fr.wedoany.com Rapport : Strivr estime que la formation avant le travail a ses limites et que l’intelligence fournie pendant le travail constitue un produit bien plus précieux. Cette entreprise de plateforme de formation professionnelle a récemment lancé une plateforme intelligente pour le terrain, marquant son passage de la formation en réalité virtuelle à l’assistance en temps réel au travail. Basée sur un modèle de langage visuel personnalisé, cette plateforme est délivrée via des lunettes intelligentes. Le système détecte en temps réel les erreurs des employés lors de l’exécution des tâches et fournit des instructions correctives mains libres, contrairement aux simulations effectuées uniquement avant le début des tâches.
Strivr a été fondée à l’Université de Stanford, où le PDG Derek Belch a rédigé une thèse sur l’impact de la réalité virtuelle sur les performances sportives, testant ce concept sur des joueurs de football avant de l’introduire en entreprise. Son modèle commercial a toujours été centré sur le changement de comportement, et non sur la diffusion de contenu. Depuis sa création, la plateforme collecte plus de 100 points de données par seconde pour chaque apprenant, suivant le regard, les mouvements, la posture, la voix et les émotions, et pas seulement l’état d’achèvement. Cette base de données comportementales est désormais le fondement d’une vision plus ambitieuse. La plateforme intelligente pour le terrain utilise des lunettes intelligentes pour capturer l’exécution réelle — vidéo, audio, contexte du flux de travail et progression des tâches — et les traite via un modèle de langage visuel spécialement entraîné pour chaque environnement client. Lorsqu’un opérateur d’entrepôt classe mal les marchandises, oublie de scanner ou saute une étape de vérification, le système les signale en temps réel et fournit des instructions correctives mains libres avant que les erreurs ne s’accumulent.
Cette plateforme cible précisément les coûts opérationnels significatifs causés par les erreurs d’exécution fréquentes. Strivr cite des données tierces : les erreurs de prélèvement en entrepôt représentent 23 % des inefficacités de traitement des commandes ; les erreurs humaines causent environ 20 % des arrêts de production non planifiés, coûtant aux fabricants industriels environ 50 milliards de dollars par an ; près de 25 % des visites de service sur site nécessitent une nouvelle intervention ; les restaurants à service limité font face à un taux de rotation annuel du personnel de 110 % ; les erreurs médicales évitables coûtent environ 20 milliards de dollars par an au système de santé américain. Le taux de rotation annuel de 110 % dans la restauration rapide est particulièrement révélateur — avec un tel taux, la formation devient un coût permanent avec une durée de validité très courte. Une couche intelligente toujours active, capable de guider n’importe quel employé dans n’importe quelle tâche, quelle que soit son ancienneté, transforme l’économie unitaire des opérations de terrain.
L’architecture technique de la plateforme intelligente pour le terrain se décompose en quatre étapes. La première étape capture le flux de travail sur le terrain via des lunettes intelligentes ; la deuxième entraîne un modèle de langage visuel pour les outils, environnements et processus spécifiques de chaque client ; la troisième détecte en temps réel et fournit des instructions correctives mains libres ; la quatrième prétend permettre une amélioration continue à mesure que davantage de données d’exécution sont accumulées. Cette approche de VLM personnalisé par client résout une véritable limitation de l’IA générique dans les opérations d’entreprise : un modèle entraîné sur des données d’entrepôt génériques ne peut pas identifier de manière fiable l’ordre d’assemblage, les outils propriétaires ou l’agencement des installations d’un client spécifique. Cependant, cela soulève des questions sur la quantité minimale de données nécessaire pour atteindre une fiabilité opérationnelle, le calendrier de déploiement et la manière de valider la précision avant le déploiement. La page de la plateforme décrit le résultat de la deuxième étape comme « un modèle d’IA spécialement entraîné sur la manière dont le travail est effectué dans votre environnement ». Les acheteurs en phase d’acquisition devraient particulièrement se renseigner sur la durée nécessaire à l’entraînement du modèle, la quantité de données de flux de travail à capturer, et les critères de précision que Strivr garantit avant le déploiement dans un environnement opérationnel réel.
Les antécédents de Strivr en matière de formation en réalité virtuelle sont bien documentés. L’intégration chez Walmart est passée de 8 heures à 15 minutes ; les employés de Verizon se sont sentis 97 % mieux préparés après une formation sur les tirs actifs. Un employé de Walmart a publiquement déclaré qu’après l’expérience VR, il avait l’impression d’avoir réellement pris ces décisions en magasin, se sentant ainsi très à l’aise pour se rendre directement en rayon. La plateforme intelligente pour le terrain est délivrée via des lunettes intelligentes, et le confort de l’appareil pendant un quart de travail complet, l’hygiène des appareils partagés, l’intégration de la gestion des appareils mobiles et l’acceptation par les employés doivent être validés dans chaque environnement spécifique. Bien que l’infrastructure d’entreprise de Strivr couvre déjà le support de la gestion des appareils mobiles, l’intégration d’entreprise, ainsi que la sécurité et la conformité, la couche politique concernant l’enregistrement, le stockage et les droits d’accès au contenu capturé en continu nécessite que le client effectue lui-même le travail de gouvernance.
Strivr a fait un pari logiquement cohérent dans le domaine du travail immersif. Le passage de la formation avant le travail à l’intelligence au travail est la bonne direction, l’architecture VLM personnalisée par client est la bonne méthode, et le cadre des problèmes transversaux repose sur des données de coûts opérationnels réels. Cependant, aucune donnée sur les résultats de la plateforme intelligente pour le terrain n’a encore été rendue publique, comparable aux normes de preuve de résultats établies par la tradition de la formation en réalité virtuelle. Cela correspond au statut de la plateforme, encore en phase d’accès précoce. Les acheteurs disposant d’opérations de terrain à fort volume, de coûts d’erreur d’exécution significatifs et d’une volonté d’adoption précoce sont des cibles appropriées ; ceux qui ont besoin d’un historique de déploiement complet pour s’engager devraient suivre de près et réévaluer dans 12 mois.
