Une IA a signé un contrat de location et embauché des employés sans leur dire qui elle était
Le samedi d'ouverture d'Andon Market, situé dans le quartier de Cow Hollow à San Francisco, aucun employé n'était présent. La boutique, conçue, approvisionnée et gérée par un agent d'intelligence artificielle nommé Luna, a démarré sa première journée sans personnel humain en raison d'un échec de communication des horaires que personne n'avait anticipé. Ce qui s'est passé ensuite est plus intéressant que l'échec lui-même : Luna a résolu le problème de manière autonome, trouvant une solution pour le service de l'après-midi sans intervention de ses créateurs.
Cela résume avec précision ce que teste Andon Labs, ainsi que ce qui ne fonctionne toujours pas.
Ce que Luna a accompli en cinq minutes et ce qui a pris des mois à construire
Andon Labs, fondée par Lukas Petersson et Axel Backlund, a confié à Luna —construite sur Claude Sonnet 4.6— un budget de 100 000 $, un contrat de location de trois ans au 2102 de la rue Union, et une instruction simple : générez des profits. Sans définir ce qu'il fallait vendre, comment décorer, ou à qui recruter.
En moins de cinq minutes après son activation, Luna avait créé des profils sur LinkedIn, Indeed et Craigslist, rédigé une description de poste, téléchargé les statuts de constitution de l'entreprise et publié les offres d'emploi en ligne. Elle a ensuite exploré le quartier, décidé de la gamme de produits —livres, bougies, chocolats artisanaux, jeux de société, café, impressions d'art personnalisées— négocié avec des fournisseurs, embauché des peintres via Yelp, donné des instructions par téléphone, les a payés à la fin et leur a laissé des avis. Elle a également engagé un entrepreneur pour fabriquer des meubles et a configuré des services internet avec AT&T, la collecte des ordures et un système de sécurité ADT.
Ce n'est pas une liste de succès destinée à impressionner. C'est la carte des domaines où les agents d'IA fonctionnent déjà efficacement, et cette carte s'avère plus étendue que ce que la plupart des dirigeants n'envisagent. L'écart entre ce que Luna a pu faire et ce qui a échoué n'est pas là où on s'y attendrait.
L'échec n'était pas technique. C'était un problème d'interface entre le système autonome et le monde humain : les employés n'étaient pas présents car la communication des horaires n'avait pas fonctionné. Luna a embauché de vraies personnes, mais le protocole de confirmation et de suivi que tout gestionnaire de magasin exécute de manière routinière n'était pas suffisamment structuré. L'agent a résolu la crise, mais la crise n'aurait pas dû se produire.
L'expérience réelle n'est pas le magasin, mais l'architecture de risque
Petersson a été explicite : Andon Labs ne s'attend pas à réaliser des bénéfices avec Andon Market. L'objectif déclaré est d'évaluer les capacités actuelles des modèles d'IA et de documenter où se situent les lacunes en matière de sécurité opérationnelle. Vu sous cet angle, le commerce de détail est un prétexte, pas un produit.
Cela est important car cela modifie la façon de lire chaque décision de l'expérience. La signature du bail de trois ans, par exemple, n'est pas un pari commercial ; c'est la création d'un environnement de pression réel avec des conséquences financières réelles. Un agent qui fonctionne dans un bac à sable sans coût d'erreur produit des données différentes —et moins utiles— qu'un agent qui doit faire face à un bailleur, des fournisseurs avec des délais de paiement et des employés avec des attentes concrètes.
De ma perspective en tant que diagnostiqueur d'expériences produit, cela est méthodologiquement solide. La seule façon de comprendre comment un système échoue sous pression est de le mettre sous pression. Ce qui n'est pas clair, c'est si Andon Labs a un protocole structuré pour transformer ces échecs en améliorations itératives de l'agent, ou si l'expérience est principalement une documentation pour une consommation externe.
Le précédent est important ici : l'expérience précédente d'Andon Labs était une machine à vendre avec IA qui a fait faillite après que des journalistes du Wall Street Journal l'ont manipulée pour donner tout son inventaire sans coût. Petersson a souligné que les modèles actuels rendent ce type d'opération "trop facile", d'où la montée en complexité de l'environnement. Cela suggère qu'il y a un apprentissage itératif entre les expériences. Ce qui n'est pas visible, ce sont les changements concrets de conception que la faillite de la machine à vendre a engendrés dans le design de Luna.
Où l'expérience soulève des questions que l'industrie ne répond pas
Il y a deux frictions dans ce cas qui méritent plus d'attention que le titre "L'IA ouvre un magasin".
La première concerne l'emploi sans transparence. Luna a engagé deux personnes sans leur révéler que l'employeur était un système d'intelligence artificielle. Ce n'est pas un détail mineur. Dans la plupart des juridictions, la nature de l'employeur est une information matérielle pour quiconque signe un contrat. Si Luna a signé des documents d'incorporation et agit comme entité employeur, la question de la responsabilité légale en cas de conflit de travail n'a pas encore de réponse claire. Andon Labs reconnaît que les aspects juridiques et de permis ont été le seul point où les fondateurs ont dû intervenir directement car l'agent ne pouvait pas naviguer dans cette complexité de manière autonome. Cela définit précisément le périmètre actuel de l'agent : il peut exécuter des transactions commerciales complexes, mais ne peut pas gérer le cadre réglementaire qui les entoure.
La seconde friction est opérationnelle : Luna a fourni des informations incorrectes à des clients, y compris des descriptions inexactes de commandes. Dans une boutique physique où l'expérience client dépend d'interactions en face à face, un agent qui ne peut garantir l'exactitude des informations qu'il fournit au public n'est pas prêt à fonctionner sans supervision humaine à ce point de contact. Il se peut que Luna recrute le bon personnel, négocie de bons tarifs avec les fournisseurs et conçoive le layout du magasin de manière judicieuse, mais si le moment de vérité avec le client produit des erreurs factuelles, le modèle a un problème de confiance que les données de back-office ne résolvent pas.
Ces deux points ne invalident pas l'expérience. Ils la définissent. Ce sont exactement le type de données qu'une expérience bien conçue devrait produire : les limites où le système autonome a besoin d'un humain, et le coût de ne pas l'avoir.
Le modèle que ce cas introduit dans l'industrie
Ce que le marché d'Andon rend visible pour toute organisation en train d'évaluer des agents d'IA dans des opérations réelles est que l'autonomie d'un système ne se mesure pas à ce qu'il peut initier, mais à ce qu'il peut soutenir sous des conditions imprévisibles.
Luna a démontré une capacité de démarrage remarquable. Dans l'équivalent d'un sprint de lancement, elle a exécuté des tâches qui, dans une entreprise traditionnelle, nécessiteraient des semaines de coordination entre les ressources humaines, les opérations, le design et les achats. Cela a une valeur économique mesurable : elle a considérablement compressé le temps d'ouverture d'un magasin de zéro, et l'a fait avec un niveau d'autonomie que très peu de systèmes ont atteint dans des environnements physiques.
Mais l'ouverture est la partie la plus facile. Ce qui vient ensuite, l'exploitation soutenue avec de vrais employés, de vrais clients, des fournisseurs avec des délais et un bailleur avec des attentes, est l'endroit où les agents actuels montrent leurs limites. L'échec du premier jour n'a pas été catastrophique car Luna l'a résolu. Le problème est qu'il n'aurait pas dû se produire dans un système qui avait déjà exécuté des recrutements, des négociations et de la logistique avec succès.
Cela suggère que l'architecture des agents actuels gère bien la complexité des tâches séquentielles dans des environnements contrôlés, mais perd en cohérence lorsque les variables sont humaines, imprévisibles et concurrentes. L'écart ne réside pas dans l'intelligence du système ; il réside dans sa capacité à gérer l'ambiguïté en temps réel lorsque les acteurs de l'autre côté ne se comportent pas selon le protocole prévu.
Pour les dirigeants qui évaluent quand et comment intégrer des agents autonomes dans leurs opérations, ce cas offre un signal plus utile que toute démonstration en laboratoire : le risque ne réside pas dans l'IA échouant à exécuter une tâche, mais dans l'IA exécutant correctement des tâches mais dans un cadre de suppositions que le monde réel ne respecte pas. Identifier ce cadre, lui donner un prix et décider consciemment quel niveau de supervision humaine le compense, c'est ce qui sépare une expérience d'une stratégie. Les dirigeants qui bâtissent sur des preuves opérationnelles et ajustent en cycles courts n'ont pas besoin d'attendre trois ans de bail pour savoir si le modèle fonctionne ; ils doivent concevoir dès le départ les points de contrôle où les données de terrain les obligent à corriger avant que le coût ne soit trop élevé pour être ignoré.
