Présentation
Superhuman Inc., anciennement connu sous le nom de Grammarly, a annoncé l’élargissement de Go, sa plateforme d’assistants IA proactifs. L’ajout principal est un assistant personnel que l’utilisateur peut nommer, charger de tâches et autoriser à surveiller projets et listes de tâches en arrière‑plan. La mise à jour comprend également plus de vingt nouveaux agents partenaires – par exemple Legora AB pour le droit, Databricks pour les métriques en temps réel, Amplitude pour la validation d’usage produit et Blackboard pour l’accompagnement académique – ainsi qu’une version mise à jour de Fathom, l’application de prise de notes qui se connecte nativement à l’ensemble de la suite Superhuman.
Fonctionnement de l’assistant et intégration
L’assistant personnel agit comme un « jeu d’yeux et d’oreilles » : il repère les tâches à accomplir, propose des étapes suivantes, résume les comptes‑rendus de réunions et rédige des courriels dans la voix de l’utilisateur. Il apprend progressivement du style de rédaction grâce aux réponses précédentes, ce qui améliore la cohérence des brouillons. L’intégration s’étend à Docs, où les utilisateurs peuvent mentionner un agent avec le symbole @ pour lui confier une action ; les agents peuvent être déclenchés par des règles même lorsque le document est fermé, mettant à jour les données en temps réel. Dans Mail, les agents suggèrent du texte pendant la rédaction et extraient des informations depuis Slack, des notes de réunion ou des documents internes. Le SDK de Go est désormais disponible en version générale, permettant aux partenaires de créer et de déployer leurs propres agents qui apparaissent partout dans la suite.
Analyse des gains de productivité et limites
Superhuman indique que les brouillons automatiques font gagner en moyenne neuf minutes par rédaction. Pour un utilisateur répondant à quatre courriels par jour, cela représente environ trois heures économisées chaque semaine. Cette économie repose sur l’hypothèse que les suggestions sont acceptées sans révision majeure, ce qui n’est pas mesuré dans les données publiées. Le modèle d’apprentissage du style repose sur l’accès continu aux communications de l’utilisateur, soulevant des questions de confidentialité et de contrôle des données. De plus, l’efficacité des plus de vingt agents partenaires dépend de la qualité des API tierces, mais aucune métrique de précision ou de taux d’erreur n’est fournie. Enfin, le besoin d’une approbation explicite de l’utilisateur avant chaque action limite le degré d’autonomie de l’assistant, ce qui peut réduire les gains potentiels dans des scénarios à forte intensité de tâches répétitives.