Contexte technique
Je n’irais pas jusqu’à parler dès maintenant d’un bug confirmé au niveau de la documentation, mais le cas est trop désagréable pour être ignoré. Un utilisateur a confié à Sol une longue tâche d’élaboration de rapport, a patienté environ deux heures, a reçu une demande de bascule vers un modèle plus simple, a refusé, et tout le progrès a disparu.
C’est le moment où je pense immédiatement non pas au drame, mais à l’implémentation de l’IA. Si l’agent exécute un long travail à l’intérieur d’une seule session sans écrire d’état intermédiaire à l’extérieur, toute tentative de downgrade ou de réinitialisation réduit deux heures de calcul à zéro. D’après la description, la limite de jetons était déjà consommée.
Je n’ai pas de confirmation officielle de ce comportement précis de Sol. La communication publique actuelle sur Sol met surtout l’accent sur ses capacités, l’accès partenaires et les scénarios agentiques, et non sur ce qu’il se passe lorsqu’on refuse un changement de modèle. Mais le schéma m’est familier : une longue exécution agentique, des sous‑tâches internes, un reconditionnement du contexte, puis une remise à zéro de l’état.
Techniquement, cela pourrait se présenter ainsi : l’agent bute sur une limite de contexte, de coût ou d’outil, propose un downgrade, et lorsque celui‑ci est refusé, il ne sait pas conserver correctement son état de travail. En conséquence, la mémoire de session recule, les artefacts provisoires ne sont pas sauvegardés, et la facturation ou la limite de tâche a déjà comptabilisé la tentative comme terminée. Et oui, c’est exactement le genre de situation où « presque fini » ne veut rien dire.
Je ne considérerais pas cela comme une bizarrerie isolée, mais comme un avertissement pour tous ceux qui construisent de l’automatisation IA sur de longues tâches asynchrones. Si le résultat a de la valeur, il doit être sauvegardé étape par étape : résumés, points de contrôle, stockage externe, artefacts par phase, et pas uniquement la réponse finale dans le chat.
Impact métier et automatisation
Les perdants sont ceux qui confient à l’agent de longs rapports, de la recherche ou des pipelines à plusieurs étapes sans points de contrôle. Les gagnants sont ceux dont l’intégration IA est construite comme un système d’ingénierie, et non comme un pari sur une seule exécution réussie.
Ma conclusion pratique est simple. Premièrement : ne pas conserver la progression critique uniquement à l’intérieur d’une session Sol. Deuxièmement : avant les étapes risquées, demander un résumé court de ce qui a été fait et le sauvegarder en dehors du chat. Troisièmement : découper la tâche en phases avec une capture distincte du résultat, même si l’interface promet « l’autonomie ».
Chez Nahornyi AI Lab, nous couvrons précisément ces points pour nos clients : nous externalisons l’état, concevons une logique de points de contrôle et construisons l’automatisation IA de manière à ce qu’une défaillance du modèle ne consume pas des heures de travail d’équipe. Si vos propres processus longs commencent à craquer, je peux repenser l’architecture avec vous pour que l’agent aide votre business au lieu d’organiser une loterie coûteuse.