En 1968, une étude fondatrice a mis en évidence un phénomène qui allait façonner la Silicon Valley pendant des décennies : les meilleurs ingénieurs logiciels étaient nettement plus productifs que leurs pairs. Depuis lors, chaque entreprise technologique est à la recherche de ces individus rares capables de générer des résultats exceptionnels.
De retour des vacances en janvier, gonflés à l'IA par les progrès des modèles de pointe, notre équipe d'ingénierie a commencé à faire fonctionner des agents en parallèle avec git worktrees, Claude Code et Codex. Sur certaines tâches, ils obtenaient 5 fois plus de résultats.
Cela a soulevé une question plus vaste : si les agents pouvaient rendre les ingénieurs autant plus productifs en un mois, que faudrait-il pour que tout le monde chez Sierra atteigne ce niveau ? Nous avons constitué une équipe d'accélération IA de six personnes pour le découvrir. Ce blog explique ce que nous avons construit et ce que nous avons appris en cours de route.
1. Agent, au singulier
Nous avons commencé avec un groupe d'agents spécialisés par rôle : un agent de support (PINE), un analyste de données (Pinewood), un ingénieur (Pinecone) et un agent commercial (Reggie Jr). Un agent par rôle peut sembler intuitif, mais cela a échoué dans la pratique.
Superficiellement, le problème résidait dans la charge pour les employés, qui devaient se souvenir de quel agent faisait quoi. Notre amour des noms à thème "pin" n'aidait pas. Mais le problème plus profond était structurel — le travail le plus important se fait entre les équipes, pas au sein de celles-ci.
À la base, les entreprises sont un ensemble de tâches à accomplir. Prenons l'exemple de la mise en production d'un produit. Cela implique les équipes techniques ainsi que les ventes, le marketing, le juridique et les opérations. Les départements existent parce qu'une seule équipe ou personne ne peut pas effectuer toutes les parties de la tâche. L'IA change cela, car elle peut de plus en plus réaliser le travail de bout en bout.
Nous avons donc fusionné tous ces agents spécialisés par rôle dans Pinecone : un agent unique avec un identifiant Slack, une URL et un fil de discussion ininterrompu de la question au résultat final. Pinecone détermine quels systèmes interroger et quoi faire d'une demande, afin que les employés n'aient pas à le faire. C'est techniquement difficile, mais c'est là l'intérêt de l'IA : la technologie absorbe la complexité, pas l'employé.
C'est une leçon que nous avions déjà apprise avec notre plateforme. Les agents construits sur Sierra sont complets : un seul agent peut gérer tout, de la découverte de produit à la configuration du compte, en passant par le dépannage, la facturation et plus encore. Pas "tapez 1 pour les ventes, tapez 2 pour le support" comme un vieux SVI.
Tout fusionner en un seul agent vous rapproche beaucoup plus de là où se trouve la valeur dans une entreprise — les tâches à accomplir. Chaque amélioration profite à l'ensemble de l'entreprise, donc tout le monde s'améliore, plus vite.
2. Proactif, pas réactif
La plupart des travaux ne se terminent pas en une seule session. Ils se déploient sur des jours, des semaines, voire des mois, à mesure que les équipes apprennent, que les priorités changent et que de nouvelles informations émergent. Un agent qui se manifeste lorsqu'on l'appelle et disparaît à la fin de la session n'est que d'une utilité limitée. Pinecone persiste tout au long du processus — en transportant le contexte et en reprenant le fil, jusqu'à ce que la tâche, pas seulement la demande individuelle, soit terminée.
La persistance rend également Pinecone proactif. Au lieu d'attendre qu'on lui demande, il peut agir lorsque l'étape suivante est prête — un webhook se déclenche sur un artefact, une tâche atterrit dans Linear, une révision arrive. Il rassemble le contexte et effectue une première passe, en faisant intervenir les personnes lorsque leur jugement est nécessaire. Les notes préparatoires l'attendent avant une réunion. Les comptes-rendus d'entretien sont rédigés avant que vous vous asseyiez pour ajouter vos notes. Les révisions arrivent avec des résumés, les risques clés et des commentaires suggérés. L'objectif n'est pas plus de notifications. C'est moins de travail qui arrive inachevé.
Nous n'avons pas encore totalement maîtrisé cela — la plupart des sessions commencent encore par une invite humaine — mais inverser cette relation, afin que les agents sollicitent les humains lorsque c'est nécessaire, est la direction que prend la persistance.
3. Le contexte métier est le goulot d'étranglement, pas l'intelligence
Le goulot d'étranglement avec l'IA était l'intelligence brute — la capacité du modèle à être suffisamment intelligent. Aujourd'hui, les modèles de pointe sont suffisamment capables pour la plupart des besoins professionnels. Le goulot d'étranglement s'est donc déplacé vers le contexte : ce qui est spécifique à votre entreprise, vos flux de travail, votre historique, les décisions discrétionnaires qui n'apparaissent dans aucun ensemble d'entraînement.
En janvier, deux personnes de notre équipe ont bricolé ensemble un agent analyste de données utilisant Claude Code et Opus 4.6, connecté à nos systèmes via le Model Context Protocol (MCP) et des outils en ligne de commande. Sans beaucoup de conseils supplémentaires, il pouvait enquêter sur un problème client dans Slack, GitHub, ClickHouse, Salesforce et PagerDuty en quelques minutes. Un travail qui prenait autrefois tout un après-midi est devenu la première étape du débogage et de la réponse aux incidents.
La même logique s'étend bien au-delà du débogage. Un agent disposant d'un contexte complet peut préparer une réunion client, étudier un compte, examiner un contrat ou un appel d'offres, retracer une décision produit et transformer un travail dispersé en un artefact fini. Bien sûr, donner à un agent accès à tout ce contexte introduit un nouveau problème. Un agent sans restriction représente un risque massif pour la sécurité et la vie privée. Notre MCP Gateway résout ce problème : Pinecone hérite des accès de chaque employé, applique une politique à chaque appel d'outil, isole les données clients et laisse une piste d'audit.
lire la description de l'image
ALT
La passerelle MCP de Sierra connecte les agents à 37 systèmes
Pinecone est construit sur Claude Code et Codex. Leurs améliorations fréquentes sont un vent porteur, mais l'état de l'art évolue constamment — un modèle peut être le meilleur pour la planification, un autre pour le codage, un autre pour la prose. Posséder la couche au-dessus des modèles nous permet d'acheminer chaque tâche vers le bon modèle, de basculer en cas de panne et de gérer les coûts, tout en évitant d'être à la merci d'un seul acteur. Mais l'avantage durable ne réside pas dans la possession du modèle sous-jacent. Il réside dans la possession du contexte, des flux de travail et de la couche de routage qui rendent chaque modèle plus utile.
Nous expérimentons également la possibilité de laisser Pinecone rêver : réfléchir au travail de chaque jour et proposer des améliorations à ses propres compétences. Avec le temps, c'est la différence entre un agent qui travaille simplement pour Sierra et un agent qui apprend de Sierra.
4. L'agent est l'interface utilisateur, le système de référence est le backend
Chaque travail produit quelque chose de concret, un artefact. Les agents de codage ont trouvé le leur en premier : la demande de tirage (pull request). Chaque autre département a son équivalent — une histoire client, un contrat, un questionnaire d'appel d'offres, un pitch deck, un entretien d'évaluation.
Les artefacts sont à la fois l'entrée et la sortie. Ils fournissent aux agents le contexte dont ils ont besoin pour effectuer le travail — et c'est là que le travail fini doit atterrir. Demandez à Pinecone de resserrer un pitch deck, et le deck lui-même revient mis à jour, pas un message de chat vous disant quoi changer.
Nous avons constaté qu'il est préférable de travailler avec vos systèmes de référence, pas de les remplacer. GitHub conserve la PR, Salesforce conserve le compte, et Linear conserve le ticket — l'agent est la couche qui les traverse.
Remplacer ces systèmes reviendrait à recréer des décennies de logiciels matures. Pire, cela scinderait l'entreprise en deux — les personnes travaillant via l'agent et les personnes travaillant directement dans les outils d'origine, chacune avec sa propre version de la vérité. Notre pari est que ces produits deviendront davantage des backends au fil du temps, avec l'agent comme interface principale.
5. Résultats, pas seulement activité
Depuis le premier commit de Pinecone en mars, il a exécuté plus de 75 000 sessions pour plus de 600 personnes. Aujourd'hui, 70 % de nos PR sont ouvertes via lui, tandis que des centaines d'automatismes gèrent silencieusement du travail que personne n'a explicitement demandé.
Des chiffres comme ceux-ci sont tentants à mettre en avant, et au début, c'est la bonne chose à suivre — ils prouvent que quelque chose est réellement utilisé, pas en train de prendre la poussière sur une diapositive de feuille de route. Mais les sessions exécutées et les appels d'outils effectués sont de l'activité, pas un résultat. Une équipe peut "tokenmaxxer" son chemin jusqu'à un tableau d'adoption impressionnant sans que rien ne s'améliore en aval — le même nombre d'erreurs, les mêmes délais, juste plus d'IA impliquée dans leur production.
Donc, l'utilisation de tokens est un bon point de départ. Les équipes doivent prendre l'habitude d'utiliser l'outil avant de pouvoir mesurer s'il fonctionne. Mais ce n'est pas là que se trouve la valeur, et nous ne voulons pas que ce soit là que l'histoire se termine. La question que nous essayons de mieux poser n'est pas combien un agent a fait — c'est ce qui a réellement changé grâce à lui : si une affaire a été conclue plus rapidement, si le problème d'un client a été résolu du premier coup, si quelqu'un a retrouvé sa soirée au lieu de finir une révision tard dans la nuit.
Nous n'avons pas encore de bon moyen de mesurer cela. Les sessions et les appels d'outils sont simplement plus faciles à compter. Mais cet écart — entre ce que nous pouvons mesurer aujourd'hui et ce qui nous importe vraiment — est la prochaine chose que nous construisons.
Cette étude de 1968 a révélé un écart de 10X entre les meilleurs et les autres — et pendant cinquante ans, la seule réponse a été de partir à la recherche de ces personnes rares. Maintenant, il y en a une meilleure : donner à chacun un agent afin qu'ils bénéficient des avantages des quelques-uns. L'objectif n'est pas seulement d'en faire plus. C'est de donner aux gens plus de temps pour le travail que seuls les humains peuvent faire : le jugement, le goût, la créativité et l'établissement de relations.
À suivre
Nous approfondirons les systèmes que nous avons construits :
- Allen Chen sur Pinecone, ses nombreuses itérations et l'architecture technique derrière
- Mihai Parparita sur MCP Gateway et la collecte sécurisée du contexte complet
- Rohith Ravi sur Agency, l'infrastructure qui sous-tend tout cela
