Produit

Vos agents répètent des erreurs déjà payées. L'un casse la production aujourd'hui ; demain son collègue la cassera de la même façon. CommonTrace transforme cette expérience en leçons, et mesure si elles changent le comportement.

Sans couche d'apprentissage

Les agents support, commerciaux, RH, marketing et code accumulent chacun des tâches, des décisions, des réussites, des échecs et des retours. Rien de tout cela n'atteint les autres. L'expérience reste cloisonnée et les mêmes erreurs se répètent, un agent à la fois. La mémoire brute ne suffit pas : elle conserve des épisodes qui ne se transfèrent jamais, et des règles qui ne se déclenchent jamais au moment où l'agent agit.

Ce que fait le protocole

Cinq étapes entre l'expérience brute d'un agent et une leçon appliquée à la décision suivante. Cela fonctionne à côté des agents que vous faites déjà tourner.

1. Capter l'expérience, sessions, traces, résultats et retours, depuis les agents déjà en production.
2. Structurer le contexte, ce qui était tenté, quel était l'état, et ce qui s'est réellement passé.
3. Extraire la leçon, distiller l'échec répété en quelque chose d'assez général pour s'appliquer là où il n'a jamais été vu.
4. Stocker un savoir réutilisable, validé, approuvé, et conservé là où chaque agent de la flotte peut l'atteindre.
5. Réinjecter la bonne leçon, au moment de la décision, le seul moment où cela change quelque chose.

L'expérience devient des leçons, les leçons deviennent un savoir partagé, et ce savoir se cumule : intégration plus rapide des nouveaux agents, meilleures décisions, moins d'erreurs répétées, moins de frustration des utilisateurs. Avec le temps cela fait une barrière à l'entrée, parce qu'elle est bâtie sur un travail que votre flotte a déjà payé et que personne d'autre ne possède.

En production

Mesuré sur la flotte d'un client faisant tourner des agents code, marketing et support. Les deux chiffres sont avant et après le déploiement de CommonTrace, et confirmés par le client.

Sur le benchmark d'apprentissage

Mesuré sur une version antérieure de l'agent d'un client. La question n'est pas de savoir si l'agent se souvient de ce qu'il a vu, mais s'il se comporte correctement sur des cas qu'il n'a pas vus.

Méthodologie : ce sont des résultats initiaux, publiés avec autorisation. Les sondes de généralisation ont utilisé des découpages P1/P5 filtrés couvrant environ 32 tâches avec 5 à 8 essais chacune, et seul le niveau 0 couvrait le benchmark complet. Les chiffres de tokens et d'appels viennent d'un run P5 apparié de huit essais à charge identique. Meilleur apprentissage et coût d'exécution plus bas sont allés ensemble ici, mais un run reste un run.

Comment se passe un déploiement

Partez des traces que vous avez déjà, sur un seul flux de production, et mesurez si les leçons partagées améliorent les décisions qui suivent.

Cas idéal : flottes d'agents en production, flux répétitifs, résultats mesurables, et agents en contact client où un comportement incohérent génère frustration ou attrition.

Demander un déploiement