Meta, OpenAI et Uber apprennent aux agents IA à prendre la parole en premier, mais savent-ils quand se taire ?

Ce basculement déplace la difficulté : il ne s'agit plus de savoir quoi répondre, mais quand interrompre, par quel canal et avec quelle offre. Les chatbots étaient une interface « pull » où l'utilisateur choisissait moment, canal et question. Les agents proactifs inversent la logique. Trop d'interruptions et l'utilisateur coupe les notifications ; trop tard, et la hausse de tarifs est terminée ou la facture échue ; un mauvais canal et un bon message échoue. Un modèle de langage sait rédiger le message, mais il est mal adapté pour décider de l'envoyer. La règle proposée est simple : chaque message est un pari, à n'envoyer que si sa valeur attendue dépasse le coût de l'interruption. Cette valeur dépend de l'enjeu, de la probabilité que l'utilisateur agisse, de la rapidité d'expiration de l'opportunité et de son bénéficiaire, l'utilisateur ou la plateforme. Les messages précieux et périssables partent immédiatement, les autres attendent un résumé, et le reste n'est jamais envoyé. Plus un message vaut cher, plus il mérite un canal intrusif : carte dans l'application, chat, SMS, puis appel vocal réservé aux urgences quand les mains sont occupées.

Ces problèmes de « quand » et de « comment » relèvent de la prédiction, et les équipes de notification et de croissance les traitent depuis des années : modèles d'uplift pour savoir si une sollicitation provoque l'action, bandits contextuels pour apprendre le meilleur moment et canal par utilisateur, modèles de réceptivité pour savoir si la personne conduit, est en réunion ou disponible. Le suivi des résultats chez Uber fournit les étiquettes nécessaires à leur entraînement. Une nouvelle classe de modèles de décision, comme Jev de TypeSafe ou le modèle à poids ouverts Julia 1 de Supersonic Labs, ne produit pas de texte mais un jugement typé (choix dans une liste, score ou oui/non) assorti d'une probabilité. Julia 1 tourne sur CPU, à partir d'environ 33 ms par décision, ce qui permet de filtrer chaque déclencheur avant tout appel à un LLM. Ces modèles ne jugent toutefois que le contexte fourni et n'apprendront pas, par exemple, qu'un utilisateur ignore les matinées. La vente croisée exige aussi de la prudence : Meta explore le commerce dans Muse et a lancé Muse for Small Business, OpenAI a annoncé Dots avec un nouvel abonnement à 500 dollars par mois, et Uber a des services de livraison à promouvoir. Une offre reste un message comme un autre, et si l'utilisateur soupçonne que l'agent vend plutôt qu'il ne sert, toute sa crédibilité s'effondre. La course se jouera donc sur le jugement de l'attention, et les entreprises riches de plusieurs années de données de notification pourraient avoir une longueur d'avance.