Working With Agents in Slack

Voici un résumé de la vidéo YouTube sur le lancement de l'Every Agent, rédigé en français, respectant la limite de 1200 mots : La vidéo débute par une introduction informelle où Mike Rich, nouveau responsable de l'éducation, accueille les spectateurs et annonce le lancement majeur de la semaine : l'Every Agent. Il présente l'équipe présente, composée de membres qui aideront dans le chat, répondront aux questions et démontreront les capacités de l'agent. Dan, le PDG, est invité à partager l'histoire et la vision derrière l'Every Agent. Dan explique que l'objectif principal de l'Every Agent est de faciliter l'adoption de l'IA au sein d'une organisation entière. Il souligne que pour de nombreux abonnés d'Every, il est difficile d'expliquer les avantages de l'IA à leurs collègues moins technophiles. L'Every Agent, intégré à Slack, permet de "montrer plutôt que de dire" en utilisant l'IA dans le contexte du travail quotidien. Il illustre ce point avec un exemple personnel : la création d'un article de fond sur l'histoire de Codec. Dan a développé une compétence pour l'Every Agent qui imite le style d'édition de Kate, l'éditrice en chef, connue pour ses standards élevés. Au lieu d'expliquer laborieusement cette nouvelle compétence, il peut simplement demander à l'agent d'appliquer le "passage Kate" à un document. Cette démonstration publique permet à Kate et au reste de l'équipe de constater directement l'utilité de l'outil, favorisant ainsi son adoption spontanée. Dan met en avant un autre avantage clé : la diffusion de l'expertise. L'Every Agent permet aux experts au sein d'une entreprise de rendre leurs compétences, leurs goûts et leurs processus accessibles à l'ensemble de l'organisation de manière standardisée. Cela permet aux experts d'étendre leur influence et à l'entreprise de travailler de manière plus cohérente, avec moins de formation et de difficultés. Il donne un autre exemple concret de l'utilisation de l'agent pour obtenir des informations fiables sur la croissance de l'agent lui-même. En demandant des métriques à l'Every Agent, il est confiant dans la précision des réponses car il sait que Yosh, l'ingénieur responsable du go-to-market, a défini les compétences permettant d'obtenir ces données. Cela garantit que toute l'entreprise travaille avec les mêmes définitions et les mêmes données de référence. Mike Rich intervient pour confirmer cette perspective, soulignant que l'agent est utile pour les expérimentations, l'obtention d'informations spécifiques, mais aussi pour se tenir informé des activités des autres au sein d'une entreprise en croissance. Douglas, le directeur marketing, partage ensuite son expérience. Initialement sceptique quant à l'utilité de l'agent, il a été convaincu par son utilisation. Il explique que l'agent, lors de son intégration, analyse les activités de l'utilisateur et propose des automatisations. L'accent mis sur le travail public dans Slack a un effet secondaire positif : tous les membres de l'équipe deviennent plus "AI-pilled", qu'ils le veuillent ou non. Douglas illustre l'utilité de l'agent pour les compétences de conception. Il a demandé à l'agent de créer un tableau de bord pour gérer les demandes de conception, qui est alimenté par les requêtes provenant de Slack. Plus impressionnant encore, l'agent peut créer des éléments graphiques lui-même. Il a développé une compétence qui, dès qu'un intervenant pour leur conférence "Thesis" est approuvé, récupère sa photo de profil LinkedIn, son titre, crée l'élément graphique dans Figma, le partage et met à jour le site web du projet. Tous les éléments graphiques des intervenants sur le site Thesis ont été générés et publiés par l'agent. Cette compétence partagée permet à d'autres, comme le PDG Brandon, de l'utiliser facilement. Douglas mentionne également que lui et Becky utilisent l'agent pour des compétences liées à la génération de contenu pour les réseaux sociaux. L'agent peut transformer des fils Slack ou des essais en vidéos pour Twitter, ou des transcriptions en newsletters. Ces contenus sont créés selon leurs préférences, et le système permet de sauvegarder ces compétences pour un usage futur par toute l'équipe. Becky, responsable des médias sociaux, prend la parole pour présenter ses propres réalisations. Elle souligne l'importance de travailler en public sur Slack, où chaque membre de l'équipe a un agent nommé "nom-every agent". Cela permet de partager facilement des flux de travail complexes sans avoir à faire de captures d'écran. Elle "épie" régulièrement les agents de ses collègues pour découvrir de nouvelles idées. Becky a développé une compétence pour créer des vidéos à partir d'articles. En fournissant un lien, l'agent génère d'abord un storyboard textuel (accroche, contenu, appel à l'action) et une proposition visuelle. Elle peut ensuite fournir des retours précis sur le storyboard, comme la police ou la durée, avant que l'agent ne rende la vidéo. L'agent, fonctionnant sur Opus 5.5, construit un site web en HTML et réalise un enregistrement d'écran. Une fois la compétence intégrée, n'importe quel membre de l'équipe peut l'utiliser, même si l'auteur original est indisponible. Elle mentionne également que l'agent est capable de créer des "Daily Drivers", un segment hebdomadaire qui met en avant les modèles utilisés par l'équipe, sous forme de vidéo ou d'infographie. Mike demande à Becky si sa compétence vidéo est incluse dans la liste par défaut de l'Every Agent. Elle pense que oui, mais propose de la vérifier. Elle précise qu'elle a utilisé une compétence nommée "hyperframes", qui semble être une compétence gratuite de Claude ou Codec accessible à l'Every Agent, sans nécessiter de connecteurs spécifiques ni de logins. Mike souligne que les agents Slack actuels sont bien plus puissants qu'il y a quelques années, étant capables de créer des vidéos complètes de manière autonome. Il réitère que le fait de voir Becky réaliser cela facilement dans Slack lui donne envie d'essayer. Concernant la compétence de copie-édition mentionnée plus tôt, il est précisé qu'elle est très spécifique à Every, mais que les compétences de rédaction et d'ingénierie de "compound writing" sont disponibles dans l'agent et peuvent être utilisées pour créer des compétences de copie-édition personnalisées. L'efficacité de ces compétences dépend de la quantité de contexte fournie (style personnel, documents de marque, etc.). Lauren aborde la question des permissions et du partage des compétences. Elle explique que si une compétence est créée dans un canal public, elle est accessible à tous. Si elle est créée en message privé avec l'agent, elle reste personnelle. La structure des permissions de Slack se reflète dans celle des compétences. Mike souhaite montrer l'interface backend de l'agent. Il explique qu'en tant qu'utilisateur quotidien, il trouve utile la distinction entre les connexions personnelles et les connexions d'entreprise. Les connexions d'entreprise permettent d'effectuer des actions à l'échelle de l'entreprise sans avoir besoin d'accès directs à des comptes spécifiques, comme la publication sur un calendrier Google partagé. L'agent peut vérifier des informations et s'assurer que les données sont correctement saisies. Il exprime également son plaisir à parcourir la liste des compétences disponibles, découvrant des outils créés par d'autres membres de l'équipe, comme une compétence pour créer des "replays" de conversations à l'aide de code, développée par le responsable vidéo de l'entreprise. Il mentionne également l'utilisation de l'agent pour des automatisations, y compris la surveillance des discussions dans Slack pour identifier des idées susceptibles de devenir des ateliers ou des leçons, sans avoir à lire toutes les conversations. Une question est posée concernant la mise à jour de la compétence vidéo de Becky. Dan répond qu'il est possible de réaliser plusieurs actions simultanément avec l'agent, comme concevoir un élément graphique et mettre à jour un site web, ce qui peut dépasser les compétences d'un seul individu. Inversement, une personne qui ne sait pas comment utiliser un modèle comme Opus pour créer une vidéo peut utiliser une compétence créée par quelqu'un d'autre pour y parvenir. Concernant les agents concurrents, Dan explique que la spécificité de Every réside dans son contexte et ses compétences propres, ainsi que dans son positionnement à la pointe de l'IA. Il souligne le modèle de tarification unique : 0% de marge sur l'utilisation des tokens, car l'objectif est que les utilisateurs soient abonnés et satisfaits. Il mentionne également les "Frontier Alerts", une fonctionnalité de son équipe "Frontier" qui informe sur les nouveaux modèles, et le rôle de Every dans le filtrage du bruit et la fourniture d'informations pertinentes pour les utilisateurs. L'objectif est de transformer la peur face aux nouveaux modèles en enthousiasme. Dan aborde ensuite la question de l'alignement client : l'entreprise souhaite que ses produits, contenus et formations soient alignés avec les besoins des utilisateurs. C'est pourquoi ils ne marquent pas les tokens, afin que les économies réalisées grâce à des modèles plus efficaces profitent directement aux utilisateurs. Peri, qui répondait aux questions dans le chat, confirme les points soulevés par Dan et Douglas. Il confirme que les agents d'autres entreprises sont bons, mais que Every se distingue par son équipe dédiée à l'exploration des dernières avancées en IA. Il envisage un futur où chaque utilisateur aurait un "employé de Every" dans son Slack, capable de s'adapter et de rester à jour avec les évolutions rapides de l'IA. Peri revient sur la genèse de l'Every Agent, anciennement appelé "Plus One". Il explique que la transition vers les "cloud manage agents" a été motivée par la difficulté de maintenir l'infrastructure sous-jacente, notamment avec OpenCLaw. Les "cloud manage agents" offrent un processus plus fluide, bien que pour l'instant, ils soient limités aux modèles Anthropic. Il mentionne la volonté future d'intégrer d'autres modèles et de permettre aux utilisateurs d'utiliser leurs propres abonnements et clés API. Il est également question de l'intégration des modèles. Peri envisage que l'agent puisse sélectionner automatiquement le modèle le plus performant pour une tâche donnée, en se basant sur les benchmarks personnels créés par l'utilisateur. L'objectif est de permettre aux utilisateurs de créer des compétences hautement personnalisées et de les diffuser au sein de l'organisation. Douglas revient sur l'intégration (onboarding). Bien qu'il n'y ait pas de document d'intégration formel, l'agent propose un processus guidé lors de sa première installation. Il analyse les activités de l'utilisateur et suggère des automatisations pertinentes. Douglas avoue se faire ré-intégrer régulièrement pour découvrir les améliorations apportées au processus. Peri décrit le processus d'intégration : l'agent scanne les canaux publics, demande quels canaux ajouter, analyse les informations collectées et pose des questions pour personnaliser l'expérience. Il propose également de connecter des services externes. Mike partage une expérience personnelle : il a configuré une tâche programmée pour que l'agent lui signale les questions importantes posées pendant le stream. L'agent lui a rappelé l'utilité de pouvoir exécuter des tâches en arrière-plan, même après la fermeture de l'ordinateur, comme la publication sur une page d'événements ou la mise à jour de contenu. Une question cruciale sur la confidentialité des données est soulevée. Peri explique qu'actuellement, avec les "cloud manage agents", il n'y a pas de rétention de données à long terme ; les données traitées par Claude ne sont pas utilisées pour l'entraînement. Une copie des messages Slack est conservée pendant 90 jours après la désinstallation de l'application, puis supprimée. L'équipe explore activement de nouvelles options d'infrastructure pour un contrôle accru sur la rétention des données. Dan conclut en esquissant l'avenir de l'Every Agent. L'objectif est d'étendre les "Frontier Alerts" pour aider les utilisateurs à déterminer si un nouveau modèle est pertinent pour leur travail, en allant au-delà des benchmarks publics. Il imagine la création de benchmarks personnels, idéalement automatiques, composés des tâches quotidiennes de l'utilisateur, afin de pouvoir évaluer l'efficacité des