Gradient Labs : ce que c'est, comment fonctionne Otto, et à qui c'est destiné

Ce qu'est Gradient Labs

La plupart des outils de support IA sont horizontaux. Ils s'installent sur n'importe quel helpdesk, répondent aux questions à partir d'une base de connaissances, et visent à dévier les cas faciles. Gradient Labs a pris le chemin inverse. C'est vertical et poussé : des opérations client nativement IA pour les services financiers, avec un slogan qui résume toute la stratégie : « we handle what others hand off » (nous gérons ce que d'autres délèguent).

L'entreprise a été fondée en 2023 à Londres par trois anciens de Monzo : Dimitri Masin, qui y dirigeait la data et le ML, aux côtés de Neal Lathia et de la chief scientist Danai Antoniou. Cette origine compte. Ils ont passé des années à essayer d'automatiser le support bancaire de l'intérieur, et ont créé Gradient Labs pour faire ce qu'ils ne pouvaient pas tout à fait atteindre chez Monzo. Comme le dit Masin dans une interview pour Unite.AI : "we weren't building co-pilots, we were building end-to-end automation of customer support." (nous ne construisions pas des copilotes, nous construisions une automatisation de bout en bout du support client.)

Les investisseurs ont soutenu cette thèse. L'entreprise a levé une Series A de 26 M$, qui a démarré à 13 M$ menée par Redpoint mi-2025, puis a doublé avec 13 M$ supplémentaires menés par Octopus Ventures et CommerzVentures vers juin 2026. Gradient Labs affirme que ses agents touchent désormais plus de 32 millions d'utilisateurs finaux, avec un chiffre d'affaires en hausse d'environ 10x d'une année sur l'autre.

Cette capture résume bien la personnalité du produit. À gauche, une procédure écrite (« fraud impersonation callback ») avec des étapes numérotées que l'agent doit suivre ; à droite, un appel en direct où l'agent vérifie l'identité et envoie un code de vérification. Ce n'est pas un chatbot qui répond à des FAQ. C'est un agent qui exécute un processus réglementé.

Comment Otto fonctionne réellement

C'est la partie que je trouve vraiment intéressante, parce que c'est là où la plupart des produits « agent IA » sont superficiels, et Gradient Labs ne l'est pas.

Sous le capot, Otto est construit comme une machine à états : un agent de raisonnement central orchestre un ensemble de compétences spécialisées, et un dossier peut passer d'un workflow à l'autre sans perdre le contexte. Certains états sont déterministes (faire exactement ceci) et d'autres sont agentiques (raisonner sur la prochaine action). C'est un système hybride, multi-modèles, qui utilise des modèles plus grands pour les étapes de raisonnement complexes et des modèles plus petits et plus rapides pour les étapes déterministes, en s'appuyant sur les derniers modèles d'OpenAI, Anthropic et Google plutôt qu'en misant sur un seul fournisseur.

Deux choix de conception se démarquent.

Premièrement, il est entraîné sur vos procédures internes et vos meilleurs agents, pas seulement sur votre centre d'aide. Gradient Labs défend l'idée, à juste titre selon mon expérience, que votre base de connaissances ne suffit pas à elle seule ; le vrai savoir-faire réside dans la façon dont vos meilleurs éléments gèrent les conversations difficiles. Vous rédigez les procédures en langage courant, ce qui est probablement ce qui se rapproche le plus de « l'automatisation du support comme si on écrivait un document ».

Deuxièmement, il raisonne et agit, il ne fait pas que répondre. Quand un client le contacte, Otto se souvient des conversations passées et fait le vrai travail pour résoudre le problème : bloquer une carte perdue, retrouver un paiement manquant, déposer une rétrofacturation auprès du réseau de cartes. C'est la différence entre déviation et résolution, et c'est la ligne que Gradient Labs ne cesse de tracer. Si vous voulez comprendre pourquoi cette distinction compte, nous avons écrit séparément sur l'écart entre un agent IA et un chatbot à base de règles.

Il y a un vrai compromis dont Masin parle avec une honnêteté rafraîchissante : l'agent est plus lent parce qu'il réfléchit davantage. "Our median response time might be 15-20 seconds," a-t-il confié à Unite.AI, "but for financial institutions, that's a fair trade." (notre temps de réponse médian se situe peut-être entre 15 et 20 secondes, mais pour des institutions financières, c'est un compromis acceptable.) Pour une banque, une bonne réponse en 20 secondes vaut mieux qu'une mauvaise en deux secondes. Pour un client d'ecommerce impatient, peut-être pas.

Les agents spécialisés

Plutôt qu'un seul bot généraliste, Gradient Labs propose une suite d'agents, chacun calibré pour un workflow financier et affichant ses propres statistiques en direct.

La liste couvre les moments qui coûtent réellement de l'argent et du risque à une équipe financière :

• Le service client résout les problèmes sur chat, email et voix.
• Les litiges : collecte et vérifie les preuves, décide d'une issue, escalade vers un humain pour validation, et dépose la rétrofacturation.
• KYC et KYB : vérifie les documents par rapport à la politique, demande ce qui manque, et vérifie un client ou une entreprise avant l'onboarding.
• Le recouvrement : contacte les emprunteurs en retard de paiement au bon moment, personnalise à partir de l'historique du compte, et obtient une promesse de paiement, y compris via la voix IA.
• Le plus récent agent de crédit automatise tout le parcours de l'emprunteur, de la demande jusqu'au recouvrement.

Chacun accomplit un vrai travail de back-office, pas juste du chat de première ligne. C'est rare, et c'est le meilleur argument en faveur du produit.

Garde-fous et conformité

Si vous automatisez le support dans la finance, c'est cette section qui décide de l'achat, et c'est là que Gradient Labs a clairement mis ses efforts.

Otto exécute plus de 20 garde-fous spécifiques aux services financiers à chaque tour de la conversation. Ils détectent des choses comme le conseil financier, les signaux de vulnérabilité client, les plaintes, l'injection de prompt, et les tentatives de contournement de la vérification d'identité, et ils maintiennent la conversation à l'intérieur de la procédure définie.

Côté conformité, il est préconfiguré pour FCA Consumer Duty, CONC, Reg E, Reg Z, PSD2, le RGPD, et l'EU AI Act, avec un contrôle qualité automatisé des conversations. Il est certifié SOC 2 Type 2, avec SSO, journaux d'audit et permissions basées sur les rôles.

La chief scientist Danai Antoniou a bien posé l'enjeu dans l'étude de cas OpenAI : "you have to architect from the ground up for no hallucinations. That needs to be the guiding principle as you're building." (il faut concevoir l'architecture dès le départ pour éliminer les hallucinations. Ça doit être le principe directeur pendant la construction.) En finance, a-t-elle ajouté, l'écart entre un appel résolu et un signal manqué "is the difference between resolving a call and creating a compliance incident" (c'est la différence entre résoudre un appel et créer un incident de conformité.) La peur qu'une IA donne une mauvaise réponse avec assurance est l'objection numéro un que j'entends de la part des équipes réglementées, et maîtriser les hallucinations dans le support est vraiment tout l'enjeu ici.

Ask a Human garde un humain dans la boucle

La réponse de Gradient Labs à la question « et pour les cas que l'IA ne devrait pas décider seule ? » est une fonctionnalité appelée Ask a Human. L'agent continue de discuter avec le client pendant qu'un relecteur humain traite la partie sensible en coulisses, donc il n'y a ni file d'attente, ni second fil de discussion, ni besoin de demander au client de se répéter.

Un bon exemple : pour une transaction contestée au-dessus d'un certain seuil (disons 1 000 £), la politique exige une relecture humaine. L'agent vérifie le compte, confirme la charge, demande pourquoi elle est contestée, puis transmet un résumé à un relecteur via Slack, dit au client qu'un collègue s'en occupe, et poursuit la conversation jusqu'à ce que l'humain approuve. C'est une conception plus intelligente que l'habituelle escalade « l'IA abandonne et vous jette dans une file d'attente », et les résultats le confirment.

L'assureur britannique Zego, avec environ 150 000 clients actifs, rapporte qu'Ask a Human a réduit le temps de traitement humain de 12 minutes à un peu plus de 3, soit une baisse de plus de 70 %, tandis que le CSAT augmentait.

Voix et canaux

Une chose qui distingue vraiment Gradient Labs est de faire tourner la voix IA en production à grande échelle, pas seulement du texte. Otto gère le chat, l'email et la voix comme un seul agent sur tous les canaux.

La preuve ici, c'est SteadyPay, qui fait tourner environ 33 000 appels vocaux IA par mois pour du recouvrement sortant, avec un taux de réussite d'environ 60 % parmi les clients engagés. La voix à ce volume dans un workflow réglementé est difficile, et la plupart des éditeurs d'« agents IA » ne s'y risquent pas.

Tarification : basée sur les résultats, mais il faut appeler

Voici la version honnête : Gradient Labs ne publie aucun prix. La page de tarification est un formulaire de contact commercial. Ce qu'elle publie, c'est le modèle, et ce modèle est intéressant.

D'après la propre FAQ de l'entreprise, vous bénéficiez d'« un modèle de tarification simple basé sur les résultats, sans frais de plateforme, où vous ne payez que pour les résolutions de requêtes réussies ». Aucun frais par siège, aucun frais par conversation, aucun abonnement de base. Vous payez quand Otto résout réellement quelque chose.

Masin a été direct sur les raisons, déclarant à The Register : "if we don't resolve the issue and you still need to get your human team involved, then you don't need to pay us." (si nous ne résolvons pas le problème et que vous devez quand même faire intervenir votre équipe humaine, alors vous n'avez pas besoin de nous payer.) Il a aussi tiré directement sur la tarification par conversation, arguant que facturer un tarif fixe par chat "doesn't create any incentive" (ne crée aucune incitation) pour l'éditeur à améliorer l'agent. Je pense qu'il a raison sur l'incitation, et la tarification basée sur les résultats est réellement favorable à l'acheteur quand l'unité de valeur est claire.

Voici ce qui est public et ce qui ne l'est pas :

Ce qu'il faut peser, c'est le coût total de possession face à la rapidité de mise en route. La tarification basée sur les résultats est attirante, mais « parler au commercial, cadrer un projet, intégrer les données » est une démarche qui dure des mois, pas une affaire d'un après-midi. Si vous voulez comprendre le calcul plus large du coût agent IA contre agent humain avant tout appel commercial, ça vaut le coup de le lire d'abord.

Gradient Labs est-il fait pour vous ?

La question d'adéquation est ici particulièrement binaire, donc j'ai créé un moyen rapide de voir où vous vous situez. Choisissez la ligne qui vous ressemble.

Ce que disent les vrais clients

Je veux être honnête sur les preuves disponibles ici. Il n'existe pas encore de vraie plateforme d'avis tiers pour Gradient Labs : pas de score G2 ou Capterra, pas d'avalanche de commentaires sur Reddit. La fiche Capterra existe mais ne comporte aucun avis. Donc les chiffres ci-dessous viennent de l'éditeur ou d'études de cas partenaires, et vous devez les considérer comme tels : solides, mais non audités de façon indépendante.

Cela dit, les preuves de première main sont précises, ce que je respecte davantage que des chiffres marketing arrondis :

• Pockit rapporte un taux de résolution de 70 % et un CSAT de 80 %, avec un objectif affiché de 100 % d'automatisation.
• Plum a atteint un score QA de 98,6 % et s'est mis en place en environ 30 minutes, sans effort d'ingénierie.
• Morse (Sling Money) a constaté 50 % de résolution dès le premier jour pendant un pic de croissance.

"Otto, Gradient Labs' AI agent, has been a game-changer for us. With a 98% CSAT, it delivers superb customer experiences. We especially value how closely Otto matches our tone of voice." (Otto, l'agent IA de Gradient Labs, a été une révolution pour nous. Avec un CSAT de 98 %, il offre une expérience client exceptionnelle. Nous apprécions particulièrement à quel point Otto correspond à notre ton de voix.)

MC Glover, VP of Strategy & Operations, via Gradient Labs

Les réactions des utilisateurs finaux citées par Gradient Labs en disent long. Un client de Plum a écrit, "are you virtual? I thought you were a human" (êtes-vous virtuel ? Je pensais que vous étiez humain), et un client de Morse a dit, "I did actually think you were a person for the whole conversation" (j'ai vraiment cru que vous étiez une personne pendant toute la conversation). Quand les clients ne font pas la différence, c'est là qu'est la barre.

Où Gradient Labs a sa place, et où non

Soyons clairs : je pense que Gradient Labs est un produit véritablement bon, que la plupart des équipes ne devraient pourtant pas acheter.

Si vous dirigez les opérations client d'une banque, d'un organisme de prêt, d'une néobanque ou d'un assureur, c'est l'un des outils les plus sérieux du marché. La profondeur sur les litiges, le KYC, le recouvrement et le crédit, les garde-fous à chaque tour, la couverture SOC 2 et FCA, et la voix réelle à grande échelle forment un ensemble qu'un agent généraliste ne peut pas égaler. La tarification basée sur les résultats est favorable à l'acheteur, et l'équipe a manifestement vécu ce problème de l'intérieur, ce qui rend la question habituelle du build vs buy facile à trancher en leur faveur.

Si vous êtes n'importe qui d'autre, ce même positionnement joue contre vous. La machinerie de conformité est une charge que vous n'utiliserez pas, il n'y a pas de prix public, pas d'essai gratuit, et atteindre les bons taux de résolution suppose un projet cadré avec l'éditeur. C'est une démarche adaptée pour un acheteur finance en entreprise, mais lente pour une équipe SaaS ou ecommerce de 12 personnes qui veut juste que la déviation de niveau 1 soit gérée ce trimestre.

Le point plus profond, c'est qu'il existe aujourd'hui deux façons d'acheter de l'IA pour le support. La première est verticale et pensée entreprise : choisir un outil construit pour votre secteur exact, parler au commercial, et mener un projet. La seconde est horizontale et en libre-service : installer un agent sur le helpdesk que vous utilisez déjà, l'entraîner sur vos propres tickets, et l'activer. Gradient Labs est l'exemple le plus connu de la première. La seconde est là où vivent réellement la plupart des équipes.

Essayez eesel si vous n'êtes pas dans la finance

Si vous avez utilisé le vérificateur d'adéquation ci-dessus et que vous êtes tombé sur « pas la finance », cette partie est pour vous. eesel est la version horizontale de l'idée que Gradient Labs a prouvée dans la banque : un agent IA qui résout de vrais tickets, mais conçu pour s'installer sur le helpdesk que vous utilisez déjà.

Les différences sont celles qui comptent quand vous n'êtes pas une banque. eesel fonctionne comme une nouvelle recrue qui se branche sur Zendesk ou Freshdesk en quelques minutes, s'entraîne sur vos anciens tickets et votre centre d'aide pour sonner comme votre équipe dès le premier jour, et vous permet de le simuler sur des milliers de tickets historiques avant qu'une seule réponse ne parte à un client. La tarification est publique et basée sur l'usage, un tarif fixe par interaction IA sans surcoût par résolution et sans frais par siège, donc vous pouvez faire le calcul du coût vous-même avant même de réserver un appel. Et parce que la plus grande inquiétude est toujours qu'une IA réponde alors qu'elle ne devrait pas, vous contrôlez exactement quels tickets elle traite et vous routez le reste vers une personne, ce qui est le levier de confiance et de contrôle que la plupart des équipes réclament en premier.

La preuve arrive vite, justement parce qu'il n'y a pas de projet cadré à attendre. Comme le dit Kim Simpson de Gridwise, "in the first month, eesel is resolving 73% of our tier 1 requests" (dès le premier mois, eesel résout 73 % de nos demandes de niveau 1), après avoir vu des résultats pendant un essai de 7 jours. Vous pouvez essayer eesel gratuitement et lancer cette même simulation sur vos propres tickets dès aujourd'hui.