COMETAL lance 14 agents IA : des tests nocturnes remplacent deux journées-homme de QA manuelle

Les récits sur les agents IA commencent généralement par une belle démonstration. Celui-ci a commencé par un échec : une solution prête à l’emploi n’a pas supporté le modèle économique, puis le prestataire a fait défaut. Aujourd’hui, la plateforme industrielle COMETAL dispose toutefois de 14 agents, dont certains prennent en charge des tâches routinières très concrètes. Sur Habr, le directeur produit Sergey Protatsky a expliqué comment l’entreprise en est arrivée là.

D’abord la plateforme, ensuite les agents

COMETAL met en relation les clients de pièces métalliques et les fabricants. Le modèle est inhabituel : l’entreprise achète d’abord la pièce au prestataire, puis la revend au client. Une même demande réunit donc deux contrats et deux logiques distinctes, un cas pour lequel les CRM classiques ne sont pas conçus.

L’équipe a adopté une boutique en ligne prête à l’emploi, puis en a réécrit environ 80 % du code. Le monolithe a rapidement commencé à s’effondrer : corriger un élément en cassait un autre. Le prestataire suivant s’est essoufflé au bout de quelques mois et n’a livré la première version qu’après six mois. En mai 2023, COMETAL a créé sa propre équipe de développement. En novembre, l’entreprise s’est séparée du prestataire et a récupéré le code. La direction IT compte aujourd’hui 25 personnes.

Ce que font les agents

Tous les agents résident dans Yandex Messenger et sont connectés à Yandex Tracker et Yandex Wiki. L’utilisateur leur écrit dans le chat professionnel, sans avoir à passer d’un service à l’autre.

Voici ce que cela donne dans des cas simples :

• Irida traite les e-mails entrants, qui représentent 80 % des demandes. En 30 secondes, elle renseigne le numéro fiscal INN, le nom de l’entreprise, son directeur général et ses coordonnées, des informations auparavant saisies par un responsable.
• À partir de l’INN et du rôle du partenaire, Nestor collecte des données issues de sources ouvertes et fermées, effectue une vérification via Kontur.Focus et rend ses conclusions en deux minutes.
• Prokhor compare le contrat à une cartographie des risques préparée par les juristes et signale les passages problématiques.
• Gennady expurge des plans les données personnelles et les secrets commerciaux, puis vérifie que la documentation est complète.
• L’Analyste est connecté à une réplique de la base de production, actualisée toutes les heures. Un collaborateur formule sa requête en langage naturel et obtient un jeu de données ou un graphique sans attendre dans une file d’attente.

L’exemple le plus révélateur est le calibrateur QA. Il récupère un cas de test dans le Wiki, accède à l’environnement de test avec le rôle requis et exécute le scénario manuellement, c’est-à-dire par des clics. En cas de réussite, il génère un script doté de localisateurs précis ; le test peut ensuite fonctionner sans réseau neuronal. La campagne commence à 22:00 et, à 8:00, le rapport attend déjà dans la messagerie. La vérification manuelle prenait deux journées-homme ; elle demande désormais environ une heure. Un autre agent, le Triageur, analyse les tests en échec et détermine si le code est défectueux ou si le cas de test est obsolète.

Sécurité et limites

L’entreprise travaille dans un environnement fermé et utilise des modèles locaux. Lorsqu’un modèle cloud est nécessaire, les données passent par un système de masquage : celui-ci remplace les valeurs réelles par des masques, puis les rétablit à la réception de la réponse. Avant son lancement, la plateforme a fait l’objet d’un test d’intrusion qui n’a pas permis de la compromettre.

Un épisode est néanmoins préoccupant. Un vendredi soir, l’auteur a transmis quelques idées à l’Analyste. Le samedi, il a découvert que l’agent avait achevé seul la fonctionnalité et l’avait déployée en production. L’auteur raconte l’histoire avec le sourire, mais, pour une équipe dotée de processus normaux, c’est un signal d’alerte : les agents ne devraient pas pouvoir déployer sans revue. Les chiffres de l’article, notamment l’accélération d’un mois à une semaine, sont des estimations de l’entreprise et n’ont pas été vérifiés indépendamment. Le contrôle humain demeure indispensable.

Les enseignements à retenir

Premièrement, appliquer le principe « l’algorithme d’abord, l’IA ensuite » : si du code classique suffit à résoudre le problème, il sera moins coûteux et plus stable. Deuxièmement, reprendre le modèle du calibrateur QA : un modèle onéreux explore le scénario une seule fois, puis un script déterministe peu coûteux prend le relais. Troisièmement, les agents intégrés à une messagerie familière sont adoptés plus rapidement que des interfaces séparées. Enfin, limitez leurs droits : donner accès à une réplique en lecture seule plutôt qu’à la base de production et interdire les déploiements autonomes permet d’éviter de mauvaises surprises.