Peu d’organisations de recherche travaillent dans une seule discipline. Une même entreprise peut avoir un groupe qui planifie des exécutions, un autre qui classe des candidats à tester, un troisième qui examine des analyses et un quatrième qui évalue des conceptions, chacun avec ses propres outils, instruments et vocabulaire. Quand chaque groupe configure son IA de son côté, l’organisation se retrouve avec plusieurs configurations distinctes, et ce qu’un groupe apprend reste là où il l’a appris, ou disparaît à la fin de la session.
MS Duplex a été conçu pour cette organisation. C’est une couche d’apprentissage pour chaque domaine dans lequel une équipe travaille, branchée sur l’IA que chaque groupe utilise déjà. Cet article explique pourquoi la même couche peut apprendre dans tous les domaines, ce qui se transmet d’un type de travail à l’autre et comment l’expérience de chaque équipe reste la sienne.
Ce que la recherche a en commun d’un domaine à l’autre
Les sujets diffèrent d’un groupe à l’autre. La forme du travail change beaucoup moins. Une équipe décide de ce qu’elle va essayer, l’exécute, vérifie ce qui est revenu et décide à nouveau. En chemin, elle accumule quatre types de connaissances, et chaque domaine les possède :
- Méthodes : des procédures dont le bon fonctionnement est confirmé, comme un ordre d’étapes, un choix de paramètres ou un ensemble de contrôles.
- Conditions : la plage dans laquelle un résultat a été confirmé, et en dehors de laquelle personne ne devrait s’y fier.
- Résultats : ce qu’un test, une mesure ou un expert a confirmé, ou corrigé avec une raison.
- Décisions : ce que l’équipe a choisi, et les preuves sur lesquelles ce choix reposait.
Voilà ce dont MS Duplex apprend. Un résultat confirmé devient de l’expérience, conservée avec ses preuves et ses conditions. Une procédure qui fonctionne devient une méthode que vos agents réutilisent. Une décision conserve les preuves qui la fondent, si bien qu’un autre chercheur peut la reconstituer à partir du dossier. Rien de tout cela ne dépend du sujet du travail. Cela dépend de ce que votre équipe confirme.
L’expertise reste là où elle se trouve déjà : chez vos scientifiques et ingénieurs, dans vos outils et dans les modèles qu’ils choisissent. Un groupe qui dispose de ses propres simulateurs, de son propre code d’analyse et de ses propres instruments continue d’y accéder par ses propres connexions. MS Duplex apprend de l’issue du travail et en fait profiter l’exécution suivante, si bien que la couche s’améliore sur le travail de chaque équipe en apprenant des résultats de cette équipe.


La même boucle, quel que soit le sujet
MS Duplex améliore les agents de la même manière dans tous les domaines. Votre équipe continue de faire le travail, et ce qu’elle confirme est appris une fois, puis utilisé par la suite. Prenons trois groupes d’une même organisation qui utilisent des agents pour des tâches différentes : l’un recommande des réglages pour la prochaine exécution, un autre classe des candidats à tester et le troisième revoit des analyses avant qu’elles ne soient communiquées. Chacun passe par les mêmes étapes.
- L’agent proposeIl recommande un réglage, classe une liste de candidats ou signale une étape dans une analyse, en passant par les propres outils du groupe, comme aujourd’hui.
- Un résultat ou un expert confirmeUne exécution revient, un test réussit ou un expert approuve la conclusion. Là où l’agent s’est trompé, l’expert le corrige et dit pourquoi.
- L’enseignement est conservéMS Duplex transforme le résultat confirmé en expérience : une méthode, une correction ou une condition, chacune avec les preuves qui la fondent.
- Le cas suivant part de làLe prochain cas similaire, dans n’importe quelle session, sur n’importe quel agent autorisé par le groupe et sur n’importe quel modèle, part de cette expérience.
- Les différences sont signaléesLà où le nouveau cas diffère des conditions dans lesquelles l’enseignement a été confirmé, MS Duplex l’indique, et la méthode est adaptée puis proposée pour vérification.
Pour le groupe qui recommande des réglages, l’enseignement pourrait être qu’un réglage échoue au-delà d’une limite connue. Pour le groupe qui classe des candidats, ce pourrait être qu’une méthode de notation ne tient que dans une certaine plage. Pour les relecteurs, ce pourrait être un contrôle qui détecte tôt une erreur fréquente. Le contenu diffère à chaque fois. Ce que MS Duplex en fait reste le même, tout comme ce que l’équipe en retire : moins d’erreurs répétées, moins d’exécutions gaspillées et une trace de chaque changement de comportement de l’agent, avec sa raison.
Les conditions permettent à un enseignement de voyager
Se souvenir d’un résultat est la partie facile. La recherche demande quelque chose de plus difficile : savoir où le résultat est valable. Un réglage qui a fonctionné dans une plage peut gaspiller une exécution dans une autre, et une méthode confirmée sur un type d’entrée peut induire en erreur sur le suivant. Chaque domaine a sa propre version de ce problème, c’est pourquoi MS Duplex conserve chaque résultat avec les conditions dans lesquelles il a été confirmé.
Face à un nouveau cas, un enseignement a donc trois chemins possibles. Là où les conditions correspondent, il s’applique directement. Là où le cas est apparenté mais que quelque chose diffère, la méthode est adaptée et proposée pour vérification avant que quiconque ne s’y fie. Là où les preuves sont minces ou que le cas ne ressemble à rien de connu, la décision revient à votre modèle ou à un chercheur, avec la raison.
Le même soin s’applique quand un fait évolue. Une nouvelle mesure remplace l’ancienne, la valeur confirmée la plus récente s’applique dès la requête suivante, et l’historique de ce qui a changé reste consigné. Dans n’importe quel domaine, une valeur périmée coûte une exécution menée sur une hypothèse erronée, et l’équipe doit pouvoir voir quand et pourquoi une valeur a changé.
L’expérience de chaque équipe lui reste propre
Une couche unique pour tous les domaines conserve malgré tout chaque enseignement auprès des personnes à qui il appartient. Tout ce que MS Duplex apprend se trouve dans une couche :
- Personnelle : les habitudes et préférences de travail propres à un scientifique ou à un ingénieur façonnent son propre agent, et uniquement le sien.
- Équipe : ce qu’une équipe confirme est partagé avec cette équipe, si bien que ses agents s’appuient sur les propres résultats de l’équipe.
- Organisation : ce que l’organisation adopte comme norme s’applique dans chaque équipe et sur chaque agent.
Vos règles décident de ce qui passe d’une couche à l’autre. Le groupe qui classe des candidats garde ses enseignements de notation dans sa propre couche d’équipe, et le groupe qui revoit des analyses garde ses contrôles dans la sienne. Les personnes et les agents n’accèdent qu’à l’expérience que leur périmètre autorise, et rien n’en est partagé avec une autre entreprise.
Certaines connaissances méritent d’être partagées entre groupes, et ce partage se fait sur décision. Prenons deux groupes de disciplines différentes qui mènent tous deux un type de simulation coûteux, et l’un d’eux confirme un contrôle qui détecte une mauvaise configuration avant son lancement. Son responsable peut partager la méthode avec l’autre groupe, ou l’organisation peut l’adopter comme norme. La méthode conserve sa source en circulant, et elle est revérifiée là où elle est utilisée, car un contrôle qui a tenu dans le travail d’un groupe doit refaire ses preuves dans le suivant.


Une seule couche pour toute l’organisation
Pour un responsable de recherche, une couche qui fonctionne dans tous les domaines change l’équation de l’adoption de l’IA. Chaque groupe n’a plus besoin de son propre dispositif d’apprentissage, de sa propre façon de consigner les approbations ni de son propre historique de ce qu’on a appris à l’IA. Le travail de l’organisation avec l’IA s’accumule dans un espace de stockage unique qui lui appartient, ce qui entraîne quelques conséquences pratiques :
- Des règles et des approbations réunies en un seul endroit, avec chaque approbation consignée et l’indication de qui a approuvé quoi.
- Un historique unique de ce qui a été appris, utilisé et approuvé, prêt à être examiné et exporté.
- Des méthodes qui passent d’un groupe à l’autre selon vos règles, chacune avec le résultat qui l’a validée.
- La liberté pour chaque groupe d’utiliser l’IA qu’il préfère : Claude, Codex, Cursor, un autre agent qui parle MCP ou ses propres agents via l’API et le Python SDK.
- Une expérience qui reste à l’organisation quand un modèle, un agent ou un fournisseur change.
Cela change aussi ce qui se passe quand les personnes changent de poste. Quand un chercheur s’en va, les méthodes qu’il a confirmées restent à l’équipe, et l’agent d’un nouveau membre démarre avec les meilleures méthodes de l’équipe en main. Un savoir-faire qu’un groupe a mis des mois d’essais et d’erreurs à construire reste à l’organisation qui l’a financé.
Questions fréquentes
MS Duplex doit-il être conçu pour notre domaine avant que nous puissions l’utiliser ?
MS Duplex apprend des résultats et des corrections d’experts que votre équipe choisit de capturer, dans tout domaine où vous menez des expériences, des simulations, des analyses ou des revues de conception avec l’IA. L’expertise du sujet reste chez vos scientifiques et ingénieurs, dans vos outils et dans vos modèles, et MS Duplex s’améliore sur votre travail en apprenant de vos résultats.
Des groupes de disciplines différentes peuvent-ils partager un même MS Duplex ?
Oui. Chaque chercheur, chaque équipe et l’organisation disposent de leur propre couche d’expérience. Les enseignements d’une équipe restent à cette équipe, et vos règles décident de ce qui est partagé avec une autre équipe ou adopté comme norme de l’organisation, avec sa source conservée.
Comment savoir si cela fonctionne sur notre type de recherche ?
Par un pilote sur votre propre travail. Choisissez des flux de travail récurrents où les décisions se répètent, convenez de la mesure avec vos experts avant tout lancement, exécutez côte à côte votre configuration actuelle et MS Duplex, et laissez vos experts juger les résultats à l’aveugle.


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.









