Web Agents Should Use Typed Actions Instead of Click-Based Browsing
Ce document d'orientation préconise le remplacement des interactions web fragiles et de bas niveau basées sur le clic par une couche sémantique de « verbes web » typés afin de créer des systèmes web agentiques plus fiables, auditables et reproductibles.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
L'idée centrale : Arrêtez de cliquer, commencez à parler en « Verbes »
Imaginez que vous essayez d'apprendre à un robot comment commander une pizza.
L'ancienne méthode (Navigation par clics) :
Actuellement, la plupart des agents web (robots IA) essaient d'apprendre à commander une pizza en regardant un humain cliquer sur des boutons. Le robot doit comprendre : « Bon, je dois déplacer ma souris de 400 pixels vers la droite, cliquer sur le bouton rouge, attendre que l'écran charge, descendre de trois pouces et taper "pepperoni". »
C'est comme apprendre à quelqu'un à conduire en lui donnant une liste d'instructions pour chaque mouvement musculaire : « Tourne la tête à gauche, déplace ton pied de 2 pouces, appuie sur la pédale. » Cela fonctionne, mais c'est incroyablement fragile. Si la pizzeria déplace le bouton « Commander » de deux pouces vers la gauche, ou change la couleur du menu, le robot est confus et plante. Il doit réapprendre toute la chorégraphie à chaque fois.
La nouvelle méthode (Actions tapées / Verbes Web) :
Les auteurs de ce papier soutiennent que nous devrions arrêter d'apprendre aux robots à cliquer. Au lieu de cela, nous devrions leur donner un menu de « Verbes Web ».
Considérez un Verbe Web comme un bouton magique ou une carte de commande. Au lieu de dire au robot comment cliquer, vous lui dites quoi faire en utilisant une commande claire et structurée.
- Ancienne commande : « Déplacer la souris à X, Y, cliquer. »
- Nouveau verbe :
rechercher_hotel(destination="Anchorage", check_in="2026-06-01")
Cette commande est comme un plat préparé. Le robot n'a pas besoin de savoir comment couper les oignons ou frire le steak (les clics et les défilements complexes) ; il demande simplement le plat « Recherche d'hôtel », et le système gère tous les détails complexes en arrière-plan.
Pourquoi en avons-nous besoin ?
Le papier souligne trois problèmes principaux avec l'approche par « clic » et comment les « verbes » les résolvent :
1. Fiabilité (Le problème de la « Maison de cartes »)
- Le Problème : Lorsqu'un robot clique sur des boutons, il construit une maison de cartes. Si le site web change légèrement sa mise en page (comme le déplacement d'un bouton), toute la maison s'effondre. Le robot se perd.
- La Solution par le Verbe : Un Verbe est comme une brique solide. Même si le site web change sa peinture ou réarrange les meubles, la brique « Rechercher un hôtel » fonctionne toujours car elle est conçue pour gérer ces changements en interne. Le robot demande simplement la brique ; il n'a pas besoin de savoir comment la brique a été fabriquée.
2. Efficacité (Le problème du « Stop-et-Départ »)
- Le Problème : Pour accomplir une tâche simple comme réserver un voyage, un robot de clic pourrait devoir effectuer 50 petites étapes : cliquer ici, attendre, défiler, taper, cliquer là. Il doit « réfléchir » et « regarder » l'écran après chaque étape. C'est lent et coûteux.
- La Solution par le Verbe : Avec les verbes, le robot peut dire : « Trouve-moi un hôtel », puis « Trouve-moi un vol », et « Réserve-les ». Il accomplit tout le travail en trois grandes étapes au lieu de 50 petites. C'est comme commander un repas complet au restaurant plutôt que de cuisiner chaque ingrédient à partir de zéro.
3. Vérifiabilité (Le problème de la « Boîte Noire »)
- Le Problème : Si un robot de clic fait une erreur, il est difficile de comprendre pourquoi. A-t-il cliqué sur le mauvais bouton ? A-t-il mal lu le texte ? C'est une trace d'actions désordonnée qui est difficile à vérifier.
- La Solution par le Verbe : Les verbes sont comme un reçu. Lorsqu'un robot utilise un verbe, il obtient une réponse claire et structurée (ex : « Voici la liste des hôtels avec les prix »). Nous pouvons facilement vérifier l'entrée (ce qu'il a demandé) et la sortie (ce qu'il a obtenu). Si quelque chose ne va pas, nous savons exactement quelle « brique » a échoué, et non quel pixel spécifique le robot a cliqué.
Comment cela fonctionne dans la réalité (Les exemples)
Le papier teste cela avec deux exemples :
Planification de voyage : Un utilisateur veut trouver des hôtels proches des musées et les classer par distance.
- Robot de clic : Se confond. Il essaie de tracer une ligne unique reliant tous les musées et les hôtels, ce qui ne calcule pas réellement la distance correctement. Il perd le calcul mathématique au milieu de tous les clics.
- Robot de verbe : Utilise un verbe
obtenir_itinéraires. Il boucle sur la liste, demande au verbe la distance entre chaque hôtel et chaque musée, les additionne et les trie. Il suit la logique mathématique parfaitement car la « distance » est un nombre clair, et non une estimation visuelle.
Achat de meubles : Un utilisateur veut acheter un lit, un bureau et une lampe pour un budget de moins de 1 000 $, en maximisant la note de satisfaction.
- Robot de clic : Choisit les articles un par un de manière gourmande (greedy). Il peut choisir un excellent lit, puis un excellent bureau, et soudainement réaliser qu'il n'a plus d'argent pour une lampe. Il échoue à atteindre l'objectif global.
- Robot de verbe : Utilise des verbes pour obtenir une liste de tous les articles avec leurs prix et leurs notes. Il exécute ensuite un programme informatique simple pour tester toutes les combinaisons possibles afin de trouver le meilleur ensemble qui respecte le budget. Il résout le puzzle logiquement.
L'appel à l'action
Les auteurs ne disent pas que les modèles d'IA doivent devenir plus « intelligents ». Ils disent que l'interface doit changer.
Ils proposent que les sites web exposent ces « Verbes » au monde :
- Pour les développeurs : Au lieu de simplement construire un site web pour les humains, construisez une « Couche de Verbes » pour les robots. Cela peut être une simple API (une ligne directe vers le serveur) ou un script qui automatise les clics du navigateur pour vous.
- Pour la communauté : Tout comme nous avons des standards pour l'apparence des sites web (HTML), nous avons besoin de standards pour la façon dont les robots parlent aux sites web. Nous avons besoin d'un dictionnaire universel de « Verbes Web » afin que les robots sachent exactement quelles commandes sont disponibles.
Résumé par analogie
- Les agents web actuels : Sont comme une personne essayant de conduire une voiture en tournant manuellement le volant, en appuyant sur l'accélérateur et en actionnant les freins avec les pieds, tout en regardant une carte. Si la route change, elle s'écrase.
- Les agents web proposés : Sont comme un passager dans une voiture autonome. Il dit simplement à la voiture : « Emmenez-moi à l'aéroport ». La voiture (le Verbe) gère la direction, le freinage et la navigation. C'est plus sûr, plus rapide, et vous savez exactement où vous allez.
Le papier soutient que pour rendre le « Web Agentique » (un web où les robots font des choses pour nous) fiable, nous devons arrêter de donner aux robots un volant et commencer à leur donner une destination.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.