Anticiper et apprendre : exploiter les ressources de calcul inactives dans les agents proactifs

Résumé

Bien que les agents d’intelligence artificielle démontrent des capacités remarquables en matière de raisonnement et d’utilisation d’outils, ils restent fondamentalement réactifs : ils ne calculent des réponses qu’après des sollicitations explicites de l’utilisateur. Ce paradigme néglige une opportunité cruciale : le temps d’inactivité entre les interactions est largement perdu, empêchant les agents de se préparer aux besoins futurs de l’utilisateur. Pour combler cette lacune, nous présentons ProAct, une architecture d’agent proactif qui exploite le calcul en temps d’inactivité pour anticiper et satisfaire les besoins futurs probables de l’utilisateur. En analysant l’historique de dialogue en évolution conjointement avec une mémoire persistante, ProAct prédit les besoins à venir et acquiert itérativement des informations, permettant à l’agent de combler les lacunes de connaissances et de préparer des preuves avant que l’utilisateur n’émette une requête. Pour évaluer rigoureusement les capacités proactives, nous introduisons également ProActEval, un référentiel complet comprenant 200 scénarios dans 40 domaines, présentant des chaînes de besoins prévisibles et divers profils cognitifs d’utilisateurs. Les résultats empiriques montrent des avantages significatifs par rapport aux bases réactives. ProAct accélère l’achèvement des tâches en réduisant le nombre de tours requis de 14,8 %, diminue l’effort de l’utilisateur de 11,7 % et réduit les taux d’hallucination de 28,1 % sur ProActEval. De plus, les évaluations MemBench confirment que ProAct atteint une précision réflexive de pointe, soulignant sa performance soutenue et robuste.

English

While AI agents demonstrate remarkable capabilities in reasoning and tool use, they remain fundamentally reactive: they compute responses only after explicit user prompts. This paradigm ignores a critical opportunity: the idle time between interactions is largely wasted, leaving agents unable to prepare for future user needs. To bridge this gap, we introduce ProAct, a proactive agent architecture that leverages idle-time compute to anticipate and fulfill likely upcoming user needs. By analyzing evolving dialogue history together with persistent memory, ProAct predicts upcoming needs and iteratively acquires information, allowing the agent to resolve knowledge gaps and prepare evidence before the user initiates a query.To rigorously evaluate proactive capabilities, we also introduce ProActEval, a comprehensive benchmark comprising 200 scenarios across 40 domains, featuring predictable need chains and diverse user cognitive profiles. Empirical results demonstrate significant advantages over reactive baselines. ProAct accelerates task completion by reducing required turns by 14.8%, decreases user effort by 11.7%, and cuts hallucination rates by 28.1% on ProActEval. Furthermore, MemBench evaluations confirm that ProAct achieves state-of-the-art reflective accuracy, underscoring its sustained and robust performance.