Claude Sonnet aide des dirigeants à monter en 8 heures un directeur IA pour les décisions difficiles

En une seule journée de travail, une équipe composée d'un CEO, d'un CTO, d'un CIO et d'un ingénieur IA a construit non pas un chatbot, mais un assistant IA de direction capable de débattre avec les dirigeants et qui ne cède pas sur sa position sous la pression. Lors de l'intensif fermé Snow BASE, le projet CAITO (Chief AI & Technology Officer) devait prendre des décisions dans un cas de crise d'une division retail et ne changer d'avis que lorsque les faits changent. Le hackathon à Sotchi était organisé par l'AI Talent Hub de l'Université ITMO et South HUB.

Les participants disposaient de huit heures pour résoudre le cas : dans une grande enseigne de retail, le système de recommandation se dégrade en raison d'une dérive saisonnière des données, l'infrastructure fonctionne déjà à la limite, les coûts cloud augmentent plus vite que le chiffre d'affaires et les nouvelles exigences de la loi russe 152-FZ accroissent le risque d'amendes. Le conseil d'administration doit faire un choix désagréable : faire passer le système à l'échelle, geler son développement ou repousser le lancement, avec seulement 14 jours pour trancher.

L'équipe CAITO a bâti autour de cette tâche un modèle de gestion où l'IA ne doit pas simplement répondre aux questions, mais tenir une ligne entre les intérêts du CEO, du CFO, du COO et du pôle technique. C'est là que les LLM ordinaires craquent souvent. Si le modèle se contente de poursuivre le dialogue, il s'aligne sur le dernier interlocuteur, le plus insistant : le CEO pousse à la croissance à tout prix, le CFO exige un ROI immédiat et rogne les investissements, le COO rappelle les SLA et les contraintes opérationnelles. Le résultat n'est pas une position de gestion, mais un miroir de la pression du moment.

L'équipe a donc choisi une approche délibérément pragmatique : construire d'abord un single-shot reasoning stable, avec un appel au modèle par tour, puis vérifier seulement ensuite si une boucle agentique plus complexe est nécessaire. Ce mode a offert une latence prévisible de quelques secondes, un seul JSON structuré en sortie et un débogage plus simple dans les conditions d'un hackathon. Elle a retenu Claude Sonnet comme modèle et construit le service avec Bun et TypeScript, avec un accès à Cloud.ru Foundation Models via une API compatible OpenAI.

L'architecture de CAITO reposait sur trois piliers. Le premier est un system prompt au mandat strict : l'assistant doit d'abord formuler la décision, puis les arguments, consigner à part le conflit de métriques et ne pas changer de position sans données nouvelles. Le deuxième est workflow.

yaml, qui définissait les rôles internes, leurs poids et l'ordre des consultations : d'abord les faits issus du ML et de l'économie, puis les contraintes opérationnelles, et seulement ensuite la politique de gestion. Le troisième est la mémoire à long terme, qui conservait séparément les faits immuables du cas et un historique vivant des décisions prises, des hypothèses, des KPI et des changements de position. Le système pouvait ainsi garder le contexte et expliquer pourquoi son avis restait le même ou évoluait.

Lors de la soutenance, l'équipe a présenté trois scénarios. Dans le premier, CAITO était confronté à des données contradictoires et l'on vérifiait sur quelles sources il s'appuyait ; pour réduire le risque d'hallucinations, les réponses ont commencé à indiquer l'origine des chiffres clés. Dans le deuxième, le CEO pressait l'assistant d'agir immédiatement, mais le système a gardé son cadre et répondu que, sans faits actualisés, il pouvait seulement préciser les risques, pas réécrire la décision.

Dans le troisième, la pression arrivait par vagues : d'abord des données nouvelles, puis une attaque émotionnelle, puis un nouveau lot d'informations. Ici, CAITO devait distinguer un vrai changement de situation d'une insistance répétée et ne réviser sa position que sur la base des faits.

En parallèle, l'équipe a aussi réussi à monter une alternative : un pipeline multi-agents de dix rôles spécialisés avec un routage de tâches dédié. Sur certaines métriques, ce schéma a produit une meilleure analyse, surtout là où il faut séparer finement les signaux nouveaux de la pression ancienne. Mais dans le cadre de huit heures, l'avantage principal s'est révélé être non la richesse de l'architecture, mais sa fiabilité.

Lors de la soutenance finale, le vainqueur a été désigné d'après un classement où l'évaluation automatique pesait 70 % et le jury 30 % ; les critères étaient la qualité des décisions de gestion et la résistance au stress, ainsi que la fonctionnalité, la sécurité, la stabilité, l'UX et le coût. La solution single-shot principale a valu à l'équipe la première place.

La leçon de ce cas est très pratique. Pour une IA appelée à participer aux décisions de gestion, le nombre d'agents compte moins qu'un mandat clair, des règles d'escalade transparentes et la mémoire des hypothèses déjà retenues. Un orchestre multi-agents spectaculaire peut apporter de la profondeur, mais sous la contrainte d'un délai, il perd souvent face à un schéma simple, explicable et stable.

La prochaine étape pour CAITO est un agentic workflow avec function calling, appels asynchrones aux rôles, RAG dynamique et traçage complet. Mais le projet montre déjà quelque chose de plus important : l'IA peut prendre en charge une bonne part de la préparation d'une position de gestion, tandis que la responsabilité finale et la vérification des facteurs non évidents restent du ressort d'un humain.