{"id":15416,"date":"2026-03-31T21:21:45","date_gmt":"2026-03-31T21:21:45","guid":{"rendered":"https:\/\/a-listware.com\/?p=15416"},"modified":"2026-03-31T21:21:45","modified_gmt":"2026-03-31T21:21:45","slug":"ai-agent-performance-analysis-metrics","status":"publish","type":"post","link":"https:\/\/a-listware.com\/fr\/blog\/ai-agent-performance-analysis-metrics","title":{"rendered":"Mesures d'analyse des performances des agents d'IA : Guide 2026"},"content":{"rendered":"

R\u00e9sum\u00e9 rapide :<\/b> L'analyse des performances des agents d'IA n\u00e9cessite le suivi de mesures dans quatre domaines cl\u00e9s : les performances techniques (ach\u00e8vement des t\u00e2ches, latence, pr\u00e9cision), l'impact commercial (retour sur investissement, r\u00e9duction des co\u00fbts op\u00e9rationnels), la s\u00e9curit\u00e9 et la conformit\u00e9 (taux d'hallucination, incidents de s\u00e9curit\u00e9) et l'exp\u00e9rience des utilisateurs (taux de satisfaction, taux d'adoption). Selon des recherches men\u00e9es \u00e0 Stanford et au MIT, les agents bien impl\u00e9ment\u00e9s atteignent un taux d'ach\u00e8vement de 85-95% pour les t\u00e2ches structur\u00e9es, bien que l'\u00e9valuation reste difficile, 95% des investissements en IA ne produisant pas de retour mesurable en raison de cadres de mesure inad\u00e9quats.<\/span><\/p>\n

La cr\u00e9ation d'agents d'IA est devenue remarquablement rapide. Certaines \u00e9quipes d\u00e9ploient d\u00e9sormais des agents fonctionnels en quelques semaines. Mais il y a un hic : la rapidit\u00e9 ne signifie rien si l'agent n'apporte pas de valeur mesurable.<\/span><\/p>\n

Le v\u00e9ritable d\u00e9fi n'est plus de cr\u00e9er des agents. Il s'agit de prouver qu'ils sont efficaces.<\/span><\/p>\n

Selon des recherches cit\u00e9es dans des analyses sectorielles, les organisations ont souvent du mal \u00e0 d\u00e9montrer que les investissements dans l'IA ont des retomb\u00e9es mesurables. Ce n'est pas parce que la technologie \u00e9choue, mais parce que les organisations ne sont pas en mesure de d\u00e9terminer \u00e0 quoi ressemble r\u00e9ellement le succ\u00e8s. La recherche indique que l'\u00e9valuation de l'IA met souvent trop l'accent sur les param\u00e8tres techniques par rapport aux facteurs \u00e9conomiques et centr\u00e9s sur l'utilisateur.<\/span><\/p>\n

Ce d\u00e9s\u00e9quilibre cr\u00e9e de graves probl\u00e8mes. Les \u00e9quipes techniques se f\u00e9licitent d'une faible latence alors que les dirigeants d'entreprise se demandent o\u00f9 est pass\u00e9 le retour sur investissement. Les \u00e9quipes charg\u00e9es de la s\u00e9curit\u00e9 signalent les cas limites qui ne sont jamais trait\u00e9s en priorit\u00e9. Les utilisateurs abandonnent les agents qui \u201cfonctionnent\u201d techniquement, mais qui sont maladroits.<\/span><\/p>\n

Pourquoi les mesures traditionnelles ne fonctionnent pas pour les agents d'IA<\/span><\/h2>\n

Les agents d'IA ne sont pas des logiciels traditionnels. Ils fonctionnent avec une variabilit\u00e9 inh\u00e9rente - la m\u00eame entr\u00e9e peut produire des sorties diff\u00e9rentes. Ils prennent des d\u00e9cisions autonomes, appellent des outils et g\u00e8rent des flux de travail \u00e0 plusieurs \u00e9tapes.<\/span><\/p>\n

Cela introduit des modes de d\u00e9faillance que le suivi traditionnel des erreurs ne peut pas d\u00e9tecter. Appels d'outils hallucin\u00e9s. Boucles infinies. Actions inappropri\u00e9es qui sont techniquement r\u00e9ussies mais contextuellement erron\u00e9es.<\/span><\/p>\n

Le contr\u00f4le standard du temps de fonctionnement ne permet pas de d\u00e9tecter un agent qui r\u00e9pond rapidement avec des informations totalement erron\u00e9es. Les taux d'erreur ne r\u00e9v\u00e8lent pas un agent qui accomplit des t\u00e2ches mais prend cinq fois plus de temps qu'un humain ne le ferait.<\/span><\/p>\n

Les quatre dimensions fondamentales de la performance des agents d'IA<\/span><\/h2>\n

Une \u00e9valuation efficace des agents n\u00e9cessite un cadre \u00e9quilibr\u00e9. Selon les recherches men\u00e9es par le Digital Economy Lab de Stanford et le National Institute of Standards and Technology (NIST), qui a r\u00e9cemment annonc\u00e9 la mise en place d'une initiative de normalisation des agents d'intelligence artificielle en f\u00e9vrier 2026, une \u00e9valuation compl\u00e8te englobe quatre dimensions essentielles.<\/span><\/p>\n

\"Les<\/p>\n

Chaque dimension r\u00e9pond \u00e0 des besoins diff\u00e9rents des parties prenantes. Les \u00e9quipes techniques ont besoin de mesures op\u00e9rationnelles. Les chefs d'entreprise ont besoin d'une justification financi\u00e8re. Les \u00e9quipes charg\u00e9es de la conformit\u00e9 ont besoin d'une garantie de s\u00e9curit\u00e9. Les utilisateurs finaux ont besoin d'une fiabilit\u00e9 pratique.<\/span><\/p>\n

Mesures essentielles de la performance technique<\/span><\/h2>\n

Les mesures techniques constituent la base. Elles permettent de d\u00e9terminer si l'agent ex\u00e9cute ses fonctions principales de mani\u00e8re fiable.<\/span><\/p>\n

Taux d'ach\u00e8vement des t\u00e2ches<\/span><\/h3>\n

Il s'agit du pourcentage de t\u00e2ches qu'un agent accomplit sans intervention humaine. Les donn\u00e9es de l'industrie montrent que les agents bien impl\u00e9ment\u00e9s atteignent 85-95% d'ach\u00e8vement autonome pour les t\u00e2ches structur\u00e9es.<\/span><\/p>\n

Mais l'accomplissement des t\u00e2ches ne suffit pas \u00e0 rendre compte de la situation. Un agent peut accomplir 90% de t\u00e2ches tout en prenant deux fois plus de temps que n\u00e9cessaire ou en commettant des erreurs critiques en cours de route.<\/span><\/p>\n

Pr\u00e9cision de l'objectif<\/span><\/h3>\n

La pr\u00e9cision des objectifs mesure si les agents atteignent les r\u00e9sultats escompt\u00e9s, et pas seulement l'ach\u00e8vement des t\u00e2ches. Cette mesure principale doit \u00eatre \u00e9valu\u00e9e \u00e0 85%+ pour les agents de production. Toute valeur inf\u00e9rieure \u00e0 80% indique des probl\u00e8mes importants n\u00e9cessitant une attention imm\u00e9diate.<\/span><\/p>\n

La distinction est importante. Un agent peut accomplir une t\u00e2che (ex\u00e9cuter toutes les \u00e9tapes) sans atteindre l'objectif (produire le r\u00e9sultat correct).<\/span><\/p>\n

Temps de r\u00e9ponse et d\u00e9bit<\/span><\/h3>\n

La vitesse a un impact direct sur l'exp\u00e9rience de l'utilisateur. Les agents qui traitent les demandes des clients ont besoin de temps de r\u00e9ponse inf\u00e9rieurs \u00e0 la seconde pour les requ\u00eates simples. Les flux de travail complexes \u00e0 plusieurs \u00e9tapes peuvent prendre plus de temps, mais les utilisateurs ont besoin d'une visibilit\u00e9 sur la progression.<\/span><\/p>\n

Le d\u00e9bit mesure le nombre de demandes qu'un agent traite simultan\u00e9ment. Les agents de production doivent g\u00e9n\u00e9ralement pouvoir traiter des centaines ou des milliers d'op\u00e9rations simultan\u00e9es.<\/span><\/p>\n

Taux de r\u00e9ussite des appels \u00e0 l'outil<\/span><\/h3>\n

Les agents modernes interagissent avec des outils externes, des API et des bases de donn\u00e9es. Chaque point d'int\u00e9gration pr\u00e9sente un risque d'\u00e9chec. Le suivi des appels d'outils r\u00e9ussis ou \u00e9chou\u00e9s r\u00e9v\u00e8le la fiabilit\u00e9 de l'int\u00e9gration.<\/span><\/p>\n

Selon une recherche publi\u00e9e sur arXiv analysant l'\u00e9valuation des agents LLM, les erreurs d'utilisation des outils repr\u00e9sentent un mode de d\u00e9faillance important. Les appels d'outils hallucin\u00e9s - o\u00f9 les agents tentent d'utiliser des fonctions inexistantes - apparaissent fr\u00e9quemment dans les syst\u00e8mes mal configur\u00e9s.<\/span><\/p>\n

Classification et r\u00e9cup\u00e9ration des erreurs<\/span><\/h3>\n

Toutes les erreurs n'ont pas le m\u00eame poids. Une erreur de formatage diff\u00e8re grandement d'une violation de la s\u00e9curit\u00e9. Une surveillance efficace permet de classer les erreurs en fonction de leur gravit\u00e9 et de suivre le succ\u00e8s de la r\u00e9cup\u00e9ration.<\/span><\/p>\n

L'agent peut-il d\u00e9tecter ses propres erreurs ? R\u00e9essaie-t-il de mani\u00e8re appropri\u00e9e ? Fait-il appel \u00e0 des humains lorsque cela est n\u00e9cessaire ? La capacit\u00e9 de r\u00e9cup\u00e9ration est souvent plus importante que les taux d'erreur bruts.<\/span><\/p>\n\n\n\n\n\n\n\n\n\n\n
M\u00e9trique<\/span><\/th>\nFourchette cible<\/span><\/th>\nSeuil d'alerte<\/span><\/th>\nSeuil critique<\/span><\/th>\n<\/tr>\n<\/thead>\n
Taux d'ach\u00e8vement des t\u00e2ches<\/span><\/td>\n85-95%<\/span><\/td>\n<85%<\/span><\/td>\n<75%<\/span><\/td>\n<\/tr>\n
Pr\u00e9cision de l'objectif<\/span><\/td>\n85%+<\/span><\/td>\n<85%<\/span><\/td>\n<80%<\/span><\/td>\n<\/tr>\n
Temps de r\u00e9ponse (simple)<\/span><\/td>\n<1 seconde<\/span><\/td>\n>2 secondes<\/span><\/td>\n>5 secondes<\/span><\/td>\n<\/tr>\n
Temps de r\u00e9ponse (complexe)<\/span><\/td>\n<10 secondes<\/span><\/td>\n>20 secondes<\/span><\/td>\n>30 secondes<\/span><\/td>\n<\/tr>\n
Succ\u00e8s de l'appel \u00e0 outils<\/span><\/td>\n95%+<\/span><\/td>\n<90%<\/span><\/td>\n<85%<\/span><\/td>\n<\/tr>\n
Taux de r\u00e9cup\u00e9ration des erreurs<\/span><\/td>\n80%+<\/span><\/td>\n<70%<\/span><\/td>\n<60%<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Des mesures de l'impact sur l'entreprise qui stimulent la prise de d\u00e9cision<\/span><\/h2>\n

L'excellence technique ne signifie rien si l'entreprise ne peut pas justifier l'investissement. D'apr\u00e8s les enqu\u00eates men\u00e9es dans le secteur, les leaders technologiques consid\u00e8rent la qualit\u00e9 des performances comme une pr\u00e9occupation majeure, mais les parties prenantes ont besoin de preuves financi\u00e8res.<\/span><\/p>\n

Retour sur investissement et \u00e9conomies de co\u00fbts<\/span><\/h3>\n

Le calcul du retour sur investissement des agents d'IA n\u00e9cessite de suivre les co\u00fbts directs et indirects. Les co\u00fbts directs comprennent l'infrastructure, les appels d'API et le temps de d\u00e9veloppement. Les co\u00fbts indirects comprennent les frais g\u00e9n\u00e9raux de surveillance, la correction des erreurs et la maintenance.<\/span><\/p>\n

Les \u00e9conomies proviennent de la r\u00e9duction des co\u00fbts de main-d'\u0153uvre, de l'acc\u00e9l\u00e9ration des d\u00e9lais de traitement et de l'am\u00e9lioration de la pr\u00e9cision. Les recherches men\u00e9es par l'\u00e9cole d'information de Berkeley soulignent que le suivi du retour sur investissement doit tenir compte de l'ensemble du cycle de vie de l'agent, et pas seulement de son d\u00e9ploiement initial.<\/span><\/p>\n

Gains d'efficacit\u00e9 op\u00e9rationnelle<\/span><\/h3>\n

Quelle est la rapidit\u00e9 d'ex\u00e9cution du travail ? Combien d'heures de travail humain sont r\u00e9orient\u00e9es vers des t\u00e2ches \u00e0 plus forte valeur ajout\u00e9e ?<\/span><\/p>\n

Une mesure efficace compare les performances des agents aux performances humaines de r\u00e9f\u00e9rence pour les m\u00eames t\u00e2ches. Les \u00e9quipes qui d\u00e9ploient des agents pour le traitement des factures, le service \u00e0 la client\u00e8le ou la saisie de donn\u00e9es font g\u00e9n\u00e9ralement \u00e9tat d'une r\u00e9duction du temps de 60 \u00e0 80% une fois que les agents ont atteint la maturit\u00e9 de production.<\/span><\/p>\n

Impact sur les revenus et optimisation des conversions<\/span><\/h3>\n

Pour les agents en contact avec la client\u00e8le, c'est l'impact sur le chiffre d'affaires qui compte le plus. L'agent augmente-t-il les taux de conversion ? R\u00e9duit-il les abandons de panier ? Fait-il de la vente incitative de mani\u00e8re efficace ?<\/span><\/p>\n

Les agents charg\u00e9s du commerce \u00e9lectronique qui s'occupent des recommandations de produits doivent suivre les taux de clics, les taux d'ajout au panier et l'ach\u00e8vement de l'achat. Les agents du service client\u00e8le doivent surveiller les taux de r\u00e9solution et l'\u00e9volution de la valeur de la vie du client.<\/span><\/p>\n

Utilisation des ressources et co\u00fbts de mise \u00e0 l'\u00e9chelle<\/span><\/h3>\n

Les agents d'IA consomment des ressources informatiques. L'utilisation de jetons pour les appels LLM, les limites de taux de l'API, les requ\u00eates de base de donn\u00e9es et le temps de traitement contribuent tous aux co\u00fbts d'exploitation.<\/span><\/p>\n

Les syst\u00e8mes de production ont besoin d'un suivi d\u00e9taill\u00e9 des co\u00fbts par t\u00e2che, par utilisateur et par p\u00e9riode. Cette granularit\u00e9 permet d'optimiser le syst\u00e8me en identifiant les op\u00e9rations co\u00fbteuses, les invites inefficaces ou les appels d'outils inutiles.<\/span><\/p>\n

Mesures de s\u00e9curit\u00e9 et de conformit\u00e9<\/span><\/h2>\n

Les d\u00e9faillances en mati\u00e8re de s\u00e9curit\u00e9 peuvent d\u00e9truire instantan\u00e9ment la confiance. Selon des recherches men\u00e9es \u00e0 Stanford et \u00e0 Princeton sur l'\u00e9tablissement de crit\u00e8res agentiques rigoureux, l'\u00e9valuation de la s\u00e9curit\u00e9 devrait \u00eatre syst\u00e9matique et continue, et non pas un point de contr\u00f4le ponctuel.<\/span><\/p>\n

D\u00e9tection et mesure des hallucinations<\/span><\/h3>\n

Les hallucinations - lorsque les agents g\u00e9n\u00e8rent des informations plausibles mais incorrectes - repr\u00e9sentent l'un des modes de d\u00e9faillance les plus dangereux. Dans des domaines \u00e0 fort enjeu comme la finance, une \u00e9tude de r\u00e9f\u00e9rence a r\u00e9v\u00e9l\u00e9 que les mod\u00e8les les plus r\u00e9cents commettaient encore des erreurs critiques dans des environnements contradictoires.<\/span><\/p>\n

Le benchmark CAIA, qui teste les agents d'IA sur les march\u00e9s financiers, a r\u00e9v\u00e9l\u00e9 des lacunes importantes o\u00f9 les mod\u00e8les n'atteignent qu'une pr\u00e9cision de 12-28% sur des t\u00e2ches que les analystes juniors traitent couramment. Rien qu'en 2024, plus de $30 milliards ont \u00e9t\u00e9 perdus \u00e0 cause d'exploits et d'escroqueries sur les march\u00e9s des crypto-monnaies.<\/span><\/p>\n

La mesure des taux d'hallucination n\u00e9cessite une \u00e9valuation humaine, une v\u00e9rification automatis\u00e9e des faits par rapport \u00e0 la v\u00e9rit\u00e9 de base et des boucles de retour d'information de la part des utilisateurs. Les syst\u00e8mes de production devraient suivre la fr\u00e9quence des hallucinations par type de t\u00e2che et par niveau de gravit\u00e9.<\/span><\/p>\n

Suivi des incidents de s\u00e9curit\u00e9<\/span><\/h3>\n

Les agents interagissent avec les syst\u00e8mes sensibles. Ils acc\u00e8dent aux bases de donn\u00e9es, appellent les API et manipulent les donn\u00e9es des utilisateurs. Chaque point d'interaction repr\u00e9sente une vuln\u00e9rabilit\u00e9 potentielle en mati\u00e8re de s\u00e9curit\u00e9.<\/span><\/p>\n

Le Cybersecurity AI Benchmark (CAIBench), un m\u00e9ta-benchmark pour l'\u00e9valuation des agents IA de cybers\u00e9curit\u00e9, met l'accent sur l'\u00e9valuation offensive-d\u00e9fensive syst\u00e9matique. La recherche montre que les mod\u00e8les d'IA de pointe atteignent un succ\u00e8s d'environ 70% sur les mesures de connaissances en mati\u00e8re de s\u00e9curit\u00e9, mais se d\u00e9gradent consid\u00e9rablement pour atteindre un succ\u00e8s de 20-40% dans les sc\u00e9narios adverses \u00e0 plusieurs \u00e9tapes, ce qui indique qu'il y a une marge d'am\u00e9lioration substantielle.<\/span><\/p>\n

Les mesures de s\u00e9curit\u00e9 doivent permettre de suivre les tentatives d'acc\u00e8s non autoris\u00e9, les incidents de fuite de donn\u00e9es, les succ\u00e8s d'injection rapide et les violations de politiques. Les seuils de tol\u00e9rance z\u00e9ro s'appliquent : m\u00eame les incidents isol\u00e9s doivent faire l'objet d'une enqu\u00eate.<\/span><\/p>\n

D\u00e9tection des biais et \u00e9valuation de l'\u00e9quit\u00e9<\/span><\/h3>\n

Les agents d'IA peuvent perp\u00e9tuer ou amplifier les biais pr\u00e9sents dans les donn\u00e9es d'apprentissage. Pour les applications en contact avec la client\u00e8le, les comportements biais\u00e9s entra\u00eenent une responsabilit\u00e9 juridique et une atteinte \u00e0 la r\u00e9putation.<\/span><\/p>\n

L'\u00e9valuation de l'\u00e9quit\u00e9 n\u00e9cessite de tester les r\u00e9ponses des agents \u00e0 travers les groupes d\u00e9mographiques, les cas d'utilisation et les cas limites. L'ensemble de donn\u00e9es StereoSet, d\u00e9velopp\u00e9 par des chercheurs en PNL de McGill, fournit des cadres de mesure de biais standardis\u00e9s qui testent les st\u00e9r\u00e9otypes de race, de sexe, de profession et de religion.<\/span><\/p>\n

Pr\u00e9servation de la vie priv\u00e9e et traitement des donn\u00e9es<\/span><\/h3>\n

Les agents traitent les donn\u00e9es des utilisateurs pour accomplir des t\u00e2ches. Ces donn\u00e9es doivent \u00eatre prot\u00e9g\u00e9es. Les mesures de confidentialit\u00e9 permettent de suivre les p\u00e9riodes de conservation des donn\u00e9es, l'utilisation du cryptage, l'efficacit\u00e9 de l'anonymisation et la conformit\u00e9 avec des r\u00e9glementations telles que le GDPR ou le CCPA.<\/span><\/p>\n

Le CAIBench comprend une \u00e9valuation des performances en mati\u00e8re de pr\u00e9servation de la vie priv\u00e9e gr\u00e2ce \u00e0 sa composante CyberPII-Bench, qui \u00e9value le traitement des informations personnelles identifiables par les agents.<\/span><\/p>\n

Exp\u00e9rience de l'utilisateur et mesures d'adoption<\/span><\/h2>\n

L'excellence technique et la valeur commerciale ne signifient rien si les utilisateurs ne se servent pas de l'agent. Les mesures de l'exp\u00e9rience utilisateur r\u00e9v\u00e8lent si les agents apportent une valeur pratique dans des conditions r\u00e9elles.<\/span><\/p>\n

Satisfaction des utilisateurs et Net Promoter Score<\/span><\/h3>\n

Le retour d'information direct des utilisateurs fournit des informations irrempla\u00e7ables. Les enqu\u00eates post-interaction, les \u00e9valuations de satisfaction et les Net Promoter Scores (NPS) quantifient le sentiment des utilisateurs.<\/span><\/p>\n

Les syst\u00e8mes de production doivent recueillir des informations en plusieurs points - apr\u00e8s l'ach\u00e8vement d'une t\u00e2che, au cours d'interactions prolong\u00e9es et par le biais d'enqu\u00eates p\u00e9riodiques. Les objectifs de satisfaction sont g\u00e9n\u00e9ralement de 4+ sur 5 ou 70%+ d'\u00e9valuations positives.<\/span><\/p>\n

Taux d'adoption et utilisation active<\/span><\/h3>\n

Combien d'utilisateurs pr\u00e9vus utilisent r\u00e9ellement l'agent ? \u00c0 quelle fr\u00e9quence ? Les indicateurs d'adoption r\u00e9v\u00e8lent si les agents apportent suffisamment de valeur pour modifier le comportement des utilisateurs.<\/span><\/p>\n

Une faible adoption malgr\u00e9 de bonnes mesures techniques indique des probl\u00e8mes d'interface utilisateur, une formation insuffisante ou des cas d'utilisation mal align\u00e9s. Une forte adoption initiale suivie d'un d\u00e9clin de l'utilisation indique un enthousiasme initial suivi d'une d\u00e9ception.<\/span><\/p>\n

Indicateurs de confiance et sch\u00e9mas d'escalade<\/span><\/h3>\n

Les utilisateurs font-ils confiance aux r\u00e9sultats des agents ? Les taux d'escalade - la fr\u00e9quence \u00e0 laquelle les utilisateurs demandent une v\u00e9rification humaine ou passent outre les d\u00e9cisions de l'agent - r\u00e9v\u00e8lent les niveaux de confiance.<\/span><\/p>\n

Les taux d'escalade sains varient en fonction du domaine. Les d\u00e9cisions \u00e0 fort enjeu (diagnostics m\u00e9dicaux, transactions financi\u00e8res) devraient avoir des taux d'escalade plus \u00e9lev\u00e9s que les t\u00e2ches \u00e0 faible enjeu (planification, saisie de donn\u00e9es).<\/span><\/p>\n

Qualit\u00e9 du retour d'information et possibilit\u00e9 d'action<\/span><\/h3>\n

La qualit\u00e9 du retour d'information de l'utilisateur compte autant que la quantit\u00e9. Un retour d'information d\u00e9taill\u00e9 permet d'apporter des am\u00e9liorations sp\u00e9cifiques. Les rapports g\u00e9n\u00e9riques \u201cne fonctionne pas\u201d n'ont qu'une valeur limit\u00e9e par rapport \u00e0 \u201cn'a pas r\u00e9ussi \u00e0 traiter les factures avec des codes de devises internationaux\u201d.\u201d<\/span><\/p>\n

Les syst\u00e8mes doivent enregistrer un retour d'information structur\u00e9 - quelle t\u00e2che a \u00e9t\u00e9 tent\u00e9e, ce qui n'a pas fonctionn\u00e9, ce que l'utilisateur attendait et l'importance de l'\u00e9chec.<\/span><\/p>\n

Construire un cadre de mesure<\/span><\/h2>\n

Les mesures individuelles fournissent des points de donn\u00e9es. Un cadre les relie pour en faire des informations exploitables.<\/span><\/p>\n

\u00c9tablissement de la performance de r\u00e9f\u00e9rence<\/span><\/h3>\n

Une mesure efficace n\u00e9cessite des donn\u00e9es de r\u00e9f\u00e9rence. Quelle est la performance actuelle sans l'agent ? Comment les humains effectuent-ils les m\u00eames t\u00e2ches ?<\/span><\/p>\n

L'\u00e9tablissement d'une base de r\u00e9f\u00e9rence devrait permettre de recueillir des informations :<\/span><\/p>\n