L’avenir de l’IA selon Mozilla place le contrôle personnel avant le remplacement

Mozilla esquisse un avenir de l’IA différent, malgré une course dans le secteur pour créer des agents qui en savent davantage, se souviennent plus longtemps et agissent avec moins de supervision. L’argument de l’avenir selon Mozilla est que l’IA personnelle devrait renforcer le jugement humain sans retirer discrètement le contrôle à son utilisateur.

Cette distinction change ce que signifie « personnel ». Il ne s’agit pas d’un chatbot qui se souvient de votre restaurant préféré ou imite votre style d’écriture. Il s’agit d’un système d’IA qui travaille avec vos connaissances, s’adapte à vos objectifs et reste responsable devant vous.

Le conflit est déjà visible. OpenAI, Google, Microsoft, Anthropic et Meta intègrent des assistants dans des produits qui contiennent des messages, des documents, des recherches, des calendriers et l’activité de navigation. Leur portée peut rendre l’IA plus utile, mais elle peut aussi faire dépendre la personnalisation du compte, des politiques et de l’infrastructure d’un seul fournisseur.

Mozilla AI mise sur une autre voie. Sa vision de l’IA personnelle associe l’utilité à l’ouverture, à la confidentialité, à la supervision humaine et à la possibilité de choisir la technologie sous-jacente. L’entreprise considère le contexte personnel comme quelque chose que l’IA doit utiliser avec précaution, et non comme une ressource qu’une plateforme devrait automatiquement posséder.

Il s’agit moins d’un concours visant à déterminer quel modèle rédige le meilleur paragraphe. C’est un concours pour savoir qui contrôle la mémoire, les autorisations et les connexions qui entourent ce modèle.

L’avenir selon Mozilla commence par le contrôle, pas l’imitation

Le renversement central de Mozilla est qu’une IA personnelle devrait comprendre votre travail sans prétendre remplacer votre réflexion.

La plupart des produits d’IA grand public ont commencé comme des boîtes de discussion isolées. Un utilisateur saisissait une requête, recevait une réponse, puis recommençait lorsqu’une nouvelle tâche se présentait. Même les historiques de conversation enregistrés n’offraient qu’une continuité limitée entre les outils et les projets.

Les agents transforment cette relation. Un agent IA est un logiciel qui utilise un modèle pour planifier des étapes, appeler des outils, examiner des résultats et progresser vers un objectif. La mémoire et l’accès aux outils lui permettent d’opérer sur des tâches plus longues.

Ces capacités créent une expérience plus personnelle, car le système peut conserver le contexte. Il peut relier la transcription d’une réunion à une note de cadrage de projet, identifier les décisions non résolues et préparer un suivi à partir de travaux antérieurs.

Cependant, l’accès seul ne crée pas une personnalisation digne de confiance. Un système peut en savoir beaucoup sur une personne tout en lui donnant peu de contrôle concret sur son comportement.

La position de Mozilla AI est que le contrôle doit aller au-delà d’une case à cocher sur la confidentialité. Les utilisateurs et les organisations doivent savoir à quoi un agent peut accéder, quel modèle traite les informations et quelles actions nécessitent une approbation.

Ce principe apparaît dans les produits actuels et les projets ouverts de Mozilla AI. L’entreprise décrit sa mission comme une aide permettant aux personnes de travailler avec l’IA « en toute sécurité, de manière transparente et selon leurs propres conditions ».

Son produit Octonous relie des agents à des outils de travail tout en maintenant une validation humaine autour des actions importantes. Mozilla AI développe également des composants ouverts pour l’accès aux modèles, l’orchestration d’agents, les évaluations, les garde-fous et l’exécution locale de modèles.

Ces composants traitent différentes couches d’un même problème. L’IA personnelle a besoin de contexte, mais aussi de limites. Elle a besoin d’une automatisation utile, mais elle doit révéler suffisamment de son fonctionnement pour permettre aux personnes de contester ses erreurs.

Les principes de confidentialité plus larges de Mozilla renforcent cette approche. Ils mettent l’accent sur le contrôle des utilisateurs, la collecte limitée, des attentes claires, des paramètres par défaut sensés et plusieurs niveaux de protection.

Ce cadre rend l’avenir selon Mozilla plus exigeant que la personnalisation ordinaire d’un chatbot. Se souvenir d’une préférence est facile. Rendre la mémoire inspectable, portable, limitée et révocable exige une architecture produit plus profonde.

Cela exige également une autre mesure du succès. Le système gagnant n’est pas simplement celui qui prédit la prochaine demande d’un utilisateur. C’est celui qui aide l’utilisateur à parvenir à une décision réfléchie sans masquer la manière dont il y est arrivé.

L’IA personnelle a besoin d’une mémoire qui appartient à l’utilisateur

La prochaine couche concurrentielle est le contexte personnel, et la question décisive est de savoir si ce contexte reste sous le contrôle de l’utilisateur.

Les modèles possèdent déjà de vastes connaissances générales. Ce qui leur manque généralement est une compréhension fiable des responsabilités actuelles d’une personne, de ses décisions précédentes, de ses sources privilégiées et de son travail inachevé.

La mémoire persistante peut combler cette lacune. Elle peut préserver des informations sélectionnées entre les sessions et permettre à un agent de s’appuyer sur des interactions antérieures.

La version utile de la mémoire est davantage qu’une archive de transcriptions. Elle devrait distinguer une instruction temporaire d’une préférence durable. Elle devrait aussi indiquer d’où provient un fait et si ce fait reste actuel.

Prenons le cas d’un chef de produit préparant une revue hebdomadaire. Un agent personnel pourrait retrouver des décisions dans les notes de réunion, les relier aux modifications de la feuille de route et identifier les engagements sans responsable.

Cette tâche dépend d’un contexte privé, et pas seulement de l’intelligence du modèle. L’agent a besoin d’accéder aux notes, aux messages, aux documents et aux résumés antérieurs. Il doit aussi comprendre quelles sources font autorité.

Un commercial fait face à un problème similaire. L’agent pourrait relier les conversations passées à un plan de compte et préparer des questions pour un appel à venir. Il ne devrait toutefois pas divulguer les détails confidentiels d’un client lorsqu’il travaille sur un autre compte.

Ces exemples montrent pourquoi les connaissances personnelles ne peuvent pas devenir un réservoir indifférencié. Une mémoire utile requiert des autorisations, une provenance, des limites et des moyens de corriger des conclusions inexactes.

L’initiative portable memory de Stanford décrit une direction connexe. Elle explore une infrastructure de contexte personnel persistant qui peut circuler entre les outils sous des contrôles définis par l’utilisateur.

La portabilité est importante parce que la mémoire crée des coûts de changement. Si des années de préférences, de décisions et d’historique de travail n’existent qu’au sein d’un seul fournisseur, quitter ce fournisseur revient à abandonner une part précieuse de l’expérience IA.

Le même risque est apparu lors de précédentes transitions de plateformes. Les e-mails, les contacts, les photographies et les graphes sociaux sont devenus difficiles à déplacer lorsque les services utilisaient des formats incompatibles ou des politiques restrictives.

La mémoire IA augmente les enjeux, car elle peut contenir des conclusions dérivées, et pas seulement des fichiers téléversés. Un assistant peut déduire des habitudes de travail, des préoccupations récurrentes ou des relations à partir de nombreuses interactions distinctes.

Ces déductions peuvent être utiles, inexactes, sensibles, ou les trois à la fois. Les utilisateurs ont besoin de pouvoir les consulter, les modifier, les supprimer et limiter les endroits où elles circulent.

C’est ici que la gestion des connaissances personnelles devient pertinente. Un second cerveau IA contrôlé peut organiser le contexte de travail autour de l’individu au lieu de traiter chaque conversation avec une IA comme une session jetable.

La distinction est structurelle. Une mémoire détenue par une plateforme améliore principalement le service de cette plateforme. Une mémoire gouvernée par l’utilisateur peut améliorer de nombreux outils tout en préservant la capacité de l’utilisateur à changer de fournisseur.

Une approche crédible de l’IA personnelle de Mozilla doit donc rendre la mémoire compréhensible. Les utilisateurs devraient savoir ce qui a été enregistré, pourquoi cela a été récupéré et quelle réponse en dépendait.

Cette transparence ajoutera parfois de la friction. Une demande de confirmation prend plus de temps qu’une action invisible en arrière-plan. Un écran d’autorisation interrompt un flux de travail automatisé.

Pourtant, supprimer chaque interruption n’est pas un choix de conception neutre. Cela transfère les décisions de l’utilisateur vers le système et son opérateur. La commodité peut devenir une dépendance avant que les utilisateurs ne remarquent l’échange.

Les agents IA ouverts remettent en cause le modèle de plateforme

Les agents de Mozilla AI mettent sous pression les plateformes fermées en séparant l’automatisation utile d’une dépendance permanente envers un modèle ou un fournisseur unique.

Les grandes entreprises technologiques disposent d’un avantage évident dans l’IA personnelle. Elles exploitent déjà les applications où les personnes recherchent, écrivent, communiquent, planifient des réunions et stockent des fichiers.

Google peut relier Gemini à Workspace et Android. Microsoft peut relier Copilot à Microsoft 365 et Windows. Meta peut placer son assistant dans ses produits de messagerie et sociaux.

Cette intégration réduit la configuration. L’assistant se trouve déjà à côté des données et des actions dont il a besoin. Les utilisateurs n’ont pas à assembler des composants distincts ni à gérer des autorisations supplémentaires.

Cependant, une intégration profonde concentre aussi le contrôle. La plateforme choisit quels modèles apparaissent, comment le contexte circule entre les services, quelles actions sont journalisées et comment les politiques évoluent au fil du temps.

L’approche de Mozilla fondée sur le choix remet en cause cette concentration. Ses outils ouverts visent à permettre aux développeurs de changer de modèles, de cadres d’agents et de services de soutien sans reconstruire l’application entière.

Par exemple, any-llm propose une interface commune entre les fournisseurs de modèles. Any-agent crée une couche partagée pour exécuter et comparer des cadres d’agents. Llamafile empaquette des modèles afin qu’ils puissent s’exécuter localement via un seul exécutable.

Ces projets n’éliminent pas la dépendance. Une entreprise dépend toujours de modèles, d’infrastructures, de connecteurs et de contrôles de sécurité. Les composants ouverts peuvent aussi introduire une charge de maintenance qu’une plateforme gérée absorbe.

Leur importance réside dans la préservation des options. Un développeur peut orienter les tâches sensibles vers un modèle local, utiliser un autre fournisseur pour les raisonnements exigeants et remplacer un service dont les conditions ne conviennent plus.

Cette flexibilité gagne en importance à mesure que les agents acquièrent de l’autorité. Remplacer un générateur de texte est relativement simple. Remplacer un agent connecté aux systèmes de l’entreprise devient plus difficile une fois que des flux de travail, des politiques et de la mémoire se sont accumulés autour de lui.

L’avenir selon Mozilla dépend donc de l’interopérabilité, c’est-à-dire de la capacité de différents systèmes à échanger des informations par le biais d’interfaces définies. L’interopérabilité réduit le coût du changement de modèles ou du déplacement du contexte.

Elle rend aussi la concurrence possible à plusieurs niveaux. Les entreprises de modèles rivalisent sur l’intelligence et l’efficacité. Les cadres d’agents rivalisent sur l’orchestration. Les systèmes de mémoire rivalisent sur la récupération, le contrôle et la portabilité.

Les plateformes fermées peuvent offrir des contrôles similaires, et certaines permettent déjà aux administrateurs de sélectionner des modèles ou de restreindre l’accès aux données. L’ouverture ne produit pas automatiquement une meilleure confidentialité ou une meilleure sécurité.

La différence tient à la possibilité pour les utilisateurs d’inspecter, de modifier et de déplacer indépendamment les éléments essentiels du système. La disponibilité du code source permet également aux développeurs externes d’examiner les choix d’implémentation au lieu de se fier entièrement aux descriptions des fournisseurs.

Le défi de Mozilla AI est de transformer cette flexibilité en un produit cohérent. La plupart des utilisateurs ne souhaitent pas sélectionner cinq composants d’infrastructure avant de demander à un agent de résumer un projet.

Un système ouvert réussi doit masquer la complexité inutile tout en exposant des choix pertinents. Il devrait rendre le chemin le plus sûr compréhensible sans obliger chaque utilisateur à devenir ingénieur en IA.

Cet équilibre est difficile. Trop peu d’abstraction laisse les utilisateurs gérer des intégrations fragiles. Trop d’abstraction recrée la plateforme opaque que Mozilla cherche à remettre en cause.

Le résultat ne fera pression sur les fournisseurs fermés que si les outils ouverts deviennent plus faciles à déployer et à gouverner. L’attrait idéologique seul ne compensera pas un produit plus lent, moins fiable ou plus difficile à prendre en charge.

Un contexte plus personnel crée des risques plus graves

Les informations qui rendent un agent véritablement utile augmentent également les dommages potentiels liés aux erreurs, à la manipulation ou à un accès non autorisé.

Un chatbot ordinaire peut produire une réponse incorrecte. Un agent connecté peut agir sur cette réponse. Il peut envoyer un message, modifier un enregistrement, exécuter du code ou divulguer des informations via un autre service.

Le NIST définit les agents comme des systèmes qui sollicitent des modèles de manière répétée, traitent leurs sorties et appellent des fonctions. Son analyse de la sécurité des agents avertit que l’accès aux outils crée des risques qui dépassent le simple texte erroné.

L’une des menaces importantes est l’injection indirecte de prompt. Une instruction malveillante peut être dissimulée dans une page web, un e-mail, un document ou tout autre contenu lu par l’agent.

Si l’agent considère cette instruction comme fiable, un attaquant peut détourner son comportement. L’agent pourrait exposer des données, détourner un outil connecté ou effectuer une action que l’utilisateur n’a jamais souhaitée.

Le NIST indique que les mesures d’atténuation actuelles n’offrent pas une protection complète contre toutes les techniques d’injection de prompt. Il recommande de concevoir les systèmes en partant du principe que cette exposition reste possible.

Cette incertitude met à l’épreuve la version la plus harmonieuse du récit de Mozilla AI. La transparence et le code ouvert facilitent l’inspection, mais ne garantissent pas qu’un agent connecté se comportera de façon sûre.

L’approbation humaine a également ses limites. Les utilisateurs acceptent régulièrement des demandes sans les examiner attentivement, surtout lorsque des confirmations répétées interrompent des flux de travail familiers.

Un agent peut submerger les utilisateurs de demandes techniquement exactes mais pratiquement dénuées de sens. « Autoriser l’accès au document » ne dit pas grand-chose si la personne ne peut pas voir de quel document il s’agit, à quelle fin et pour combien de temps.

Un contrôle efficace exige donc des autorisations précises. Un agent qui rédige un e-mail ne devrait pas recevoir automatiquement l’autorité nécessaire pour l’envoyer. Un agent de recherche ne devrait pas obtenir un accès illimité aux systèmes de paiement.

Les journaux comptent aussi. Les utilisateurs et les administrateurs ont besoin d’un relevé indiquant quelles informations l’agent a récupérées, quel modèle les a traitées, quels outils il a appelés et quelles actions en ont découlé.

La mémoire crée une autre vulnérabilité. Un contexte incorrect peut persister et influencer de futures décisions. Des détails sensibles peuvent réapparaître dans des tâches sans rapport si les limites de récupération échouent.

Les politiques de confidentialité ne résolvent pas tous les risques. Des chercheurs de Stanford ont examiné la documentation de six grands développeurs d’IA et relevé des préoccupations liées à la conservation des données, aux pratiques d’entraînement et à une transparence limitée.

La étude sur la confidentialité des chatbots qui en a résulté a conclu que les utilisateurs devraient faire preuve de prudence avant de partager des informations sensibles. Elle a également appelé à un consentement explicite et à des protections renforcées de la vie privée.

Mozilla peut se différencier grâce à des paramètres par défaut plus stricts, au traitement local et à une mémoire visible par l’utilisateur. Ces choix exigent néanmoins des preuves apportées par des produits déployés, des audits et des contrôles compréhensibles.

Le traitement local est particulièrement utile lorsque les données restent sur l’appareil. Il réduit la nécessité de transmettre des contenus privés à un service distant.

Cependant, local ne signifie pas automatiquement sécurisé. Les logiciels malveillants, les appareils partagés, les contrôles d’accès insuffisants et les intégrations vulnérables peuvent exposer des informations stockées localement.

Les modèles locaux peuvent aussi être moins performants que les systèmes hébergés de plus grande taille pour les tâches exigeantes. Un système hybride pourrait traiter le contexte sensible localement tout en utilisant des modèles distants pour certains raisonnements.

Cette conception soulève ses propres questions. Le système doit décider ce qui quitte l’appareil, ce qui est supprimé d’un prompt et quel service distant reçoit le résultat.

Le risque n’est pas un argument contre les agents personnels. C’est une raison de les évaluer selon la conception des autorisations, la traçabilité, la minimisation des données et les mécanismes de récupération.

Les agents IA de Mozilla ne gagneront la confiance que lorsque les utilisateurs pourront comprendre et annuler leurs actions. Un bouton d’approbation visible importe peu si une action erronée reste difficile à défaire.

La personnalisation doit élargir le jugement, pas le restreindre

Un agent personnel réussit lorsqu’il améliore la capacité de l’utilisateur à réfléchir, comparer et décider, plutôt que de faire disparaître les décisions.

L’automatisation promet souvent d’éliminer le travail routinier. Cet objectif est pertinent pour la mise en forme, la recherche d’informations, les rappels et les transferts répétitifs entre systèmes.

Pourtant, le travail intellectuel comporte des décisions qui paraissent répétitives tout en reposant sur un contexte important. Sélectionner des éléments de preuve, résoudre des récits contradictoires ou modifier une priorité de projet exige du jugement.

Un agent peut soutenir ces décisions en rassemblant les informations pertinentes. Il peut montrer les documents à l’origine d’un résumé, identifier les éléments de preuve manquants et faire ressortir les désaccords qui méritent de l’attention.

Il ne devrait pas réduire chaque conflit à une recommandation unique et assurée. Une réponse qui masque l’incertitude peut rendre un utilisateur plus rapide tout en le laissant moins informé.

C’est ici que la différence entre assistance et substitution devient concrète. L’assistance préserve le point de décision et améliore les éléments disponibles à ce moment-là.

La substitution supprime le point de décision ou rend le choix automatisé difficile à examiner. Elle peut convenir aux actions à faible risque, mais devenir dangereuse lorsque les conséquences sont importantes.

Imaginez un ingénieur enquêtant sur un incident de production. Un agent pourrait rechercher dans les journaux, relier les changements récents et proposer des causes probables.

Un résultat utile inclut des éléments de preuve, des horodatages et des explications alternatives. Un diagnostic unique non étayé encouragerait une action prématurée et pourrait prolonger la panne.

Pour un chercheur, l’agent pourrait relier des notes issues de plusieurs articles. Il devrait préserver les citations et distinguer la conclusion d’un auteur de l’interprétation de l’agent.

Pour un responsable, l’agent pourrait produire un résumé hebdomadaire. Il devrait distinguer le travail achevé des affirmations non résolues et permettre au responsable d’examiner les sources sous-jacentes.

Ces capacités dépendent de la combinaison des connaissances, c’est-à-dire de l’assemblage attentif du contexte personnel, des données organisationnelles et des informations externes. Les sources devraient rester suffisamment visibles pour être vérifiées.

La personnalisation peut aussi créer une bulle de filtres. Un agent qui apprend les préférences d’un utilisateur peut sélectionner à répétition des points de vue familiers et supprimer les désaccords utiles.

Un système conçu pour renforcer le jugement devrait parfois contester l’utilisateur. Il peut signaler des preuves faibles, présenter un contre-argument crédible ou demander des précisions lorsque les instructions se contredisent.

Ce comportement peut sembler moins immédiatement satisfaisant qu’un accord permanent. Il est aussi plus compatible avec la préservation de l’autonomie humaine.

L’objectif de conception devrait être une délégation calibrée. Les utilisateurs attribuent différents niveaux d’autorité selon la tâche, les informations concernées et le coût d’une erreur.

Un agent de calendrier pourrait planifier une réunion interne dans des limites définies. Il devrait demander une approbation avant d’annuler un engagement externe ou de partager des informations confidentielles.

Un agent d’écriture pourrait corriger automatiquement la mise en forme. Il devrait identifier les modifications substantielles et préserver la capacité de l’auteur à les accepter ou les refuser.

Ces distinctions exigent des équipes produit qu’elles modélisent les conséquences, et pas seulement les capacités. « L’agent peut-il effectuer cette action ? » diffère de « Quand devrait-il effectuer cette action ? »

Le mozilla future sera crédible si ses systèmes rendent ces niveaux visibles. Les utilisateurs ont besoin de paramètres compréhensibles pour l’accès, la mémoire, l’action, la révision et la suppression.

Cette vision modifie également la manière dont les performances de l’IA devraient être mesurées. Les taux d’achèvement et la vitesse de réponse ne capturent qu’une partie de la valeur.

Les développeurs devraient examiner si les utilisateurs peuvent détecter les erreurs, comprendre les sources, annuler les actions et déplacer leur contexte ailleurs. Ces mesures révèlent si la personnalisation accroît l’autonomie ou l’affaiblit discrètement.

Trois signaux mettront à l’épreuve la vision de Mozilla en matière d’IA personnelle

L’argument de Mozilla a désormais besoin de preuves apportées par des produits utilisables, un contexte portable et des pratiques de sécurité qui résistent aux véritables flux de travail des agents.

Le premier signal sera de savoir si Mozilla AI peut associer le choix à une expérience simple. Ses projets ouverts couvrent plusieurs couches importantes, mais les utilisateurs ordinaires rencontrent des produits plutôt que des schémas d’architecture.

Observez comment Octonous gère le choix des modèles, les applications connectées, les approbations d’actions et la récupération de documents professionnels. Le test important est de savoir si le contrôle reste clair dans l’usage quotidien.

Si les utilisateurs peuvent changer de modèle ou révoquer un accès sans perturber les flux de travail établis, la thèse de Mozilla gagne en force. Si la flexibilité produit une configuration confuse et un comportement peu fiable, les suites fermées conservent leur avantage.

Le deuxième signal sera les progrès vers une mémoire portable. Les utilisateurs ont besoin de moyens pratiques pour exporter un contexte utile, examiner les conclusions stockées et passer d’un système compatible à un autre.

Un simple téléchargement de données ne suffira pas. La mémoire IA portable doit préserver la provenance, les autorisations et la structure, tout en excluant les informations que l’utilisateur n’autorise pas.

Des normes comme le Human Context Protocol de Stanford offrent une orientation possible. La position open source de Mozilla en fait un participant naturel à cet effort plus vaste d’interopérabilité.

Si plusieurs produits peuvent utiliser en toute sécurité le même contexte gouverné par l’utilisateur, l’IA personnelle devient moins dépendante d’une seule plateforme. Si la mémoire reste propriétaire, la personnalisation renforcera l’enfermement existant.

Le troisième signal sera les preuves de sécurité autour des agents connectés. Les benchmarks de modèles révèlent peu de choses sur la manière dont un agent gère de façon responsable les autorisations, les documents malveillants et les appels d’outils défaillants.

Recherchez des modèles de menace documentés, des tests externes, des journaux d’audit utiles et des paramètres par défaut stricts autour des actions conséquentes. Observez si les déploiements donnent aux administrateurs un contrôle clair sans rendre les utilisateurs individuels impuissants.

Les incidents de sécurité seront également révélateurs. Le facteur décisif n’est pas de savoir si un système rencontre une faille. Les logiciels complexes en rencontrent inévitablement.

Le test consiste à voir si Mozilla détecte les problèmes, explique leur portée, facilite la récupération et améliore publiquement ses protections. Le développement ouvert crée une occasion de contrôle externe, mais seulement si les constats conduisent à des actions.

Mozilla n’a pas besoin de vaincre toutes les grandes entreprises d’IA pour influencer ce marché. Les navigateurs, les normes ouvertes et les outils de confidentialité comptent souvent parce qu’ils établissent des alternatives et relèvent les attentes.

Sa contribution la plus importante pourrait être une définition utilisable de l’IA personnelle. Selon cette définition, un agent est personnel parce que sa loyauté, sa mémoire et son autorité restent liées à l’utilisateur.

Cet objectif est plus difficile à atteindre que d’ajouter un profil à un chatbot. Il exige des choix en matière de stockage, d’autorisations, de routage des modèles, d’interfaces et d’incitations commerciales.

Les prochains mois devraient montrer si Mozilla peut transformer ces choix en produits auxquels les utilisateurs confient un vrai travail. Le mozilla future dépend de preuves que l’ouverture et le contrôle peuvent coexister avec la commodité.

La question pour les utilisateurs n’est plus de savoir si l’IA deviendra plus personnelle. Ce processus est déjà en cours à mesure que les assistants acquièrent mémoire et accès aux outils.

La meilleure question est de savoir qui bénéficie de cette intimité. Avant de connecter un autre agent à votre travail, examinez ce qu’il retient, ce qu’il peut faire et si vous pouvez partir en conservant votre contexte intact.