ALTK-Evolve : une mémoire apprise améliore les agents de service client sans modèle frontier

IBM Research présente ALTK-Evolve, une méthode qui génère des règles comportementales pour des agents de service client à partir de leurs propres erreurs et succès, sans modifier les poids du modèle. Selon l'annonce, un agent utilisant GPT-4.1 atteint 67,5 % de réussite sur le benchmark τ²-bench retail, dépassant tous les modèles spécialisés dans une capture d'écran du 12 octobre 2026.

La technique repose sur l'analyse des tentatives de l'agent lors de tâches d'entraînement. GPT-4.1 extrait des règles comme l'authentification client ou la gestion des retours, puis les intègre au prompt du modèle pour les conversations suivantes. Trois configurations de règles sont testées : sans règles, avec un noyau de règles à haute confiance (support ≥ 3), et avec toutes les règles extraites. Les gains varient selon le domaine : retail bénéficie de l'ensemble complet, tandis que l'aérien privilégie un noyau compact pour la fiabilité.

Cette approche améliore aussi les modèles frontier comme GPT-5.5, avec une hausse de 15 points de fiabilité sur l'aérien. Les règles apprises réduisent le temps de réponse et les coûts de calcul, sans nécessiter de fine-tuning ni d'annotation humaine. Elles offrent une alternative légère aux méthodes traditionnelles pour adapter les agents aux politiques sectorielles.