Contexte et objectifs

Evos, officiellement Evolutionary Operating System Inc., a levé 9 millions de dollars en financement pré‑seed pour déployer son plateforme d’opérations agentiques nommée Workhorse. La cible sont les petites et moyennes entreprises industrielles (<100 salariés) qui peinent à remplacer les travailleurs seniors dont le savoir reste tacite. L’enjeu est de capturer ce savoir et de le répliquer sous forme d’agents capables d’exécuter des tâches récurrentes dans la fabrication, la logistique ou le fret.

Architecture de la plateforme Workhorse

Workhorse repose sur un cycle d’apprentissage en trois phases : observation, validation humaine et itération du modèle. Chaque agent est d’abord assigné à une tâche précise (ex. : répondre à des appels de courtier, concilier des factures) et placé derrière une porte d’approbation. Durant la phase d’observation, l’agent « regarde » l’opérateur senior et enregistre les décisions prises, les entrées de systèmes (TMS, ERP) et les réponses aux exceptions. Ces traces constituent le jeu de données d’entraînement initial. Ensuite, le modèle sous‑jacent (probablement un LLM spécialisé ou un réseau de décision) propose des actions que les humains doivent approuver, corriger ou rejeter. Chaque validation enrichit le jeu de données, permettant un apprentissage continu sans re‑entraînement complet. Le processus s’appuie sur des API d’intégration aux systèmes existants, garantissant que les agents opèrent dans le même environnement logiciel que les humains.

Performances et validation

Selon le fondateur Urav Shah, un agent moyen atteint 82 % de précision décisionnelle après 24 heures d’apprentissage et peut alors gérer environ 70 % du volume quotidien de travail de façon autonome. Le cas d’usage de MyFreightWorld illustre ces chiffres : en deux mois, les agents ont réalisé plus de 3 500 décisions d’audit avec une précision de 97 %, traitant plus de 600 000 $ de factures. Cette validation montre que, dans un domaine fortement structuré (audit de factures), le modèle peut dépasser la performance humaine tout en restant sous supervision.

Limites et perspectives

Le modèle dépend fortement de la disponibilité de données d’observation de haute qualité ; dans des environnements où les processus sont mal documentés ou très variables, la phase d’observation peut générer des biais. De plus, la porte d’approbation implique un coût humain continu : chaque décision doit être revue tant que le taux d’erreur n’est pas acceptable. L’exigence d’une supervision humaine limite l’échelle de déploiement immédiat, surtout pour des tâches à forte criticité. Enfin, la précision de 82 % après une journée d’apprentissage indique que les agents ne sont pas encore prêts à remplacer des experts dans des scénarios complexes, mais ils peuvent néanmoins alléger les charges de travail répétitives. Evos prévoit de généraliser la disponibilité de Workhorse d’ici la fin de l’année, ce qui nécessitera d’étendre les intégrations système, d’automatiser davantage la boucle de feedback et d’évaluer la robustesse du modèle face à des situations inédites.