C’est une question raisonnable à se poser avant de faire confiance à toute affirmation du type « une IA qui apprend votre entreprise » : elle l’apprend comment, exactement, et comment saurait-on seulement que ça a vraiment fonctionné ? La plupart du temps, la réponse honnête est que non. Le modèle est le même modèle le premier jour et le trois-centième jour, et toute sensation d’amélioration, c’est en réalité juste que vous êtes devenu meilleur pour le prompter.
Nous voulions une vraie réponse pour notre propre produit, pas une réponse confortable. Nous l’avons donc testé de deux façons différentes.
La voie lente : une entreprise simulée, douze mois
AlphaForge est un studio de marque que nous utilisons comme simulation : un arc réaliste de douze mois exécuté contre le produit en direct, avec de vrais documents et de vrais schémas d’usage, même s’il ne s’agit pas d’un client payant. Au départ, la même question, « combien devrions-nous facturer pour un projet comme celui-ci », obtenait une réponse générique, parce qu’il n’y avait encore rien dans le Vault pour l’ancrer.
Six semaines plus tard, chaque fois que la fondatrice s’asseyait réellement pour le faire, pas selon un calendrier fixe, est arrivé le premier Alignment mensuel structuré. À ce moment-là, le Vault ne partait en réalité pas de rien : des notes brutes et l’activité qui s’accumulait déjà à partir du vrai travail client s’étaient accumulées tranquillement pendant tout ce temps. L’Alignment a donné une forme à tout cela. La fois suivante où la question de tarification est revenue, la réponse était différente : elle faisait référence à une philosophie de tarification réellement documentée, mentionnait un client récent précis par son nom, reprenait une méthodologie notée une fois, dans une note brute de cinquante mots, des semaines plus tôt. Au sixième mois, elle citait des schémas relevés sur quatre projets passés et une observation d’équipe précise sur la façon dont se comporte un certain type de client. Au douzième mois, rédiger un devis qui prenait autrefois six heures ne prenait plus que quarante-cinq minutes, non pas parce que quelqu’un tapait plus vite, mais parce que le système connaissait déjà le périmètre, les objections et les formulations qui ont tendance à fonctionner.
C’est le mécanisme, tout simplement : chaque Alignment mensuel, chaque observation d’équipe, chaque schéma de devis, et l’activité quotidienne ordinaire entre les deux, s’écrit dans le Vault, et chaque réponse future est assemblée avec cet historique comme contexte de fond. Plus d’accumulation ne signifie pas non plus des réponses plus bruyantes. Curatoria, l’agent de maintenance propre au Vault, organise et résume à mesure qu’il grandit, archivant plutôt que supprimant, toujours avec une validation humaine au préalable. Ce n’est pas un modèle plus grand. C’est le même modèle, avec un endroit réel, et de mieux en mieux tenu, où aller chercher les choses.
La voie rapide : un mois contrôlé, vérifié sur une vraie facture
L’histoire des douze mois est convaincante, mais lente à vérifier de manière indépendante. Nous avons donc aussi mené quelque chose de plus rapide et de plus froid : une simulation d’un mois entièrement contrôlée. Quatre personnes, une fondatrice, trois membres d’équipe, de vraies demandes, de vraies conversations avec des clients, de vrais devis, chaque interaction IA sans exception un vrai appel à un modèle en direct, pas un script récitant des réponses préécrites.
Deux choses en sont ressorties.
Le coût était négligeable. Nous avons vérifié la facture IA avant et après. Le mois entier simulé, équipe de quatre personnes, a coûté moins d’un dollar, au total, pas par utilisateur. La crainte que les fonctionnalités IA deviennent discrètement un deuxième abonnement coûteux ne tient pas à cette échelle, même multipliée généreusement pour une équipe bien plus occupée.
L’honnêteté a tenu sous pression, et c’est la partie qui nous importe vraiment. À la fin de ce mois, nous avons demandé à la couche de revue stratégique du système de revenir sur ce qui s’était passé. Sept devis avaient été rédigés et approuvés, un mois qui avait l’air chargé sur le papier. Un outil conçu pour vous garder engagé aurait appelé ça un excellent mois. Le nôtre non :
« Six mois passés, l’entreprise ne fait toujours que rédiger des propositions… Illusion de pipeline : un volume élevé de brouillons approuvés crée un faux signal de progression tandis qu’aucun revenu ni travail client ne se matérialise. »
Personne ne lui a demandé de trouver un problème. Il a regardé le schéma réel, les brouillons qui s’accumulent, rien qui ne se convertit en travail payant, et l’a dit, tout simplement, dans un langage qui mettrait n’importe qui légèrement mal à l’aise en le lisant à propos de son propre mois. Ce malaise, c’est le but. Un système qui ne vous dit jamais que de bonnes nouvelles ne fait en réalité pas attention.
Pourquoi c’est plus important que le chiffre qui fait la une
Il serait facile de commencer par « notre IA devient plus intelligente avec le temps » et d’en rester là, parce que c’est la version confortable. La version moins confortable, plus utile, est celle-ci : un système de mémoire ne mérite votre confiance que s’il est aussi prêt à être celui qui vous dit quelque chose que vous ne vouliez pas entendre. Nous avons construit l’accumulation précisément pour que le système ait assez d’historique réel pour remarquer des schémas du type « ça ne convertit toujours pas », pas seulement pour paraître plus impressionnant lors d’un appel commercial.
Le pari derrière l’accumulation
Il y a une question plus large sous tout cela, qui mérite d’être posée clairement : que se passe-t-il quand chaque entreprise se met à fonctionner sur une IA entraînée à donner à peu près la même réponse à tout le monde ? Une IA générique par défaut ne risque pas seulement de se tromper parfois. Elle risque de faire en sorte que chaque entreprise qui s’appuie dessus commence à se ressembler, à sonner pareil, à prendre les mêmes décisions, parce que le modèle n’a aucune mémoire de ce qui rend réellement cette entreprise différente de celle d’à côté.
Le pari derrière l’accumulation de Craft11 va dans l’autre sens. Pas un modèle plus grand qui donne des réponses génériques plus intelligentes, mais le même modèle avec un endroit réel, spécifique et privé où aller chercher les choses, qui apprend avec une entreprise au lieu d’apprendre seulement sur les entreprises en général, à un coût assez faible pour que le faire tourner ne soit jamais un compromis. Moins d’un dollar pour un mois d’usage réel n’est pas juste un joli chiffre. C’est ce qui rend possible d’offrir à une petite équipe le genre de mémoire institutionnelle structurée que seules les grandes entreprises pouvaient auparavant se permettre, sans les faire payer pour ce privilège.
C’est aussi pourquoi l’IA ici n’a jamais été pensée comme le point d’arrivée. C’est le point de départ. Imaginez cinquante entreprises différentes faisant tourner Craft11 dans cinquante secteurs différents, dans trois ou cinq ans. L’interface aura l’air presque identique sur les cinquante écrans. Ce qu’il y a réellement à l’intérieur de chacune, la philosophie de tarification, les schémas clients, les centaines de petites décisions accumulées un Alignment mensuel à la fois, n’auront rien en commun. C’est le but, pas un effet secondaire. L’IA ici est censée soutenir la diversité de la façon dont cinquante dirigeants différents choisissent de gérer leur entreprise, pas l’aplatir en une seule « meilleure pratique » vers laquelle tout le monde est poussé. L’accumulation est le produit. L’IA est juste ce qui rend l’accumulation possible.
Douze mois de l’histoire d’AlphaForge montrent ce que ressemble l’accumulation vue de l’intérieur. Un vrai mois de simulation vérifiée sur facture montre ce que ça coûte et si ça reste honnête sous pression. Nous préférons vous montrer les deux plutôt que de vous demander de croire l’un ou l’autre sur parole.