De plus en plus d’outils d’IA affirment apprendre. Pour une équipe de recherche, ce mot recouvre des choses très différentes : un fichier de notes que l’assistant relit, une recherche dans des documents passés, un modèle réentraîné sur les données de l’équipe, ou un système qui modifie son comportement à mesure que les résultats arrivent. Chacun a ses usages. Ils n’apportent pas la même chose à une équipe, et une courte démonstration montre rarement la différence.
Ce guide s’adresse au responsable de recherche ou d’ingénierie qui doit décider. Il présente six questions à poser à toute IA qui prétend apprendre, avec, pour chacune, ce à quoi ressemble une bonne réponse. Il y répond ensuite pour MS Duplex, afin que vous puissiez nous soumettre au même critère que tous les autres.
Pourquoi « elle apprend » mérite un examen plus attentif
Quand une IA apprend de votre travail, elle commence à agir sur des éléments que personne n’a saisis dans le prompt ce jour-là. C’est tout l’intérêt. C’est aussi pourquoi un système qui apprend appelle des questions plus exigeantes qu’un système statique. Un modèle qui se comporte de la même façon à chaque requête peut être examiné une fois. Un système qui change à l’usage doit rester examinable à mesure qu’il change.
Les approches courantes répondent chacune à une partie de la question. Les fichiers d’instructions et les notes conservent ce que quelqu’un a écrit, et restent aussi à jour que leur dernière modification. La récupération ramène des passages qui semblent pertinents pour le cas traité. Le fine-tuning modifie ce qu’un modèle sait de manière générale, au moyen d’un jeu de données préparé et d’un cycle d’entraînement, et il convient bien lorsque c’est l’objectif. Avant qu’un système ne commence à orienter des décisions, votre équipe devrait savoir laquelle de ces approches elle achète, ou ce que le système apporte à côté d’elles.
Le coût d’un mauvais choix apparaît plus tard, dans le travail. Un agent répète une étape ratée parce qu’une leçon n’a pas été retenue. Une valeur obsolète survit dans une recommandation parce que personne n’a pu trouver d’où elle venait. Une équipe reste sur un ancien modèle parce que changer lui ferait perdre ce qu’elle a appris à l’ancien. Les questions ci-dessous font apparaître ces risques avant un pilote, tant qu’il est encore peu coûteux d’en discuter.
Six questions à poser à toute IA qui prétend apprendre
Posez-les à chaque système de votre liste. Demandez une démonstration sur un cas choisi par votre équipe, ainsi que l’historique derrière chaque réponse.
- Quelles sont ses sources d’apprentissage ?Une bonne réponse nomme les entrées : résultats confirmés, mesures, corrections d’experts avec leurs raisons, décisions approuvées. Soyez prudent si la réponse est « tout ce que l’utilisateur saisit ». En recherche, une remarque en passant et une mesure confirmée ne méritent pas le même poids, et votre équipe devrait décider quels résultats comptent.
- Comment voir pourquoi son comportement a changé ?Demandez à voir un changement de comportement et les preuves qui le justifient. Une bonne réponse montre ce que l’agent fait désormais différemment, depuis quand et quels résultats l’ont justifié. Si la seule explication est que le système « s’est amélioré », vous ne pouvez défendre cette amélioration auprès de personne d’autre.
- Comment corriger ou supprimer une leçon ?Des erreurs entrent dans tout historique : une mesure défectueuse, une correction qui ne valait que dans des conditions étroites. Demandez ce qu’il faut pour corriger une leçon, si quoi que ce soit d’autre change quand vous le faites, et si une leçon supprimée peut être restaurée. Une bonne réponse n’implique aucun cycle d’entraînement.
- Que devient l’expérience quand vous changez de modèle ?Les équipes de recherche changent souvent de modèle. Demandez si l’expérience est liée aux poids d’un modèle ou conservée à côté du modèle, et si un nouveau modèle part de ce que votre équipe a construit ou repart de zéro.
- À qui appartient ce qu’elle apprend, et qui peut le voir ?Demandez où l’expérience est conservée, à qui elle appartient et si elle peut être exportée. Demandez comment fonctionne le partage au sein de votre organisation : si les habitudes d’un chercheur peuvent orienter l’agent de tout le monde, et si quoi que ce soit appris de votre travail parvient à une autre entreprise.
- Comment allez-vous la juger ?Un bon fournisseur propose un test sur votre propre travail, avec une mesure dont vos experts conviennent avant toute exécution et des résultats notés sans savoir quelle configuration les a produits. Les chiffres issus des tests d’un autre montrent ce qui est possible. Votre propre test montre ce que cela apporte à votre équipe.
Les réponses de MS Duplex sur l’apprentissage et les preuves
MS Duplex est une couche d’apprentissage qui se branche sur l’IA qu’une équipe de recherche utilise déjà : Claude, Codex, Cursor, tout agent qui parle MCP, et les propres agents d’une équipe via l’API et le Python SDK. Il apprend à côté du modèle, dont les poids restent inchangés. Voici comment il répond aux deux premières questions.
MS Duplex apprend des résultats et des corrections d’experts que votre équipe choisit de capturer : un test qui réussit, une mesure qui revient, une conclusion qu’un expert approuve, une correction accompagnée de sa raison. Chaque leçon est conservée avec ses preuves et les conditions dans lesquelles elle a été confirmée, et elle s’applique dès la requête suivante. Lorsqu’un nouveau cas sort de ces conditions, MS Duplex signale la différence au lieu d’appliquer la leçon comme si rien n’avait changé.
Quand un fait change, la valeur confirmée la plus récente s’applique et l’historique du changement est conservé. Cela compte pour toute équipe dont les valeurs de référence, les étalonnages ou les limites de fonctionnement évoluent avec la recherche.
Sur la deuxième question, chaque changement de comportement d’un agent est consigné. Ce qui a fonctionné devient la première chose que l’agent essaie. Ce qui a échoué dans certaines conditions cesse d’être proposé dans ces conditions. Chaque changement est lié aux résultats qui l’ont justifié : quand un responsable demande pourquoi l’agent se comporte mieux aujourd’hui que le mois dernier, la réponse se trouve dans l’historique, avec ses sources.


MS Duplex maintient aussi la frontière entre ce qui est connu et ce qui est supposé. Il consigne quelle action a conduit à quel résultat, dans quelles conditions, et indique à vos chercheurs quand un lien n’est pas encore établi. Là où les preuves sont minces ou qu’un cas ne ressemble à rien de connu, il confie la décision à votre modèle ou la signale à un chercheur, avec la raison.
Ce que répond MS Duplex sur le contrôle, la propriété et les modèles
Corriger et supprimer une leçon
Chaque élément d’expérience indique d’où il vient, dans un historique signé unique que votre équipe peut examiner et exporter. Corrigez un enseignement et seul cet enseignement change. Supprimez-le et les recommandations qui en dépendaient disparaissent avec lui, tandis que tout le reste demeure. Un enseignement supprimé peut être restauré si votre équipe change d’avis. Rien de tout cela ne nécessite de cycle d’entraînement, car rien n’a été inscrit dans le modèle par entraînement au départ.
Vos règles se trouvent au même endroit. MS Duplex tient séparées les règles et les préférences, et les unes comme les autres restent visibles dans le raisonnement qui sous-tend une étape. Dans les environnements encadrés, c’est-à-dire des configurations prises en charge avec des hooks, une étape qui enfreint une règle est arrêtée avant de s’exécuter, et les étapes que vous sélectionnez, comme une simulation coûteuse ou une modification de données partagées, attendent l’approbation d’une personne. Une nouvelle règle s’applique dès la requête suivante.


Propriété et liberté de modèle
L’expérience que construit votre équipe réside dans MS Duplex, dans un espace de stockage qui appartient à votre organisation, quel que soit le modèle ou le fournisseur utilisé. Au fil du temps, cet espace contient :
- Les résultats confirmés, chacun avec les conditions dans lesquelles il est valable
- Les corrections d’experts, chacune avec sa raison
- Les décisions, avec les preuves qui les fondent
- Les méthodes vérifiées que vos agents réutilisent et adaptent
- Les plans, les points de reprise et la progression des longues campagnes
Comme cette expérience se trouve à côté du modèle, un nouveau modèle en dispose intégralement dès sa première requête. Votre équipe peut utiliser un modèle pour les analyses difficiles et un autre pour le travail récurrent sur le même projet, les deux s’appuyant sur la même expérience.
Au sein de votre organisation, chaque chercheur, chaque équipe et l’organisation entière disposent de leur propre couche. Les habitudes de travail d’un scientifique ou d’un ingénieur restent personnelles, ce qu’une équipe confirme est partagé avec cette équipe, et ce que l’organisation adopte comme standard s’applique partout. Vos règles décident de ce qui passe d’une couche à l’autre, les personnes et les agents n’accèdent qu’à ce que leur périmètre autorise, et rien n’est partagé avec une autre entreprise. L’endroit où MS Duplex s’exécute et la manière dont vos données sont traitées sont convenus avec vos responsables de la sécurité et des données dès la première conversation.
Le juger sur votre propre travail
La sixième question est celle qui tranche. MS Duplex s’évalue au moyen d’un pilote sur votre propre travail, aux côtés de votre configuration actuelle, et il est jugé par vos experts.
Choisissez des flux de travail récurrents où les décisions se répètent et où une exécution erronée ou inutile coûte cher. Convenez de la mesure avec vos experts avant tout lancement : le coût de chaque résultat accepté et reproductible, et le temps d’expert qu’il demande. Utilisez le même modèle, les mêmes outils, les mêmes données et le même budget, avec et sans MS Duplex. Faites ensuite noter les résultats par vos experts sans qu’ils sachent quelle configuration les a produits.
Soumettez chaque système que vous envisagez au même test. Une IA qui améliore votre travail doit le montrer sur votre travail, selon une mesure que vous fixez, notée par des personnes qui ne savaient pas d’où venait chaque réponse.
Questions fréquentes
MS Duplex modifie-t-il le modèle que nous utilisons ?
Il laisse les poids du modèle tels quels. MS Duplex apprend à côté du modèle : c’est pourquoi un enseignement s’applique dès la requête suivante, pourquoi un enseignement peut être corrigé isolément et pourquoi l’expérience suit quand vous changez de modèle.
MS Duplex remplace-t-il le fine-tuning ?
Le fine-tuning garde sa place pour modifier globalement ce que sait un modèle. MS Duplex fonctionne aux côtés d’un modèle fine-tuné comme d’un modèle généraliste, et fait apprendre l’un comme l’autre des résultats confirmés de votre équipe.
Pouvons-nous auditer ce que l’IA a appris ?
Oui. MS Duplex conserve un historique signé de ce qui a été appris, utilisé et approuvé. Votre équipe peut l’examiner et l’exporter, reconstituer une décision à partir de celui-ci, et inspecter, corriger, supprimer ou restaurer n’importe quel enseignement.
Qui décide de ce dont l’IA apprend ?
Votre équipe. MS Duplex apprend des résultats et des corrections que votre équipe choisit de capturer, et vos scientifiques et ingénieurs décident de ce qui est adopté. Dans les environnements encadrés, les étapes que vous sélectionnez attendent une personne avant de s’exécuter.


Construit par MatterSpace
MatterSpace construit MS Duplex pour les scientifiques, les chercheurs et les ingénieurs de tous les domaines, afin que l’IA qu’ils utilisent déjà apprenne de chaque résultat qu’ils confirment.









