Gradient Labs vs Lorikeet : quel agent de support IA l'emporte en 2026 ?

Gradient Labs vs Lorikeet en un coup d'œil

Voici la version rapide avant d'entrer dans le détail de chacun. La colonne de droite est eesel, incluse comme point de référence « se brancher sur votre helpdesk existant » plutôt que comme un déploiement enterprise équivalent.

Ce qu'est Gradient Labs

Gradient Labs conçoit un agent IA nommé Otto qui vise exactement un marché : les services financiers réglementés. Pas « le support en général avec une étude de cas financière », mais les banques, néobanques, prêteurs et assureurs comme produit tout entier. Les fondateurs viennent de Monzo : Dimitri Masin dirigeait l'équipe data de plus de 100 personnes, et Neal Lathia a construit l'infrastructure ML de Monzo. Cet héritage se retrouve partout dans le produit.

L'argument est « nous traitons ce que les autres transmettent » : résolution complète, pas déviation. Lorsqu'un client prend contact, Otto se souvient des conversations passées et exécute de vraies actions pour clore le problème, bloquer une carte perdue ou suivre un paiement manquant, plutôt que d'afficher un article d'aide. Vous rédigez des procédures en langage simple, et l'agent s'entraîne sur vos SOP et sur les vraies conversations de vos meilleurs agents humains, pas seulement sur la base de connaissances.

Ce qui distingue Gradient Labs, c'est la profondeur de la verticale. Au lieu d'un chatbot horizontal, il propose des agents spécialisés pour le service client, les litiges, le KYB, le recouvrement, les sinistres d'assurance et le crédit. Un agent de litiges rassemble et vérifie les preuves, décide du résultat, escalade vers un humain pour validation, puis dépose la rétrofacturation auprès du réseau de cartes. C'est un travail difficile et réglementé, le genre de chose qu'un bot de helpdesk généraliste ne touche jamais.

Les chiffres publiés par Gradient sont solides, avec la réserve habituelle qu'ils sont déclarés par le fournisseur. Il cite un taux de résolution de pointe de 80 à 90 %, 98 % de CSAT dans certains déploiements et 32 M d'utilisateurs finaux touchés chez ses clients. Dans l'étude de cas OpenAI, la plupart des déploiements démarreraient « avec plus de 50 % de taux de résolution dès le premier jour, même pour des flux complexes comme les litiges ». Parmi les clients cités figurent Pockit (70 % de résolution) et SteadyPay (33 000 appels vocaux IA par mois).

L'entreprise a levé une Série A de 26 M$ (menée par Octopus Ventures et CommerzVentures, avec Redpoint à la suite) et annonce une croissance du chiffre d'affaires d'environ 10 fois sur un an. C'est une jeune entreprise, concentrée, qui parie tout sur une seule verticale.

Ce qu'est Lorikeet

Lorikeet se présente comme un « AI Customer Concierge pour les entreprises complexes », et sa cible est un peu plus large : des fintechs et des healthtechs ambitieuses. Elle a été fondée à Sydney par Steve Hind (ancien produit chez Stripe et Watershed) et Jamie Hall, ancien responsable de recherche chez Google Brain et auteur cité de l'article LaMDA. Elle a levé environ 75 M$ en trois tours en une dizaine de mois, avec des investisseurs comme QED, Blackbird et Square Peg.

Comme Gradient, tout l'intérêt de Lorikeet est qu'il exécute des actions. Il cible explicitement « les 20 % de tickets les plus difficiles qui génèrent 80 % de votre effort de support », ceux qui impliquent de consulter des données, d'agir dans vos systèmes et de prendre une vraie décision. Il va plus loin avec un concept appelé Outcomes : au lieu d'un « clore » ou « escalader » générique, vous définissez des façons nommées et significatives de terminer une conversation, et chaque Outcome déclenche son propre ensemble d'actions dans un ordre fixe et déterministe, à chaque fois.

La deuxième chose sur laquelle Lorikeet s'appuie est un agent d'opérations distinct appelé Coach. Coach est le pendant interne du Concierge orienté client : il observe les conversations, regroupe les motifs de contact, repère une baisse de CSAT liée à un flux précis, puis propose et (avec votre accord) met en œuvre la correction. Il est accessible dans Slack, Claude, ChatGPT ou via MCP.

Les preuves clients de Lorikeet sont larges. Carmoola a fait passer la résolution de 30 % à 60 % des conversations de bout en bout, Linktree a ramené son délai de première réponse à environ une minute, et Eucalyptus, une healthtech, a géré trois fois plus de tickets avec un CSAT en hausse de dix points. Les logos healthtech montrent que Lorikeet n'est pas un pari uniquement financier comme Gradient.

Une remarque honnête sur la perception : les avis indépendants sur l'un ou l'autre produit sont rares. La seule plainte publique vérifiable que j'ai trouvée est un avis à 1 étoile sur Trustpilot d'un utilisateur final qui est tombé sur Lorikeet dans l'onboarding d'Airwallex et n'a pas pu être transféré à un humain. C'est un point de données isolé, mais c'est exactement le mode d'échec que ces deux outils sont conçus pour éviter, ce qu'il vaut mieux garder en tête en lisant les chiffres de résolution.

Comment chacun est réellement conçu

C'est la partie qui m'importe le plus, car c'est là que se trouve la vraie différence entre « belle démo » et « sûr en production ». Les deux entreprises sont ici d'une rigueur peu commune, et résolvent le même problème de manières différentes.

Gradient Labs fait tourner l'agent comme une machine à états : un agent de raisonnement central orchestre des compétences spécialisées, et les dossiers circulent entre les flux sans perdre de contexte. Il est multi-modèles en interne, aiguillant vers OpenAI, Anthropic et Google selon qu'une étape exige un raisonnement lourd ou une exécution rapide et déterministe. La couche de sécurité repose sur plus de 20 garde-fous spécifiques à la finance exécutés à chaque tour, qui vérifient notamment la détection de conseils financiers, les signaux de vulnérabilité, les réclamations et les tentatives de contourner la vérification. La phrase de la Chief Scientist Danai Antoniou dans l'étude de cas OpenAI résume la philosophie : « Il faut concevoir dès le départ pour zéro hallucination. »

La réponse de Lorikeet est ce qu'elle appelle la « défense en profondeur », quatre couches dont chacune suppose que les autres échoueront parfois :

1. Un agent de base conçu pour le support, dont le comportement par défaut est « n'invente rien ».
2. Une simulation bot contre bot, où un LLM joue un client face à l'agent réel et au flux réel, et où les scénarios peuvent être générés à partir de vrais tickets de production en échec.
3. Des garde-fous d'exécution sur un fil séparé, qui surveillent chaque réponse sortante avant qu'elle n'atteigne le client, sans alourdir le prompt principal.
4. Un contrôle qualité post-ticket qui note 100 % des tickets (humains, IA ou hybrides) sur un tableau de bord en feux tricolores.

Le CTO Jamie Hall décrit la couche d'exécution comme « surveillant en gros chaque phrase au moment où elle part ». La différence pratique : Gradient intègre ses contrôles de conformité dans un ensemble dense de garde-fous par tour, réglé pour la banque, tandis que Lorikeet répartit ses contrôles dans une boucle de tests et de contrôle qualité que vous pouvez inspecter. Les deux sont sérieux. Aucun ne vous décharge de votre propre responsabilité réglementaire, et Lorikeet est d'une franchise rafraîchissante sur ce point.

Tarifs : l'un publie, l'autre non

C'est la séparation pratique la plus nette entre les deux, et elle décide beaucoup.

Gradient Labs ne publie aucun chiffre. Sa page tarifs est un formulaire de capture de leads. Le modèle est décrit en mots, « une tarification basée sur les résultats sans frais de plateforme, vous ne payez que les requêtes résolues avec succès », et le PDG Dimitri Masin défend publiquement cette approche : « Si nous ne résolvons pas le problème et que vous devez quand même faire intervenir votre équipe humaine, alors vous n'avez pas à nous payer. » C'est un modèle équitable. Cela signifie simplement que vous ne pouvez pas savoir ce que vous paierez sans discussion commerciale, et le tarif est échelonné selon le niveau de résolution atteint.

Lorikeet publie réellement ses forfaits, ce qui est rare dans cette catégorie et mérite d'être salué.

Les crédits sont débités par ticket résolu, et le tarif baisse à mesure que vous montez en charge :

Cela revient à environ 1,00 $ par résolution de chat avec Start et environ 0,80 $ avec Scale, sans frais par utilisateur ni frais de mise en œuvre à aucun niveau. Comme Gradient, Lorikeet ne facture que les tickets qu'il résout réellement, et rembourse la part IA de tout ticket que son propre contrôle qualité juge mauvais.

Aucun des deux n'offre d'essai gratuit ni d'inscription en libre-service. Toute porte d'entrée est une démo. C'est le coût pratique que la plupart des équipes sous-estiment : vous vous engagez dans un cycle de vente et un déploiement de plusieurs semaines avant de voir l'agent toucher un seul vrai ticket. À titre de comparaison, eesel démarre à 299 $/mois pour 500 crédits (1 crédit par ticket ou chat), sans frais par utilisateur ni frais de plateforme, et vous pouvez commencer avec 100 crédits gratuits sans parler à personne.

Alors lequel, et pour qui ?

Une fois alignés, le choix est en réalité net.

Choisissez Gradient Labs si vous êtes une banque, un prêteur ou un assureur et que le travail à automatiser concerne les litiges, le KYB, le recouvrement ou les sinistres. Personne d'autre dans cette présélection ne va aussi loin dans les opérations financières réglementées, et les plus de 20 garde-fous par tour sont conçus exactement pour ce profil de risque. Vous échangerez la transparence tarifaire contre cette profondeur.

Choisissez Lorikeet si vous couvrez fintech et healthtech, voulez une pile lourde de tests et de contrôle qualité que vous pouvez inspecter, et aimeriez voir un vrai chiffre avant de réserver un appel. Son modèle Outcomes et son agent d'opérations Coach sont de vrais éléments différenciants, et la publication de ses tarifs inspire une vraie confiance.

Regardez au-delà des deux si la description honnête de votre situation est « nous utilisons un helpdesk classique et voulons bientôt un agent IA qui traite les 40 à 60 % de tickets répétitifs ». Gradient comme Lorikeet sont des déploiements enterprise, en vente accompagnée, de plusieurs semaines. C'est le bon choix quand une erreur est un incident réglementaire. C'est excessif quand il s'agit d'une question « où est ma commande ». C'est là qu'un coéquipier plus léger trouve sa place, et il faut être honnête : les deux outils ci-dessus ne s'adressent tout simplement pas à vous.

Essayez eesel pour aller plus vite

Si vous avez lu la section ci-dessus en pensant « c'est moi », voici l'argument, et je le garderai concret. eesel AI est un coéquipier de support que vous superposez au helpdesk que vous utilisez déjà, Zendesk, Freshdesk, Gorgias ou Front, en quelques minutes plutôt qu'en un trimestre. Il apprend de lui-même de vos anciens tickets et de votre centre d'aide, et connaît donc votre produit dès le départ au lieu d'attendre une équipe de déploiement.

L'élément différenciant que je soulignerais, vu tout ce qui précède sur les démos trompeuses, c'est la simulation : avant qu'eesel ne réponde à un seul client en direct, il rejoue vos vrais tickets passés et note chaque brouillon par rapport à ce que votre équipe a réellement envoyé. Vous déployez sur la base de preuves, pas d'une promesse. Le tarif est un prix mensuel fixe à partir de 299 $ pour 500 crédits, en libre-service, avec 100 crédits gratuits pour tester d'abord sur vos propres données. Pour une activité financière réglementée, Gradient ou Lorikeet peuvent rester le choix le plus adapté, et ce n'est pas un problème. Pour la plupart des équipes de support, eesel apporte la même valeur « résoudre, ne pas dévier », en production cette semaine.