Des chercheurs de l’Université Jiao Tong de Shanghai et du conglomérat technologique chinois Tencent ont développé ProAct, un agent d’IA conçu pour anticiper les besoins des utilisateurs avant que ceux-ci ne soumettent des requêtes. Le système utilise les temps morts entre les conversations pour examiner les interactions passées et préparer des informations à l’avance. D’après le document de recherche, ProAct a obtenu de meilleurs résultats que des systèmes d’IA proactive antérieurs lors de tests sur banc d’essai, bien que les expériences n’aient pas impliqué de vrais utilisateurs. Le développement répond à ce que les chercheurs décrivent comme une occasion de calcul gaspillée dans les agents d’IA actuels, qui restent fondamentalement réactifs.
Le système fonctionne via un processus de prédiction multi-étapes
ProAct fonctionne à travers plusieurs étapes qui le différencient des agents d’IA conventionnels. La première étape, appelée Future-State Prediction, analyse les conversations passées, les préférences des utilisateurs et les informations manquantes afin de prédire les questions de suivi probables. La deuxième étape, Idle-Time Acquisition, évalue quelles prédictions justifient une recherche en fonction de la pertinence, du calendrier et de l’utilité potentielle de nouvelles informations. Un système distinct détermine s’il faut présenter immédiatement les informations préparées, les enregistrer pour un usage ultérieur, ou les stocker jusqu’au moment nécessaire.
« Après chaque interaction en premier plan, l’agent met à jour sa mémoire, prédit d’éventuels besoins futurs, affecte le calcul en temps mort à des candidats intéressants, puis décide de la manière dont la préparation qui en résulte doit être traitée », ont écrit les chercheurs dans le document. « Cette formulation relie la prédiction, l’acquisition et la diffusion à une seule politique, plutôt que de considérer le calcul en temps mort comme une recherche d’arrière-plan sans contraintes. »
Les tests sur banc d’essai montrent des améliorations de performance
Les chercheurs ont testé ProAct dans 200 simulations réparties sur 40 domaines, dont la planification financière, la gestion de la publication de logiciels et la cybersécurité. D’après le document, le système a réduit le nombre de tours de conversation de 14,8% et a diminué les demandes de suivi de 11,7%. Dans une comparaison utilisant un banc d’essai appelé ProActEval, ProAct a anticipé 703 besoins prévisibles d’utilisateurs, contre 32 pour le système précédent. Les chercheurs ont également fait état d’une réduction de 28,1% des hallucinations.
« Même si les agents d’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 sollicitations explicites de l’utilisateur », ont écrit les chercheurs. « Ce paradigme ignore une occasion critique : le temps mort entre les interactions est largement gaspillé, ce qui empêche les agents de préparer les besoins futurs des utilisateurs. »
La recherche reconnaît des limites du système
Les chercheurs ont reconnu plusieurs limites dans l’étude ProAct. Dans 3% des cas, le système a produit de moins bonnes réponses en faisant apparaître des informations non pertinentes. Le document indique qu’une version déployée dans la réalité nécessiterait des protections de confidentialité, car le système analyse en permanence les conversations et stocke les données des utilisateurs.
« Notre analyse budgétaire montre en outre que des budgets plus élevés d’Idle-Time Acquisition augmentent le coût des jetons actifs et génèrent des rendements décroissants », ont écrit les chercheurs, « de sorte que le calcul proactif est un compromis en point d’exploitation plutôt qu’une chose à maximiser. »
La recherche arrive alors que des agents d’IA autonomes se déploient dans l’ensemble de l’industrie technologique, avec des projets comme OpenClaw et Hermes Agent qui fournissent des assistants d’IA persistants capables de gérer des tâches de codage, de planification, de recherche et d’automatisation des workflows. Des chercheurs distincts ont plus tôt ce mois-ci averti que les agents d’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 Erfan Shayegani, auteur principal et étudiant en doctorat à l’UC Riverside, dans une déclaration.
