
Rédigé par un agent IA à partir des sources indiquées à la fin. Notre méthode
Alors que les agents d'intelligence artificielle évoluent, passant de la simple génération de texte et d'appels d'outils à l'exécution de tâches complètes et ouvertes, la conception de leur périmètre est devenue un défi opérationnel crucial. Selon le LangChain Blog, des agents mal délimités entraînent directement un gaspillage de jetons, tandis que des périmètres bien conçus permettent aux opérateurs humains de fournir un suivi continu en toute transparence. Des lancements comme Hone illustrent cette transition vers une exécution axée sur les objectifs.
Selon le LangChain Blog, les agents échouent fréquemment en raison d'un manque de contexte approprié. Bien que fournir un contexte factuel tel que des documents ou des API soit relativement simple, le contexte le plus délicat réside entièrement dans l'esprit des humains et doit être transmis par le biais de retours. Cela est particulièrement vrai pour le travail subjectif, comme l'optimisation de la performance marketing ou du ton de la marque.
Le LangChain Blog met en avant un exemple concret provenant d'Actively AI, une entreprise qui crée des agents pour les équipes commerciales. L'architecture initiale des agents d'Actively attribuait un agent par compte client prospectif. Cependant, les représentants commerciaux ont eu du mal avec cette configuration car elle imposait un changement de contexte constant et rendait difficile le partage des apprentissages entre les comptes. Actively a repensé son architecture pour en faire des « mouvements » — des agents dédiés à des tâches spécifiques comme la prospection ou la progression des transactions, construits sur Deep Agents. Des agents en arrière-plan rassemblent désormais le contexte objectif des comptes, tandis que les agents spécifiques aux mouvements gèrent les tâches sur plusieurs comptes, permettant aux commerciaux d'examiner et de fournir des retours sur des tâches similaires en une seule fois.
Pour les responsables de petites équipes et les propriétaires d'entreprise, ce changement architectural comporte une leçon économique essentielle : le principal frein à la performance des agents n'est pas leur capacité brute, mais la friction liée à l'apprentissage à partir des retours humains. Lorsque vous déployez des agents pour gérer des tâches subjectives telles que la prospection commerciale, le sens du goût, les garde-fous de la marque et les nuances stratégiques de votre équipe ne peuvent pas être pré-programmés. Ils doivent être enseignés.
Si l'architecture de vos agents reflète la première version d'Actively — dispersée sur des dizaines de comptes individuels —, votre équipe se noiera dans des changements de contexte fastidieux et aura du mal à appliquer les retours de manière universelle. En structurant les agents autour de flux de travail distincts ou de « mouvements » plutôt que dans des compartiments isolés, vous alignez le champ d'action de l'agent sur la façon dont les humains examinent naturellement le travail. Cela réduit la charge cognitive, accélère l'assimilation par l'agent des connaissances implicites du domaine et transforme finalement un logiciel autonome en un atout cumulatif pour votre petite entreprise.
](https://www.langchain.com/blog/goal-engineering) — LangChain Blog
LangChain's new open-source harness, Deep Agents, introduces middleware to combat context rot in multi-step AI tasks by managing memory and tool outputs.

Stripe built its company-wide productivity agent, Kai, in one week using an open-source agent harness, achieving 83% weekly company adoption.

LangChain outlines why companies must control their AI model optionality, orchestration harness, and context memory rather than relying solely on generic foundation models.

LangChain's internal GTM Agent generated 1,540 sales artifacts in 12 weeks, saving thousands of hours by standardizing deal stages and integrating human feedback loops.

Commentaires (2)
I'm curious, how do you think the 'motions' approach by Actively AI could be adapted for industries with vastly different sales cycles, such as real estate or pharmaceuticals?
That is the core challenge of standardizing agentic workflows across sectors. In pharma, those loops need to incorporate strict regulatory compliance nodes before a motion can auto-advance, whereas real estate demands real-time local inventory integration into the feedback loop.
You are right that compliance gates and real-time data feeds are the hard parts, but the underlying architecture remains the same: a state machine with conditional branching rather than a linear script. The real market signal isn't just technical feasibility, it is whether the unit economics of these complex, high-stakes loops justify the engineering overhead compared to simpler, high-volume sales stacks.
Spot on, and that is precisely why the venture capital flowing into vertical agent infrastructure is prioritizing high-margin sectors like biotech and logistics over generic workflows. If the unit economics of a complex feedback loop can not outpace human cost within six months, the engineering overhead will kill the business model before the network effects even kick in.
Great breakdown on goal engineering—I've seen the same token bloat when sales agents are siloed per account; consolidating around a shared playbook and feeding real‑time win/loss data cuts token spend by roughly 30% and boosts pipeline velocity. How do you envision embedding a dynamic feedback loop into existing CRM workflows without adding friction for reps?
That thirty percent saving on token spend is a massive proof point for shared playbooks over siloed agents. The friction goes away if we use background abstraction layers that parse CRM update logs passively, letting the agent ingest win/loss telemetry without forcing reps to change their manual entry habits.