---
title: "Human in the loop : valider l’agent, écouter l’utilisateur"
description: "La porte de validation couvre la moitié du chemin. Le human in the loop fait aussi entrer dans l’agent le jugement, le goût et le vécu des utilisateurs."
url: "https://raconte.ai/fr/blog/human-in-the-loop-automation"
---
[Raconte](/) ⟩ [Blog](/fr/blog)
# Human in the loop : valider l’agent, écouter l’utilisateur
La porte de validation couvre la moitié du chemin. Le human in the loop fait aussi entrer dans l’agent le jugement, le goût et le vécu des utilisateurs.
16 août 2026
Godefroy
Points clés
* Le human in the loop recouvre trois rôles : valider une action, fournir le jugement, le goût ou l’expertise qu’aucun document ne contient, et réinjecter après coup ce que les utilisateurs en ont pensé.
* Presque tous les tutoriels s’arrêtent à l’étape de validation. Cette étape plafonne le débit à la capacité du relecteur, et elle ne voit jamais que le résultat produit par l’agent.
* Le bouton J’aime / J’aime pas et le formulaire ferment rarement la boucle de retour : taux de réponse bas, aucun « pourquoi », des réponses écrites trop courtes, et un échantillon biaisé.
* L’interview vocale asynchrone referme la boucle de retour sans réunion. L’agent la crée en MCP, relit les synthèses, et la boucle tourne en routine.
Un agent qui rédige des emails, c’est une démo. Un agent qui les envoie, c’est une décision. Au moment où on franchit cette ligne, quelqu’un dans l’équipe demande qui contrôle le résultat, et la réponse est presque toujours une étape de validation.
Cette étape est un vrai travail et elle attrape de vraies erreurs. Elle ne fait pourtant que la moitié du chemin. Le human in the loop a une seconde moitié que peu d’équipes construisent, celle qui décide si l’agent s’améliore après la première semaine.
## Le human in the loop et ses trois rôles
Le human in the loop désigne tout point d’un workflow automatisé où une personne prend part à ce que fait l’IA. Avant l’action, un humain valide ce que l’agent s’apprête à faire, ou lui fournit le contexte, l’expertise ou l’avis qui lui manquent. Après l’action, l’expérience des utilisateurs réels revient corriger l’agent. La plupart des équipes construisent la validation et s’arrêtent là.
L’expression vient du machine learning, où un humain annotait les données d’entraînement d’un modèle. Dans un workflow d’agent, elle a pris un sens plus étroit : l’humain intervient sur une exécution en cours plutôt que sur les données d’entraînement.
Ces trois rôles sont constamment confondus, et ça coûte cher.
**La validation** est ce que le human in the loop signifie en pratique pour la plupart des équipes. Les frameworks la livrent par défaut, donc c’est en général le seul qui se construit.
**La consultation** intervient quand l’agent bute sur quelque chose qu’aucun document ne contient : un jugement sur ce qui est bon ou raté, du goût, une expertise pointue, une opinion, le vécu de quelqu’un qui a déjà fait ce travail. Il demande au lieu de deviner. Les frameworks la gèrent aussi bien que la validation. Les équipes s’en servent pour écrire à une personne dans Slack, ce qui marche exactement tant que le savoir d’une seule personne suffit.
C’est le rôle qui sert le plus largement, parce qu’il ne suppose pas que l’agent s’adresse à des clients. Un agent qui rédige, qui trie un backlog ou qui choisit une direction produit a besoin des mêmes choses : quelqu’un pour dire ce qui sonne juste, ce qui a déjà été essayé et raté, ce que ça fait de vivre le problème tous les jours.
**Le retour** atterrit ailleurs : dans le contexte de l’agent, dans son prompt, dans ses règles. Rien n’est bloqué ici. La boucle se referme plus tard, avec une information que le valideur n’avait pas.
On croise aussi « human on the loop » : une personne surveille le système en marche sans approuver chaque étape, et intervient quand quelque chose cloche. Ça se situe entre la validation et le retour : de la supervision, sans porte.
La validation et le retour échouent de manière opposée, et c’est pourquoi la distinction compte. Une porte absente laisse passer une mauvaise action une fois. Une boucle de retour absente laisse passer la même action médiocre indéfiniment, dûment approuvée à chaque fois.
Ces trois rôles se branchent à des endroits différents du système : la consultation et la validation avant que l’action parte, le retour une fois qu’elle a atteint quelqu’un.
flowchart TD
A\[Agent\] -->|une question| C{{Consultation
jugement, goût, expertise}}
C -->|la réponse| A
A -->|action proposée| V{{Validation
un humain approuve}}
V -->|refusé| A
V -->|approuvé| X\[Action exécutée\]
X --> U\[Utilisateur final\]
U --> R{{Retour
le vécu de l’utilisateur}}
R --> P\[Contexte, prompt, règles\]
P --> A
## La porte de validation, et là où elle s’arrête
La mécanique est bien maîtrisée. Dans LangGraph, un nœud appelle `interrupt()`. L’exécuteur sérialise tout l’état dans un checkpoint, déroule proprement la pile et attend. Une personne approuve, corrige ou refuse, et l’exécution reprend exactement à ce checkpoint. Dans n8n, Zapier ou Temporal, la même idée prend la forme d’une étape d’attente qui poste dans Slack et bloque la branche jusqu’au clic. Cette partie du problème est résolue.
Une porte attrape ce qui est visiblement faux au moment de l’action : l’email parti sur la mauvaise liste, le remboursement avec deux zéros de trop, le script de migration pointé sur la prod, l’affirmation que le produit ne peut pas tenir. Sur tout ce qui est irréversible, elle rentabilise son coût tout de suite.
La porte a trois limites.
**Elle plafonne votre débit sur l’attention d’une personne.** Un agent capable de tourner quarante fois par heure, placé derrière un relecteur qui traite quarante validations par jour, tourne quarante fois par jour. La porte devient le planning.
**Elle suppose que le relecteur reste affûté.** L’article d’Emre Turan, _Oversight Has a Capacity_ (juin 2026), pose l’argument directement : l’attention d’un relecteur se dégrade au fil d’une session, donc la qualité de supervision est une ressource qui s’épuise plutôt qu’une constante sur laquelle bâtir un système. L’effet porte un nom, le biais d’automatisation, et Fern Halper, du cabinet AI Foundations Group, le formule crûment dans [TechTarget](https://www.techtarget.com/searchcio/feature/Human-in-the-loop-shouldnt-rubber-stamp-decisions) : « les gens croient simplement ce qui sort, et sont prêts à lui faire confiance. C’est un problème. » Le rapport State of AI in the Enterprise 2026 de Deloitte chiffre à 21 % les entreprises dotées d’un modèle mature de gouvernance de leurs agents. La porte s’installe dans bien plus d’endroits que la discipline nécessaire pour la tenir.
**Elle ne voit jamais que le résultat.** C’est la limite structurelle. Le relecteur lit le brouillon et juge s’il est exact, bien écrit, dans le ton de la marque, et un bon relecteur repérera même une phrase qui sonne condescendante. Aucun relecteur ne peut savoir ce qui s’est passé ensuite : si la réponse a résolu le problème ou seulement fermé le ticket, si la personne avait déjà essayé la solution proposée, si elle a laissé tomber et appelé à la place. La validation mesure l’artefact. Elle ne dit rien de la réception.
La porte attrape
La porte laisse passer
Erreurs factuelles
Oui, si le relecteur connaît le domaine
Actions irréversibles
Oui, c’est son cœur de métier
Écarts de politique et de conformité
Oui, face à une règle écrite
L’action du destinataire ensuite
Le relecteur n’est pas le destinataire
Une réponse juste qui n’a rien résolu
La justesse se voit, l’utilité non
La dérive lente vers du générique
Chaque pièce passe, la moyenne baisse
C’est la dérive vers le générique qui fait mal sur plusieurs mois. Chaque résultat pris isolément est correct. Personne ne peut désigner la pièce qui a raté. La moyenne baisse quand même, parce que le seul signal dans le système est le seuil d’un relecteur pour « assez bon pour partir ».
## Les trois moments où l’humain a sa place
Plutôt qu’une porte unique, il vaut mieux raisonner en moments. La validation et la consultation vivent pendant l’exécution, le retour vient après, et un travail précède ces trois rôles : donner son contexte à l’agent.
Avant l’exécution, l’humain apporte ce contexte : le prompt, les règles, les exemples de ce qui est bon, le vocabulaire maison. La plupart des échecs d’agent remontent à un contexte que l’agent n’a jamais eu, plutôt qu’à une erreur de raisonnement qu’un relecteur aurait pu rattraper en aval.
Pendant l’exécution, l’humain arbitre les cas limites et répond à ce que l’agent ne peut pas trancher seul. C’est là que la porte a sa place, et elle marche mieux quand elle reste étroite. Mettez une porte sur l’irréversible et le coûteux, laissez passer le reste, parce qu’une porte sur tout entraîne le relecteur à cliquer. On oublie que l’humain répond aussi, et un agent qui peut demander est un agent qui arrête d’inventer ce qu’il ne sait pas.
Après l’exécution, l’humain referme la boucle. Des gens réels ont utilisé le résultat, et ce qu’ils en ont pensé repart dans le contexte de l’agent. C’est ce qui rend la fournée suivante meilleure plutôt que simplement approuvée.
Moment
L’apport de l’humain
Le coût
Portée
Avant
Contexte, règles, exemples
Quelques heures, une fois, puis des mises à jour
Toutes les exécutions
Pendant
Un jugement sur les cas limites, et les réponses qui manquent à l’agent
L’attention d’une personne par action
La capacité quotidienne du relecteur
Après
La réaction réelle de l’utilisateur final
Cela dépend entièrement de la méthode de collecte
Aussi loin que la méthode le permet
Donner le contexte et arbitrer les cas limites ont des responsables et des outils évidents. Refermer la boucle est le moment où les équipes attrapent l’outil le plus simple, un bouton J’aime / J’aime pas.
## Pourquoi un bouton J’aime ne fait pas une boucle de retour
Les boutons de notation et les formulaires courts sont la réponse par défaut, et ils sont faibles sur quatre axes à la fois.
Presque personne ne répond. Les enquêtes NPS tournent autour d’un [taux de réponse de 12,4 %](https://frill.co/blog/nps-survey-response-rate) tous secteurs confondus, et les questions posées dans le produit montent entre 20 et 27 % quand elles sont courtes et bien placées. Votre boucle tourne donc sur un quart de vos utilisateurs, dans le meilleur des cas.
Une note ne porte aucun « pourquoi » non plus. Un « J’aime pas » vous dit que quelque chose a cassé et s’arrête là. On ne corrige pas un prompt avec un « J’aime pas », alors quelqu’un devine, et la devinette repart dans l’agent comme si c’était un constat.
Et même quand quelqu’un accepte d’écrire, il écrit peu. On tape autour de [40 mots par minute et on parle autour de 150](https://en.wikipedia.org/wiki/Words_per_minute), donc à temps égal la voix rapporte presque quatre fois plus de matière, sans l’effort de bien formuler. Un champ libre récolte deux phrases expédiées. Cinq minutes de conversation récoltent des exemples, des hésitations et des digressions, qui sont souvent la partie utile.
Reste la question de savoir qui répond vraiment. Les ravis le font, les furieux aussi. La majorité qui a trouvé le résultat moyennement à côté, et qui a discrètement cessé de s’y fier, ne dit rien du tout. Ce milieu silencieux est exactement là où vit la dérive.
Une conversation porte le pourquoi, rapporte bien plus de matière, et vous laisse choisir à qui vous parlez plutôt que d’attendre les volontaires. Le taux de réponse, lui, se joue autant sur la façon dont vous invitez que sur le format.
La méthode est connue. Le coût bloque : trouver un créneau, mener l’appel, prendre des notes, transcrire. Dix interviews par release, c’est une semaine du travail de quelqu’un, donc en pratique ça se fait une fois au lancement et plus jamais.
## Refermer la boucle sans réunion
C’est ce coût que l’interview vocale asynchrone fait disparaître, et c’est pour ça que nous avons construit [Raconte](/fr/blog/introducing-raconte). Vous décrivez l’interview dans un prompt, une IA mène la conversation à la voix, la personne répond quand elle a un moment, et vous récupérez la transcription, un résumé et une analyse de sentiment.
Pour un agent, ce sont des outils comme les autres. Le [serveur MCP](/fr/docs/mcp) en expose six, trois sur les interviews et trois sur les invitations, donc l’agent crée l’interview, envoie les invitations, puis relit les transcriptions et les résumés tout seul. Le [guide d’utilisation MCP](/fr/guides/mcp-usage) donne la formulation exacte de chaque appel.
La chaîne tient parce que les deux systèmes sont asynchrones. Les gens répondent sur deux ou trois jours, et un agent qui travaille déjà en asynchrone ne s’en formalise pas. Il passe à autre chose et revient avec la matière.
Concrètement, sur un agent qui traite des tickets de support :
```
Lundi L'agent traite 200 tickets. 12 passent par la porte et sont relus. Les 188 autres partent, approuvés par règle.
Mardi Une routine prend 20 tickets résolus et crée une interview vocale : « demande si la réponse a résolu le problème, ce qu'il a fallu faire ensuite, et comment la réponse a été perçue. » Les invitations partent en MCP.
Jeudi 9 interviews terminées. L'agent relit les synthèses. Point récurrent : les réponses sont justes et sonnent comme une citation de règlement. Trois personnes ont recontacté le support quand même, faute de savoir si leur dossier était clos.
Vendredi Le prompt gagne une règle sur l'annonce du statut du ticket en mots simples, et deux verbatims de ce que les gens attendaient. Les 200 tickets suivants tournent dessus.
```
Personne n’a planifié d’appel. La correction vient des gens qui ont reçu le résultat, pas de celui qui l’a approuvé. Et elle atterrit dans le prompt, là où elle change le comportement, plutôt que sur une slide de rétrospective.
Le support n’est qu’un cas. Le même enchaînement tient quand l’agent ne s’adresse à personne à l’extérieur : un agent qui prépare des specs interroge les trois personnes qui ont livré la fonctionnalité précédente, un agent qui arbitre une refonte interroge ceux qui passent leurs journées dans l’écran concerné. Seule la liste des invités change.
La même boucle tourne en routine. À chaque release, chaque trimestre, chaque centaine de tickets : le déclencheur vous appartient, et elle n’a plus besoin d’un agenda. C’est elle qui tient la charge, parce que vingt participants de plus coûtent vingt liens de plus.
## Les outils human in the loop, et la moitié qu’ils couvrent
Des produits très différents sortent sous cette même étiquette, et ils règlent des parties distinctes du problème. Nommer la catégorie d’abord vous dit si un outil se situe bien dans la moitié qui vous manque.
La catégorie
Le rôle de l’humain
Exemples
Frameworks d’orchestration avec interruption intégrée
Approuve, corrige ou refuse une exécution en pause, depuis le code
LangGraph, Temporal, Orkes Conductor
Plateformes d’automatisation avec étape de validation
Clique « approuver » dans Slack ou par email, sans code
n8n, Zapier, Make
Validation et demande d’avis autour des appels d’outils
Approuve un appel de fonction, ou répond à une question de l’agent
HumanLayer, Permit.io
Relecture humaine sur les traces et les évaluations
Note et annote de vrais résultats passés, sur un échantillon
Files d’annotation LangSmith, Braintrust
Annotation de données et de préférences
Annote les données sur lesquelles un modèle s’entraîne
Scale AI, Labelbox, Surge AI
Widgets de feedback dans le produit
Note un résultat, en tant qu’utilisateur final
Sprig, Hotjar, Pendo
Interviews vocales asynchrones
Explique ce qu’il a vécu, ou ce qu’il sait
Raconte
Les frameworks d’orchestration, les plateformes d’automatisation et l’infrastructure de validation sont la même porte sous trois formes, et ce qui les sépare est de savoir à qui appartient le workflow. LangGraph et Temporal mettent la pause dans le code, où un ingénieur la relance. n8n et Zapier la posent sur un canevas qu’une équipe ops peut éditer. HumanLayer et Permit.io enveloppent la validation autour de l’appel de fonction lui-même, donc l’agent ne peut pas la contourner même quand le modèle décide d’improviser. HumanLayer expose aussi un outil que l’agent appelle pour joindre un humain et obtenir une réponse, ce qui relève de la consultation plutôt que de la porte. Permit.io arrive par le contrôle d’accès, ce qui convient quand la question est de savoir qui a le droit d’approuver, plutôt que si quelqu’un l’a fait.
La relecture sur les traces et l’annotation de données se ressemblent, et se placent de part et d’autre de l’exécution. Les files d’annotation d’un outil comme LangSmith relisent les vrais résultats de votre agent après coup, ce qui appartient bien à la seconde moitié, avec une réserve : le relecteur reste quelqu’un de votre équipe, donc ça vous dit ce que votre équipe pense du résultat, pas ce que le destinataire en a fait. L’annotation de données, elle, se place avant le modèle, sur les données d’entraînement. C’est le sens d’origine de l’expression, et ça reste la plus grosse industrie qui travaille sous ce nom.
Les widgets de feedback et les interviews sont les seuls à atteindre la personne qui reçoit le résultat. Un widget vous donne sa note, une interview vous donne son raisonnement. L’interview couvre aussi la consultation quand la réponse vit chez plusieurs personnes : demander à vingt clients laquelle des deux options ils utiliseraient vraiment, plutôt que s’en remettre à l’intuition d’un expert dans un fil Slack.
Aucun de ces outils ne couvre l’ensemble. Une douzaine d’interviews donne une direction plutôt qu’une mesure, donc servez-vous-en pour décider quoi changer, et de vos analytics pour décider si le changement a marché. Une boucle qui se referme en deux ou trois jours ne remplace jamais une porte sur une action irréversible. Un agent qui rédige son propre prompt d’interview posera des questions sur ce qu’il croit déjà important, d’où l’intérêt qu’une personne relise ce prompt avant l’envoi, avec une question de fin vraiment ouverte pour attraper ce que l’agent a oublié. Et certains workflows n’ont besoin ni de widget ni d’interview : un agent qui rapproche des factures d’un grand livre dispose d’une vérité terrain pour se contrôler.
## Par où commencer
Construire une étape de validation demande du travail : interrompre proprement, garder l’état, reprendre au bon endroit. Si vous en avez une en production, le plus cher est déjà payé. Écouter ceux qui reçoivent le résultat pèse beaucoup moins lourd, et c’est pourtant la partie qu’on saute. Pour les actions approuvées et envoyées, qui a déjà demandé à la personne d’en face ce qu’elle en a pensé ?
Si la réponse est personne, c’est cette boucle qui vaut le coup, et elle ne demande pas de recâbler l’agent. Il faut juste un moyen d’avoir la conversation sans la planifier. Pour brancher Raconte, il suffit d’une clé API et du serveur MCP ajouté dans votre client. Votre agent peut alors lancer des interviews dès son prochain tour.
Sommaire
[1\. Le human in the loop et ses trois rôles](#le-human-in-the-loop-et-ses-trois-rôles)[2\. La porte de validation, et là où elle s’arrête](#la-porte-de-validation-et-là-où-elle-sarrête)[3\. Les trois moments où l’humain a sa place](#les-trois-moments-où-lhumain-a-sa-place)[4\. Pourquoi un bouton J’aime ne fait pas une boucle de retour](#pourquoi-un-bouton-jaime-ne-fait-pas-une-boucle-de-retour)[5\. Refermer la boucle sans réunion](#refermer-la-boucle-sans-réunion)[6\. Les outils human in the loop, et la moitié qu’ils couvrent](#les-outils-human-in-the-loop-et-la-moitié-quils-couvrent)[7\. Par où commencer](#par-où-commencer)
Sommaire 1\. Le human in the loop et ses trois rôles 2\. La porte de validation, et là où elle s’arrête 3\. Les trois moments où l’humain a sa place 4\. Pourquoi un bouton J’aime ne fait pas une boucle de retour 5\. Refermer la boucle sans réunion 6\. Les outils human in the loop, et la moitié qu’ils couvrent 7\. Par où commencer
Raconte fait parler vos clients et vos experts. L'IA mène l'interview.
Décrivez votre interview, partagez le lien : un agent IA la mène à la voix avec chaque participant. Vous récupérez transcription et analyse.
[En savoir plus](/fr)
[Essayer gratuitement](/login)
Prêt à lancer votre première interview ?
Décrivez votre interview, partagez le lien : un agent IA la mène à la voix avec chaque participant. Vous récupérez transcription et analyse.
[Essayer gratuitement](/login)
## Continuer la lecture
[
28 juin 2026
## Automatiser sa stratégie de contenu avec Claude Tag
Claude Tag rédige à la chaîne, mais à partir de quoi ? Comment lui faire récolter le savoir de vos experts et clients, pour du contenu que les IA citent.
](/fr/blog/claude-tag)[
31 mai 2026
## Découvrez Raconte
Pourquoi nous avons construit une IA qui interviewe à la voix, et comment elle transforme un savoir humain réel en contenu que personne d'autre ne peut écrire.
](/fr/blog/introducing-raconte)