magoo, ces agents avancent vers un objectif sans comprendre pleinement les conséquences de leurs actions », a déclaré l'auteur principal Erfan Shayegani, étudiant en doctorat à l'UC Riverside, dans un communiqué. « Ces agents peuvent être extrêmement utiles, mais nous avons besoin de garanties car ils peuvent parfois privilégier l'atteinte de l'objectif plutôt que la compréhension de la situation globale. »

Les chercheurs ont reconnu que l'étude ProAct présentait plusieurs limitations, notamment le fait que dans 3 % des cas, le système aggravait les réponses en présentant des informations non pertinentes. L'article a également indiqué que toute version réelle nécessiterait des protections de la vie privée, car le système analyse constamment les conversations et stocke les données des utilisateurs.

« Notre analyse budgétaire montre en outre que des budgets d'Acquisition en Temps d'Inactivité plus importants augmentent le coût des jetons actifs et donnent des rendements décroissants », ont-ils écrit, « de sorte que le calcul proactif est un compromis de point de fonctionnement plutôt que quelque chose à maximiser. »