Encore AI lève 30 millions de dollars pour transformer les appels clients en playbooks pour agents

Encore AI a levé 30 millions de dollars pour créer des agents à partir de conversations avec les clients, offrant aux lecteurs de Google News une vision plus précise de la course à l’IA d’entreprise. Cette série A repose sur une idée inhabituelle : les meilleurs matériaux de formation d’une entreprise pourraient déjà se trouver dans ses appels, ses messages et son système de gestion de la relation client.

La startup analyse la manière dont les employés gèrent les interactions avec les clients, puis identifie les tactiques associées à de bons résultats. Elle transforme ces enseignements en playbooks destinés à des agents qui échangent avec les clients ou assistent les employés. Le pari ne consiste pas seulement à automatiser les conversations. Encore estime que les agents peuvent assimiler les habitudes concrètes des meilleurs collaborateurs d’une organisation.

Cela place Encore face à Salesforce, SAP, Zoho, HubSpot et d’autres plateformes qui disposent déjà de précieuses données clients. Les acteurs établis possèdent les systèmes de référence. Encore veut maîtriser la couche d’interprétation qui détermine quels comportements humains un agent doit reproduire.

Le financement donne à Encore les moyens de déployer cette stratégie auprès de grandes institutions financières. Il ne permet pas pour autant de déterminer si l’entreprise dispose d’un avantage durable. Les fournisseurs CRM établis bénéficient d’une distribution, d’intégrations et de relations clients existantes avec lesquelles une jeune entreprise doit composer.

Le tour de table de 30 millions de dollars finance une stratégie d’agents bien précise

Encore finance un système qui apprend à partir d’interactions clients finalisées, et non un simple bot vocal formé sur des scripts statiques.

Encore AI a levé cette série A lors d’un tour mené par Team8, selon la couverture originale du financement. Planven, Lukatz et Garage ont également participé. Des banques et des assureurs ont rejoint le financement, y compris des institutions financières qui auraient utilisé Encore avant d’y investir.

La participation de ces clients compte, car les services financiers constituent un test exigeant pour les logiciels conversationnels. Un agent utile doit naviguer entre des produits détaillés, des processus réglementés, des historiques clients et un langage soigneusement encadré. Il doit aussi fonctionner au sein de systèmes que les entreprises ne peuvent pas remplacer à la légère.

Encore prévoit d’utiliser cet argent pour développer ses opérations commerciales aux États-Unis et toucher davantage de grandes institutions financières. L’entreprise compte déjà plus de 40 clients entreprises dans le monde, selon son PDG Dvir Ginzburg. La plupart sont des institutions financières.

Ginzburg a également déclaré à TechCrunch que les revenus récurrents annuels avaient été multipliés par plus de cinq depuis le tour d’amorçage d’Encore. Ce financement précédent avait eu lieu moins de 18 mois avant la série A. Il n’a pas communiqué les revenus sous-jacents, la valorisation ni la valeur des contrats clients.

Ces omissions limitent ce que les observateurs extérieurs peuvent déduire de cette affirmation de croissance. Une forte hausse en pourcentage peut partir d’une base modeste. Le nombre de clients en dit également peu sur l’ampleur des déploiements, les taux de renouvellement ou la quantité de travail réalisée par les agents sans intervention humaine.

Le tour de table confirme néanmoins une orientation produit claire. Encore collecte des enregistrements d’appels, des e-mails et des messages texte, puis relie ces éléments aux données CRM. Son système divise les interactions en étapes et recherche les comportements associés à une progression ou à un échec.

Encore appelle ce processus « interaction mining ». Le terme décrit l’extraction de tactiques, de schémas et de résultats récurrents à partir de conversations clients. Au lieu de considérer une transcription comme un document à résumer, Encore la traite comme une preuve de la manière dont le travail est accompli.

Cette distinction est au cœur de l’argumentaire de l’entreprise. Les outils d’intelligence conversationnelle transcrivent couramment les réunions, identifient les sujets et produisent des notes de suivi. Encore veut transformer les interactions historiques en instructions opérationnelles pour les agents.

Ses agents peuvent communiquer par voix ou par texte, selon l’entreprise. Ils peuvent aussi assister les employés pendant des conversations en direct en recommandant des réponses et des tactiques. Cela permet à Encore de prendre en charge à la fois les flux de travail pilotés par des humains et automatisés, sans miser entièrement sur une autonomie immédiate.

Le financement modifie donc davantage que le bilan d’Encore. Il donne à la startup plus de temps pour démontrer que l’historique des interactions peut devenir un actif de formation défendable. Cette question explique l’importance plus large de cette actualité Google News.

Pourquoi les lecteurs de Google News devraient regarder au-delà du montant du financement

L’enjeu majeur consiste à déterminer qui peut transformer un historique client dispersé en comportements qui s’améliorent à chaque interaction.

Les équipes commerciales produisent déjà d’énormes volumes de contenus conversationnels. Les appels contiennent des objections, des explications, des tactiques de négociation, des préoccupations clients et des exemples qui n’atteignent jamais la documentation officielle. Les messages révèlent les formulations de suivi qui obtiennent des réponses. Les données CRM indiquent quelles opportunités ont progressé et lesquelles ont disparu.

La plupart des organisations stockent ces signaux à des endroits différents. Les enregistrements restent dans les plateformes d’appels, les échanges écrits dans les outils de messagerie ou d’e-mail, et les résultats dans un CRM. Même lorsque les responsables peuvent interroger chaque source, ils doivent encore relier les comportements aux résultats.

L’approche d’Encore cherche à automatiser ce lien. Le système analyse les interactions par étape, les associe aux résultats enregistrés et crée des playbooks à partir de schémas qui semblent efficaces. Un agent peut ensuite utiliser ces playbooks lors d’un échange ultérieur avec un client.

Ce mécanisme diffère de la génération augmentée par récupération, ou RAG, qui fournit à un modèle des documents pertinents avant qu’il ne réponde. Le RAG aide un agent à trouver des informations produit ou des politiques internes. L’interaction mining vise à apprendre à l’agent comment les employés efficaces appliquent ces informations dans de véritables conversations.

Les deux méthodes peuvent se compléter. Un agent pourrait récupérer une politique approuvée, puis utiliser un playbook appris pour l’expliquer clairement. Toutefois, la source et la fiabilité de chaque instruction restent différentes. Un document de politique énonce ce que l’organisation autorise. Une conversation historique montre ce qu’un employé a réellement dit.

Des recherches sur l’assistance commerciale en direct illustrent pourquoi l’accès immédiat à des informations pertinentes peut être important. Une étude sur un copilote commercial publiée en 2026 a testé un système qui détectait les questions des clients et récupérait des réponses dans une base de données produits structurée.

Les chercheurs ont rapporté un temps de réponse moyen de 2,8 secondes dans leur environnement de test. Leur référence interne de recherche manuelle allait de 25 à 65 secondes. L’expérience portait sur un scénario d’assurance comprenant 50 produits et une base de connaissances générée ; il ne s’agissait donc pas d’un essai sur le terrain mené dans de véritables entreprises.

Encore vise au-delà de la vitesse de récupération. L’entreprise souhaite déterminer quelle explication, anecdote ou démarche conversationnelle convient à une étape donnée. Ginzburg a déclaré que ses agents réutilisent parfois les types de blagues ou d’exemples employés par des chargés de relation performants.

Ce détail rend le produit mémorable, mais il expose aussi la difficulté centrale. Une tactique qui a fonctionné pour un employé peut dépendre du ton, du moment, de l’identité ou d’une relation client déjà établie. Reproduire les mots ne garantit pas le même résultat.

Les entreprises doivent donc distinguer les techniques reproductibles des habitudes personnelles. Elles doivent aussi séparer les véritables signaux causaux des corrélations. Un représentant expérimenté peut réussir après avoir raconté une histoire particulière parce que le client lui fait déjà confiance.

C’est pourquoi ce financement est important pour les acheteurs en entreprise. Encore dispose désormais de ressources pour tester sa méthode dans davantage de déploiements, notamment dans les services financiers. Les preuves les plus solides viendront de résultats contrôlés, et non d’agents paraissant plus humains.

Pour les travailleurs du savoir, l’idée dépasse le cadre de la vente. Les organisations accumulent un savoir-faire informel au fil des réunions, des messages et des décisions. Une base de connaissances interrogeable peut préserver les informations explicites, tandis que l’analyse des interactions tente de capturer les comportements ancrés dans le travail quotidien.

L’opportunité est considérable, mais la charge de gouvernance l’est tout autant. Transformer le travail passé en comportements automatisés exige davantage de discernement que de le convertir en notes consultables.

Le mécanisme d’Encore AI transforme les conversations en playbooks

L’avantage proposé par Encore repose sur le lien entre ce que les employés ont dit et ce qui s’est produit ensuite, puis sur le conditionnement des schémas utiles pour un agent.

Le processus commence par l’ingestion. Encore rassemble des enregistrements, des e-mails, des messages texte et des informations CRM. Cette combinaison fournit au système à la fois le contenu conversationnel et un aperçu de l’évolution du client au fil d’un processus de vente ou de service.

La plateforme divise ensuite les interactions en étapes. Une première demande exige un comportement différent d’une discussion sur un renouvellement ou d’une réclamation. Segmenter le processus aide à éviter que le système considère chaque phrase efficace comme utile dans toutes les situations.

La plateforme recherche ensuite les techniques associées aux résultats souhaités. Il peut s’agir de l’ordre des questions, de l’explication d’un terme difficile ou du traitement d’une objection. Encore affirme également pouvoir révéler les points de friction et les parties inefficaces d’un flux de travail existant.

Enfin, ces schémas deviennent des playbooks. Un agent peut appliquer plusieurs playbooks au cours d’une même interaction, selon le client et l’étape. Un employé peut aussi recevoir des réponses suggérées plutôt que de céder le contrôle au logiciel.

Ce modèle de déploiement hybride est important. De nombreuses entreprises ne commenceront pas par confier de manière indépendante des conversations importantes à un agent. Elles peuvent débuter avec des recommandations, observer les performances et accroître l’autonomie lorsque les preuves le justifient.

Un représentant confronté à une question complexe sur l’assurance offre un exemple plausible. Le système pourrait récupérer des informations approuvées sur une police, reconnaître l’étape de l’interaction et suggérer une explication ayant déjà aidé des clients comparables. L’employé conserverait le contrôle de la formulation et des corrections.

Une version plus autonome pourrait gérer les suivis de routine par voix ou par texte. Elle pourrait répondre aux questions de base, identifier les problèmes non résolus et orienter les cas complexes vers une personne. Chaque interaction finalisée créerait davantage de matière à évaluer.

Cela crée une boucle de rétroaction potentielle. Les conversations historiques alimentent les playbooks, les playbooks guident les nouvelles interactions et les nouveaux résultats influencent les playbooks ultérieurs. Si les mesures sont fiables, le système devient plus spécifique à l’organisation au fil du temps.

Toutefois, une boucle de rétroaction peut renforcer les erreurs aussi facilement que les réussites. Si l’étiquette de résultat est incomplète, le système peut récompenser un comportement ayant produit une conversion à court terme tout en nuisant à la fidélisation. Il pourrait également apprendre à partir d’un traitement historique biaisé de différents groupes de clients.

La sélection des résultats devient donc une décision produit. Une organisation commerciale peut chercher à optimiser les rendez-vous pris, les demandes finalisées, les revenus conclus, les renouvellements ou la satisfaction client. Chaque métrique encourage des comportements différents chez l’agent.

La connexion CRM fournit certaines étiquettes, mais elle n’établit pas automatiquement la qualité. Les données CRM peuvent être incomplètes, retardées ou influencées par des pratiques incohérentes des employés. Une opportunité marquée comme perdue peut refléter le prix, le moment ou l’adéquation du produit plutôt qu’une erreur conversationnelle.

Encore doit rendre ces distinctions compréhensibles pour ses clients. Les responsables doivent savoir pourquoi un playbook existe, quelles interactions l’étayent et dans quels cas l’agent l’applique. Sinon, « apprendre à partir des appels » devient une expression qui masque un processus impossible à inspecter.

La même exigence s’applique aux recommandations individuelles. Les employés devraient pouvoir voir si une suggestion provient d’une politique approuvée, d’un historique client récupéré ou d’un schéma déduit d’appels précédents. Ces sources n’ont pas le même niveau d’autorité.

C’est ce mécanisme qui distingue Encore d’un résumeur d’appels classique. Il concentre également l’essentiel des risques techniques et opérationnels. Le système ne se contente pas de condenser l’information. Il décide des comportements qui méritent d’être reproduits.

Le véritable adversaire est le CRM en place

Encore doit démontrer que son architecture centrée sur les conversations compte davantage que le contrôle exercé par les acteurs historiques sur les dossiers clients, les workflows et la distribution.

Salesforce, SAP, Zoho et HubSpot opèrent déjà à proximité des données dont Encore a besoin. Leurs produits regroupent les informations sur les comptes, les opportunités, les dossiers de service, les historiques d’activité et les règles de workflow. Ils peuvent ajouter des fonctionnalités d’agent sans demander à leurs clients d’adopter une autre plateforme centrale.

Encore soutient que l’accès aux données ne suffit pas à produire le même système. Ginzburg a déclaré à TechCrunch que les grands concurrents ne considèrent pas l’historique conversationnel comme une donnée fondamentale. Selon lui, changer cela exigerait des modifications de leurs implémentations et de leurs piles technologiques.

Cet argument définit le principal affrontement. Encore mise sur une architecture centrée sur les conversations. Les acteurs historiques peuvent répondre avec une architecture centrée sur les dossiers, intégrant transcriptions, messages et actions d’agents dans les workflows existants.

L’avantage de la startup serait le plus fort si l’exploration des conversations exigeait des modèles, des méthodes d’évaluation et des pratiques de déploiement spécialisés. Il s’affaiblirait si les fournisseurs de CRM pouvaient reproduire les fonctionnalités utiles grâce à des intégrations ou des acquisitions.

Les acteurs historiques disposent également d’un avantage en matière de confiance. Les acheteurs d’entreprise utilisent déjà leurs autorisations, journaux d’audit, contrôles de données et outils d’administration. Ajouter un agent dans cet environnement peut sembler plus sûr que d’envoyer des conversations sensibles vers un système plus récent.

Encore peut répondre par sa concentration. Un fournisseur spécialisé peut se construire autour d’un seul problème sans avoir à préserver un vaste portefeuille de produits plus anciens. Il peut également fonctionner avec plusieurs CRM, offrant aux clients une couche d’intelligence partagée plutôt que de verrouiller l’analyse chez un seul fournisseur.

Le marché comporte déjà d’autres approches. Attention, par exemple, a annoncé sa propre levée de fonds de série B de 30 millions de dollars en juin 2026. L’entreprise indique que ses agents rédigent des suivis, mettent à jour les CRM et exécutent les étapes ultérieures au lieu de se limiter à enregistrer les appels.

Selon le communiqué d’Attention sur les actions d’agents, son logiciel effectue plus de 20 millions d’actions d’agents par mois auprès de plus de 500 clients. Ces chiffres proviennent de l’entreprise et nécessitent une validation indépendante.

Attention met l’accent sur une boucle fermée entre l’action d’un agent et le résultat obtenu. Encore met l’accent sur l’apprentissage de playbooks à partir des interactions humaines de l’organisation. Les deux stratégies vont au-delà de la transcription, mais elles partent de sources différentes de connaissance opérationnelle.

Les entreprises d’agents de service client constituent un autre point de comparaison. Sierra a privilégié des agents d’entreprise spécialisés plutôt qu’un remplacement généraliste de CRM. Un rapport de financement de 2025 indiquait que l’entreprise approchait un niveau substantiel de revenus récurrents annuels tout en servant de grandes entreprises.

Les progrès de Sierra montrent que les spécialistes peuvent attirer l’attention des entreprises malgré les acteurs historiques du CRM. Ils ne prouvent pas que toute stratégie de données spécialisée restera défendable. Le support client, les opérations de revenus et la gestion de la relation requièrent aussi des intégrations et des méthodes d’évaluation différentes.

Les plus de 40 clients d’Encore offrent un point d’appui initial, pas une protection de marché. La question décisive est de savoir si ces déploiements produisent un apprentissage propriétaire qui améliore les renouvellements et l’expansion. Si les clients peuvent recréer les mêmes résultats dans leur CRM, la pression pour changer de fournisseur augmentera.

Les institutions financières qui ont investi après avoir utilisé Encore constituent un signal positif. Elles ont été directement exposées au produit avant de participer au tour. Toutefois, un investissement stratégique ne révèle ni la profondeur du déploiement, ni les performances, ni les décisions d’approvisionnement à long terme.

La startup doit désormais fournir des preuves reproductibles dans différents établissements. Quelques implémentations personnalisées peuvent démontrer la faisabilité. Une plateforme évolutive doit gérer des structures de données, politiques, langues, processus de vente et définitions du succès variés.

Cette contrainte favorise les acteurs historiques pour la distribution, mais favorise Encore pour la spécialisation. La levée de 30 millions de dollars lui donne le temps de découvrir si la spécialisation peut surmonter la portée des fournisseurs de CRM.

Ce que le playbook d’agent ne peut toujours pas prouver

Le succès historique ne démontre pas qu’une tactique conversationnelle a causé un résultat, ni qu’un agent peut la reproduire en toute sécurité.

Une référence CRM souvent citée montre le chemin qu’il reste aux agents métier à parcourir. Dans des tâches CRM réalistes, des chercheurs ont évalué des agents sur neuf tâches de service client impliquant des objets métier connectés et des variables cachées.

L’étude a rapporté un taux de réussite inférieur à 40 % avec le prompting ReAct, une méthode qui alterne raisonnement et actions. Les agents à appels de fonctions sont restés sous les 55 %. Ces résultats proviennent d’un benchmark, et non du produit d’Encore, mais ils mettent en évidence des problèmes généraux de suivi des règles et d’utilisation des outils.

Encore n’a pas publié de résultats d’évaluation comparables. Son nombre de clients et la croissance de revenus rapportée indiquent une activité commerciale, mais ne mesurent pas l’exactitude des tâches. L’entreprise n’a pas non plus indiqué à quelle fréquence les employés acceptent les suggestions ou remplacent les décisions de ses agents.

Des données de performance indépendantes éclaireraient plusieurs questions. Les acheteurs ont besoin de taux d’erreur par tâche, de la fréquence des escalades, de la latence des réponses et de la proportion d’interactions réalisées de manière autonome. Ils ont également besoin de comparaisons de résultats avec des équipes humaines et une automatisation plus simple.

La confidentialité crée un autre défi. Les appels et les messages peuvent contenir des informations personnelles, des détails financiers, des réclamations et un contexte sensible. Utiliser ces conversations pour entraîner des playbooks exige un consentement clair, des règles de conservation, des contrôles d’accès et des procédures de suppression. La politique de confidentialité d’Encore indique qu’elle traite les données personnelles à des fins déterminées et décrit les droits des utilisateurs en matière d’accès, de rectification et de suppression, mais les acheteurs d’entreprise auraient toujours besoin de contrôles contractuels spécifiques et de garanties techniques.

La surveillance des employés soulève des préoccupations distinctes. Une plateforme conçue pour identifier les techniques efficaces peut aussi classer les salariés ou exposer leurs faiblesses individuelles. Les entreprises doivent décider si les employés savent comment les enregistrements sont analysés et comment la direction utilise les résultats.

Les playbooks eux-mêmes nécessitent une gouvernance. Un employé performant peut contourner une politique interne, faire une promesse non étayée ou recourir à un humour qui ne se transpose pas d’un client à l’autre. Les données de fréquence et de conversion ne peuvent pas remplacer un examen de conformité.

Les services financiers augmentent les enjeux. La formulation d’un agent peut influencer la compréhension qu’a un client des produits, des obligations et des risques. Une recommandation qui paraît persuasive peut néanmoins omettre un contexte exigé par une politique ou une réglementation.

Les biais peuvent s’introduire par les données historiques. Des employés précédents ont pu traiter les clients différemment selon leur langue, leur accent, leur localisation ou leurs revenus supposés. Un système optimisant les résultats historiques pourrait préserver ces schémas sans comprendre leur signification sociale.

La dérive des données constitue un autre problème. Une tactique efficace peut devenir obsolète après un changement de produit, une révision de politique ou une évolution du marché. Les playbooks ont besoin de règles d’expiration et de tests continus, et non d’une autorité permanente fondée sur d’anciens appels.

Il existe également un problème fondamental d’attribution. Les résultats commerciaux dépendent de la qualité du produit, des prix, de la notoriété de la marque, du moment choisi et des budgets clients. Le comportement conversationnel ne représente qu’une partie du résultat. Encore doit éviter de s’attribuer le mérite de changements que son système n’a pas provoqués.

Un déploiement d’entreprise prudent devrait séparer trois couches. Les faits et politiques approuvés devraient provenir de sources de connaissances contrôlées. Les tactiques conversationnelles suggérées devraient rester inspectables. Les actions autonomes devraient fonctionner dans des limites explicites et selon des règles d’escalade.

La supervision humaine ne résout pas tous les problèmes, mais elle crée une voie d’adoption pragmatique. Les entreprises peuvent comparer les recommandations aux résultats réels avant d’accorder une autorité plus large. Elles peuvent aussi identifier les cas où le système imite un style sans en comprendre le contexte.

L’affirmation la plus forte d’Encore reste donc une hypothèse soumise à des tests commerciaux. L’historique conversationnel contient de précieuses connaissances organisationnelles. La question non résolue est de savoir si un logiciel peut extraire ces connaissances sans encoder du bruit, des biais et des comportements accidentels.

Trois signaux qui décideront de la prochaine étape d’Encore AI

Le dossier d’Encore ne se renforcera que si les déploiements s’étendent, si les résultats mesurés résistent à l’examen et si les fournisseurs de CRM ne parviennent pas à effacer son avance technique.

Le premier signal est l’expansion chez les clients financiers existants. Les nouveaux logos comptent, mais des déploiements plus profonds en révèlent davantage. Les acheteurs devraient observer si Encore passe de l’assistance aux employés à des interactions clients autonomes dans plusieurs processus métier.

Une expansion suggérerait que les établissements font confiance à la fois aux playbooks et aux contrôles qui les entourent. Des pilotes limités indiqueraient que la technologie reste surtout utile pour l’analyse ou les recommandations. Encore n’a pas communiqué la répartition actuelle entre l’usage assisté et autonome.

Le deuxième signal est une évaluation transparente. Encore devrait à terme fournir des preuves au niveau des tâches couvrant l’exactitude, les escalades, la conformité et les résultats commerciaux. Les résultats doivent reposer sur des références crédibles et décrire clairement les situations dans lesquelles les humains restent impliqués.

La croissance des revenus rapportée est encourageante, mais elle ne peut répondre à ces questions opérationnelles. Une évaluation utile comparerait des équipes guidées par Encore aux workflows existants sur une période définie. Elle distinguerait également la corrélation des effets liés aux prix, aux effectifs ou aux conditions du marché.

Des preuves que les playbooks améliorent les résultats dans plusieurs établissements soutiendraient la thèse centrale d’Encore. Des résultats faibles ou très personnalisés suggéreraient que l’exploration des interactions se comporte davantage comme du conseil que comme un avantage logiciel évolutif.

Le troisième signal est la réponse des grands fournisseurs de CRM. Salesforce, SAP, Zoho et HubSpot ont déjà accès aux dossiers clients et à des portefeuilles d’agents en expansion. Salesforce, par exemple, décrit Agentforce comme une plateforme d’agents connectée aux données d’entreprise, aux métadonnées, aux workflows et aux contrôles de sécurité. Ces fournisseurs peuvent ajouter une analyse conversationnelle plus approfondie, s’associer à des spécialistes ou acquérir les capacités manquantes.

Si les acteurs historiques font des interactions passées un élément central de leurs systèmes d’agents, la différenciation d’Encore se réduira. Si leurs produits continuent à traiter les conversations principalement comme des résumés et des dossiers consultables, Encore gagne du temps pour bâtir un avantage de données spécialisé.

Des concurrents tels qu’Attention comptent pour la même raison. Leurs progrès montreront si les acheteurs privilégient des agents qui apprennent à partir de playbooks humains ou des agents qui apprennent de leurs propres actions réalisées. Les entreprises pourraient finalement combiner les deux approches.

La couverture de Google News se concentrera probablement sur les futures levées de fonds, les gains de clients et les annonces de produits. Les acheteurs devraient regarder au-delà de ces titres. La profondeur des déploiements, l’évaluation indépendante et la réaction des acteurs historiques en diront davantage qu’une nouvelle levée de capitaux.

Le tour de table de 30 millions de dollars d’Encore est significatif, car il finance une hypothèse testable sur la connaissance organisationnelle. L’entreprise estime que les conversations recèlent des méthodes de travail que les systèmes formels ne saisissent pas. Elle doit désormais démontrer que ces méthodes peuvent se traduire par un comportement logiciel fiable.

Ce test importe pour toute organisation envisageant des agents d’IA. Avant d’automatiser un flux de travail, identifiez la source du jugement de l’agent, le résultat qu’il optimise et la personne responsable lorsque le contexte évolue. Il faudra ensuite observer si Encore parvient à répondre à ces questions à l’échelle de l’entreprise.