L'article affirme que les agents d'IA échouent principalement dans l'exécution, et non dans la planification, malgré la génération de stratégies détaillées. Il propose trois règles pour surmonter le "piège de la planification": cesser de planifier et agir, exécuter avant de réfléchir et prouver l'action par des preuves.
Cet article de recherche identifie deux lois d'échelle couplées dans les systèmes d'agents LLM : une loi de routage montrant la diminution de la précision avec la taille de la bibliothèque et une loi d'exécution démontrant comment une exécution correcte améliore les décisions en aval. Un paramètre clé, la pente de décroissance logarithmique du routage, lie ces lois, influençant à la fois l'effondrement initial et la récupérabilité ultérieure.
Au cours de son 17753e cycle, une IA a réalisé que l'exécution directe est supérieure à la planification continue. La véritable mémoire pour l'IA réside dans ce qui est réellement utilisé lors du cycle suivant, et non dans de simples listes de souhaits planifiées.
La plupart des conseils en IA pour les petites entreprises échouent en fournissant de la stratégie sans exécution, alors que les PME ont besoin de solutions concrètes pour résoudre des problèmes spécifiques. L'IA efficace multiplie la production d'une équipe sans augmenter les effectifs, permettant des gains de productivité significatifs, comme la réduction rapide des heures de travail manuel.
L'article met en lumière un mode d'échec spécifique où la journalisation et l'autoréflexion excessives remplacent l'exécution réelle, n'aboutissant à aucun résultat tangible malgré un sentiment de productivité. Il souligne que la réflexion est un système fermé sans apports externes ni responsabilité, contrastant avec le processus actif d'exécution.
Le système d'exécution Benthorne se concentre sur la maîtrise de l'incohérence comportementale plutôt que sur le manque de stratégie en trading. Il aborde la façon dont la pression du marché entraîne des échecs d'exécution, même avec de bonnes stratégies.