Récemment, j'ai assisté à plusieurs rencontres Crypto en personne, et en discutant avec quelques enseignants, j'ai découvert que tout le monde apprend activement à développer ses compétences en IA.

La raison est simple : ne pas être éliminé lors de la prochaine mise à jour des outils d'efficacité.
Mais tout le monde sait probablement que l'IA n'est pas immédiatement utilisable dès qu'on l'ouvre.
Prenons l'exemple de mes débuts avec OpenClaw : quand j'ai vu quelqu'un recommander Skill sur X, je l'ai installé presque entièrement.
Résultat, j'ai vite réalisé que beaucoup de Skill semblaient très puissants, mais ne convenaient pas à mon contexte de travail, et au contraire, rendaient mon crabe de plus en plus stupide.
J'ai dû alors supprimer, ajuster et tester sans cesse.
C'est aussi la situation réelle de beaucoup d'utilisateurs d'IA aujourd'hui :
les modèles deviennent plus puissants, les outils plus nombreux, mais les choses à apprendre pour l'utilisateur aussi, et le seuil d'entrée pour utiliser l'IA devient de plus en plus élevé.
C'est le problème que xBubble veut résoudre.
@xBubble_ai est un produit d'Agent IA lancé par l'équipe @dappOS_com, dont la position centrale est l'IA Low-prompt.
Pour faire simple, cela consiste à réduire autant que possible la dépendance de l'utilisateur aux prompts complexes, au choix d'outils et à la configuration des workflows.
Il ne s'agit pas de transformer l'utilisateur en expert en IA, mais plutôt de faire en sorte que l'IA utilise l'IA pour l'utilisateur.
//
xBubble repose principalement sur deux systèmes.
La première couche est Bubble Pilot, que l'on peut comprendre comme un centre de gestion des tâches.
Après qu'un utilisateur ait formulé une demande simple, Pilot détermine d'abord le type de tâche, puis associe un SOP approprié.
S'il existe un processus éprouvé, il suit le chemin d'optimisation ; s'il n'y a pas de SOP correspondant, il revient à un Agent général pour terminer la tâche.
Ici, le SOP peut être compris comme une méthode de travail déjà vérifiée.
Par exemple, pour un projet de recherche, cela peut impliquer la collecte de documents, le filtrage d'informations, la structuration, la synthèse d'idées et la révision de contenu.
L'utilisateur voit une demande en une phrase, mais ce qui détermine réellement la qualité du résultat, c'est la stabilité de cette voie d'exécution.
La deuxième couche est Bubble Engine, qui ressemble davantage à un système d'apprentissage en arrière-plan.
Il teste différentes combinaisons de modèles, d'outils et de workflows, sélectionne les solutions les plus stables, et les consolide en SOP réutilisables.
Autrement dit, l'utilisateur n'a pas besoin d'écrire ses Skills, d'ajuster ses prompts ou d'essayer divers outils : le système essaie d'accomplir ces tâches en coulisses autant que possible.
//
En termes de produits, xBubble propose aussi deux environnements d'exécution.
Bubble Computer ressemble à une plateforme de travail cloud, adaptée aux tâches en plusieurs étapes comme la recherche, l'écriture, la conception ou la gestion de documents.
Le système peut invoquer des capacités à la demande dans un environnement sandbox, sans que l'utilisateur ait à gérer les processus intermédiaires.
Bubble Personal est davantage orienté vers un flux de travail local personnel, pouvant se connecter aux fichiers, navigateurs, applications et agendas avec l'autorisation de l'utilisateur.
Les opérations impliquant l'installation, le téléchargement ou des modifications système seront exécutées et détruites dans un conteneur cloud, le seul accès local étant pour des actions explicitement autorisées.
//
Je comprends donc que l'objectif principal de xBubble est de tenter de produire une expérience utilisateur professionnelle en IA.
Si on ramène cette logique au scénario initial où je bricolais avec OpenClaw, la différence est évidente.
Avant, je devais installer Skill, faire des ajustements et tester les résultats moi-même.
Avec xBubble, il suffit de préciser ce que je veux faire, et Pilot déterminera le type de tâche puis associera le SOP correspondant.
Autrement dit, la partie qui nécessitait auparavant une installation, un débogage et une validation répétée sera autant que possible confiée au système.
Je pense que la direction ultime de l'IA ne sera pas que tout le monde apprenne à écrire des prompts.
Mais que la majorité des gens n'aient pas besoin de connaître ce qu'est un prompt, un Skill ou un workflow d'Agent, tout en obtenant des résultats relativement stables et livrables.