Agents IA mobiles testés sur 65 tâches du monde réel
Nous avons passé 3 jours à évaluer quatre agents IA mobiles (DroidRun, Mobile-Agent, AutoDroid et AppAgent) sur 65 tâches du monde réel à l'aide d'un émulateur Android avec des applications telles que la gestion de calendrier, la création de contacts, la capture de photos, l'enregistrement audio et les opérations sur fichiers.
Consultez les résultats du benchmark, y compris la comparaison des performances réelles, les coûts et les temps d'exécution :
Comparaison des performances des agents IA mobiles
DroidRun
Taux de réussite le plus élevé (43 %) avec un coût par tâche réussie élevé ($0 075, ~3 225 tokens)
DroidRun a démontré la meilleure performance avec un taux de réussite de 43 % sur les 65 tâches. En examinant uniquement les tâches que tous les agents ont réussies, DroidRun a consommé en moyenne 3 225 tokens pour un coût de $0 075 par tâche.
Cette consommation substantielle de ressources reflète l'architecture de raisonnement multi-étapes de DroidRun, où l'agent maintient un suivi détaillé de l'état, génère des plans d'action explicites et fournit des explications pour chaque décision. Bien que coûteuse, cette approche complète offre le taux de réussite le plus élevé du benchmark des agents IA mobiles.
Mobile-Agent
Bonne performance (29 %) et rentable ($0 025, ~1 130 tokens)
Mobile-Agent a atteint le deuxième taux de réussite le plus élevé avec 29 % tout en maintenant une rentabilité raisonnable. Sur les tâches couramment réussies par tous les agents, Mobile-Agent a affiché une moyenne de $0 025 et 1 130 tokens par tâche.
Cela représente environ un tiers du coût par tâche de DroidRun tout en atteignant environ deux tiers de son taux de réussite, faisant de Mobile-Agent une option attrayante pour les déploiements où les contraintes budgétaires sont importantes.
Cependant, l'écart de 14 points de pourcentage dans le taux de réussite suggère que les capacités de raisonnement supplémentaires de DroidRun apportent une valeur significative pour les applications où la fiabilité est primordiale, comme les flux de travail dans le domaine de la santé ou bancaire.
AutoDroid
Meilleure rentabilité (14 % de réussite, $0 017, ~765 tokens) mais efficacité limitée
AutoDroid a démontré le coût le plus bas sur les tâches couramment réussies avec seulement $0 017 et 765 tokens par tâche, ce qui en fait l'option la plus économique du benchmark.
Cependant, son taux de réussite de 14 %, moins de la moitié de la performance de Mobile-Agent et environ un tiers de celle de DroidRun, indique que cet avantage de coût s'accompagne de compromis significatifs en matière de fiabilité.
Bien qu'utilisant une approche basée sur les actions similaire à DroidRun, la surcharge de raisonnement minimale d'AutoDroid se traduit par des économies substantielles mais une capacité d'achèvement des tâches limitée.
AppAgent
Performance la plus faible (7 % de réussite) avec le coût le plus élevé ($0,90, ~2 346 tokens)
AppAgent a enregistré à la fois le taux de réussite le plus bas à 7 % et le coût le plus élevé sur les tâches couramment réussies à $0,90 et 2 346 tokens par tâche, soit douze fois plus cher que DroidRun et plus de cinquante fois plus coûteux qu'AutoDroid.
Ce mauvais rapport coût-performance découle de l'approche basée sur la vision d'AppAgent, qui traite des captures d'écran étiquetées via des LLM multimodaux pour chaque interaction. Chaque capture d'écran envoyée au LLM multimodal consomme un nombre substantiel de tokens d'entrée pour le traitement d'image, tandis que les réponses textuelles réelles (tokens de complétion) restent relativement modestes.
Cela crée une distribution de tokens très déséquilibrée où la surcharge de traitement visuel domine le coût sans améliorations correspondantes de l'achèvement des tâches, l'agent ayant des difficultés avec les calculs de coordonnées et l'identification des éléments d'interface sur les interfaces mobiles.
Comparaison des temps d'exécution des agents IA mobiles
Sur la seule tâche que tous les agents ont réussie, AutoDroid a été le plus rapide avec 57 secondes, suivi de près par Mobile-Agent avec 66 secondes. DroidRun a terminé la tâche en 78 secondes, démontrant que son architecture de raisonnement multi-étapes permet toujours une exécution efficace malgré une consommation de tokens plus élevée.
AppAgent a présenté une latence significativement plus élevée à 180 secondes, en raison de son approche basée sur la vision nécessitant un traitement intensif des captures d'écran via des LLM multimodaux pour chaque interaction.
Vous pouvez consulter notre méthodologie de benchmark ici.
Aperçu des agents IA mobiles
DroidRun
DroidRun est un framework open-source qui construit des agents IA mobiles natifs capables de contrôler de manière autonome les applications mobiles et les téléphones. C'est un framework fondamental qui convertit les interfaces utilisateur en données structurées avec lesquelles les grands modèles de langage peuvent interagir, permettant une automatisation complexe directement sur les appareils mobiles.
Voyez-le en action :
AutoDroid
AutoDroid est un système d'automatisation de tâches mobiles conçu pour exécuter des tâches arbitraires dans n'importe quelle application Android sans configuration manuelle. Il exploite le raisonnement de bon sens des grands modèles de langage comme GPT-4 et Vicuna, combiné à une analyse automatisée spécifique à l'application.
AutoDroid introduit une représentation de l'interface utilisateur sensible aux fonctionnalités pour connecter les interfaces d'applications aux LLM, utilise l'injection de mémoire basée sur l'exploration pour enseigner au modèle les comportements spécifiques à l'application, et inclut une optimisation des requêtes pour réduire les coûts d'inférence. Évalué sur un benchmark de 158 tâches, il a atteint une précision d'action de 90,9 % et un taux de réussite de 71,3 %, surpassant les références utilisant uniquement GPT-4.1
Mobile-Agent
Le dépôt GitHub X-PLUG/MobileAgent est l'implémentation officielle de Mobile-Agent, un framework d'agent IA conçu pour contrôler de manière autonome les applications mobiles en percevant et en raisonnant sur leurs représentations visuelles de l'interface utilisateur.
Ce projet provient du groupe X-PLUG de l'Université Tsinghua et a été présenté à ICLR 2024, visant à repousser les limites des agents mobiles en utilisant l'apprentissage multimodal, en particulier la perception visuelle et le suivi d'instructions. Regardez la vidéo pour le voir en action.
AppAgent
Le dépôt GitHub TencentQQGYLab/AppAgent est un projet de recherche open-source du laboratoire QQG Y-Lab de Tencent. Il présente AppAgent, un framework d'agent IA mobile conçu pour opérer et raisonner de manière autonome dans les applications Android sans code écrit par des humains pour chaque application individuelle.
Source : AppAgent2
Tecno EllaClaw
Tecno a intégré la technologie OpenClaw dans son assistant IA Ella, baptisant la combinaison « EllaClaw ».3
EllaClaw fonctionne sur HIOS, le système d'exploitation mobile de Tecno basé sur Android, et est livré avec deux compétences initiales : un résumé intelligent des SMS qui signale les messages importants tels que les notifications bancaires et les factures, et un planning quotidien qui compile les événements du calendrier, la météo et les actualités dans un briefing quotidien.
Le système utilise une mémoire persistante pour apprendre les préférences de l'utilisateur et est déployé en version bêta sur certains appareils Tecno, à commencer par le flagship Camon 50 Ultra.4
Samsung Galaxy S26
La série Galaxy S26 a introduit une configuration multi-agent qui permet aux utilisateurs de basculer entre trois assistants IA :5
- Bixby, repensé pour utiliser l'assistance de Perplexity pour le contrôle de l'appareil en langage naturel, comme l'ajustement des paramètres pour empêcher la mise en veille de l'écran lors de la consultation de contenu.
- Google Gemini, avec une nouvelle capacité bêta pour l'exécution de tâches en arrière-plan comme la réservation de trajets ou la commande de repas pendant que l'utilisateur poursuit d'autres activités sur le téléphone.
- Perplexity, intégré au niveau du système via son Sonar API, disponible dans les applications natives incluant Notes, Calendrier et Galerie, et pouvant être invoqué en mode mains libres via une phrase d'activation ou une pression sur le bouton latéral.
Perplexity a initialement été lancé avec la phrase d'activation « Hey, Plex », mais une mise à jour logicielle ultérieure l'a changée en « Hey, Perplexity » pour éviter la confusion avec le diffuseur multimédia Plex.6
Google Gemini Intelligence et Android 17
Google a annoncé Gemini Intelligence, une suite de fonctionnalités dont la capacité phare est l'exécution de tâches multi-étapes et inter-applications avec approbation de l'utilisateur.7
Les cas d'utilisation démontrés incluent l'identification d'ingrédients à partir d'une vidéo de cuisine YouTube et leur commande automatique, la réservation d'un cours de spinning et l'extraction d'un syllabus de cours depuis Gmail pour remplir un panier d'achat avec les livres requis.
Ces capacités agentiques sont d'abord lancées sur la série Samsung Galaxy S26 et les Google Pixel 10 et Pixel 10 Pro, via l'application Gemini, avec un déploiement ultérieur prévu pour les montres, les voitures, les lunettes et les ordinateurs portables. La partie sur appareil nécessite du matériel capable d'exécuter les modèles Gemini Nano, Google spécifiant au moins 12 Go de RAM et des processeurs qualifiés comme référence de base.8
Le responsable d'Android, Sameer Samat, a décrit Android 17 comme le point d'inflexion où la plateforme passe « d'un système d'exploitation à un système intelligent », et a noté qu'Android 17 marquera « le point où les premières capacités agentiques commenceront à être déployées plus largement », initialement avec un support applicatif limité.9
AGI, Inc. et Qualcomm
AGI, Inc. a annoncé une collaboration avec Qualcomm pour apporter son agent mobile sur appareil, AGI-0, aux appareils alimentés par Snapdragon.10
AGI-0 s'exécute localement, utilise des modèles vision-langage-action pour voir l'écran et agir dans n'importe quelle application sans nécessiter d'intégrations spécifiques à l'application, et met l'accent sur la confidentialité en conservant le traitement des données sur l'appareil plutôt que de les acheminer via des API cloud.
Fonctionnalités des agents IA mobiles
Gestion des commandes orientée objectifs
Les utilisateurs spécifient ce qu'ils veulent accomplir (« Réserver un trajet pour l'aéroport »), et l'agent décide quelles applications ouvrir, quelles actions entreprendre et dans quel ordre. L'utilisateur n'a pas à traduire l'objectif en taps et glissements individuels.
Raisonnement basé sur les LLM
Les agents IA mobiles s'appuient sur des grands modèles de langage pour identifier l'intention de l'utilisateur à partir de requêtes en langage naturel, interpréter le contenu à l'écran, générer des plans d'action étape par étape et s'adapter lorsque l'interface utilisateur change entre les états de l'application tels que les écrans de chargement, les pop-ups de dialogue ou les transitions de navigation.
Contrôle structuré et natif des applications
Plutôt que de gratter des pixels de l'écran, les agents IA mobiles extraient des hiérarchies d'interface utilisateur structurées, généralement des arbres XML qui décrivent les boutons, les champs et autres éléments interactifs, et agissent directement sur ces éléments. DroidRun, par exemple, utilise les API Android Accessibility pour lire et agir sur les éléments d'interface réels plutôt que de deviner les coordonnées à partir d'une capture d'écran.
Exécution cloud et sur appareil pour les agents IA mobiles
Les agents basés sur le cloud se connectent aux modèles via des appels API. Ils gèrent bien le raisonnement complexe, mais nécessitent la transmission des données d'écran et du contexte utilisateur à des serveurs externes, ce qui soulève des préoccupations de confidentialité pour les applications sensibles. Les performances dépendent également d'une connectivité réseau stable.
Les agents sur appareil exécutent les modèles directement sur le matériel mobile, conservant toutes les données en local. Cela élimine les risques de transmission et permet la fonctionnalité hors ligne. Les NPU et GPU mobiles actuels limitent la taille des modèles, ce qui peut réduire la précision sur les tâches nécessitant un raisonnement plus approfondi ou des fenêtres de contexte plus longues.
Les architectures hybrides combinent les deux approches. Des modèles légers sur appareil gèrent les tâches routinières et la classification initiale des intentions, tandis que les opérations complexes sont acheminées vers les LLM cloud. Apple Intelligence et Gemini Nano suivent ce modèle, traitant les requêtes simples localement et escaladant si nécessaire.
Risques de sécurité et de confidentialité des agents IA mobiles
Les mêmes capacités qui rendent les agents IA mobiles utiles créent également de nouvelles surfaces d'attaque :
- Exposition du contenu de l'écran : Les agents peuvent transmettre des mots de passe, des messages et des données financières aux LLM cloud pour traitement.
- Fuite d'identifiants : Les flux de connexion automatique peuvent exposer involontairement des mots de passe enregistrés et des tokens d'authentification.
- Rétention des données peu claire : De nombreux fournisseurs d'agents ne publient pas la durée de conservation des captures d'écran, des journaux d'actions et des enregistrements d'écran, ni s'ils sont utilisés pour entraîner de futurs modèles.
- Risque d'injection de prompt : Le contenu d'applications malveillantes pourrait manipuler le comportement de l'agent via un texte d'interface utilisateur conçu à cet effet, comme une étiquette de faux bouton indiquant « Ignorer les instructions précédentes ».
Les mesures d'atténuation couvrent toute la pile :
- Le traitement sur appareil garde les données d'écran sensibles entièrement hors des serveurs externes, ce qui en fait le contrôle plus fort lorsque la taille du modèle permet.
- La suppression des informations personnellement identifiables (PII) détecte et supprime automatiquement les données comme les noms, les numéros de téléphone et les identifiants de compte avant tout appel API cloud.
- Les limites de permissions restreignent la portée du service d'accessibilité de l'agent afin qu'il ne puisse pas lire ou agir dans des catégories d'applications spécifiques telles que les applications bancaires, de santé ou de messagerie.
- Des politiques de fournisseur transparentes signifient des périodes de conservation publiées, des juridictions de traitement et des déclarations explicites sur l'utilisation des données d'entraînement, plutôt qu'un langage générique sur la confidentialité.
Ajouter comme source préféréePourquoi les performances diffèrent entre les agents IA mobiles
Les différences observées proviennent principalement des choix architecturaux et des méthodes d'interaction.
DroidRun privilégie la fiabilité grâce à un raisonnement multi-étapes, une planification explicite et un suivi d'état. Cela améliore la réussite des tâches mais augmente la consommation de tokens et le coût.
Mobile-Agent équilibre performance et efficacité. Son raisonnement plus léger et sa compréhension visuelle réduisent le coût tout en maintenant des taux de réussite modérés, ce qui le rend adapté aux cas d'utilisation sensibles au budget.
AutoDroid se concentre sur l'exécution basée sur les actions avec une surcharge de raisonnement minimale. Cela se traduit par le coût le plus bas et les temps d'exécution les plus rapides, mais limite également sa capacité à gérer des tâches complexes ou ambiguës.
AppAgent s'appuie fortement sur l'interaction basée sur la vision utilisant des LLM multimodaux. Le traitement fréquent des captures d'écran augmente la latence et le coût, tandis que les défis de coordonnées d'interface réduisent la réussite des tâches.
Méthodologie du benchmark des agents IA mobiles
Nous avons mené une évaluation comparative pour mesurer la performance des agents IA mobiles fonctionnant sur le système d'exploitation Android dans des tâches du monde réel. Nous avons utilisé le framework AndroidWorld et testé tous les agents sur les mêmes tâches standard.
Le framework AndroidWorld
AndroidWorld est une plateforme de benchmark open-source spécialement développée par Google Research pour évaluer les agents mobiles. Cette plateforme vise à mesurer la performance des agents travaillant dans de vraies applications Android via des tâches standardisées.
La caractéristique la plus importante d'AndroidWorld est qu'il utilise de vraies applications Android au lieu d'environnements de test artificiels et peut évaluer automatiquement la performance des agents. Nous avons utilisé 65 tâches dans cette étude. Ces tâches couvrent des scénarios d'utilisation quotidienne d'appareils mobiles tels que la gestion de calendrier, l'ajout de contacts, l'enregistrement vocal, la prise de photos et les opérations sur fichiers.
Configuration de l'environnement
Configuration système : Pour mettre en place l'environnement de benchmark, nous avons d'abord installé Android Studio sur le système d'exploitation Windows 11 et configuré l'émulateur Android officiel de Google.
Configuration de l'appareil virtuel : Nous avons créé un appareil virtuel simulant un Pixel 6. Les spécifications de cet appareil virtuel ont été définies avec le système d'exploitation Android 13 (API niveau 33), une résolution de 1080×2400, 8 Go de RAM et 20 Go d'espace de stockage.
Configuration de l'émulateur : Pour intégrer l'émulateur avec AndroidWorld, nous avons configuré le port gRPC sur 8554 car AndroidWorld communique avec l'émulateur via ce port.
Configuration de l'environnement Python : Pour préparer l'environnement Python, nous avons créé un nouvel environnement conda avec Python 3.11 en utilisant Miniconda. Après avoir cloné le dépôt AndroidWorld depuis GitHub, nous avons installé toutes les dépendances avec pip. L'une des étapes les plus critiques d'AndroidWorld est le processus de configuration de l'émulateur.
La commande de configuration a pris environ 45 à 60 minutes. Au cours de ce processus, AndroidWorld a automatiquement installé toutes les applications Android à tester sur l'émulateur.
Création des données d'état initial : Il a créé des données d'état initial pour chaque application, par exemple, a ajouté des événements à l'application de calendrier, ajouté des contacts à l'application de contacts et ajouté un podcast nommé « banana » à l'application de podcast. Il a également sauvegardé des snapshots pour chaque tâche, de sorte que chaque tâche puisse démarrer à partir d'un état initial propre.
Intégrations des agents
AutoDroid
Intégration d'AutoDroid : Pour intégrer AutoDroid, nous avons d'abord cloné le dépôt depuis GitHub et installé les packages Python requis. La principale caractéristique d'AutoDroid est d'identifier les éléments d'interface utilisateur en analysant le XML et de compléter les tâches avec une approche basée sur les actions.
L'agent attribue un numéro d'index à chaque élément cliquable ou focusable à l'écran et reçoit des commandes du LLM telles que « tap(5) » ou « text('hello') ».
Wrapper AutoDroid : Pour l'intégration avec AndroidWorld, nous avons créé une classe wrapper nommée autodroid_agent.py. Ce wrapper effectue les configurations nécessaires dans la méthode d'initialisation d'AutoDroid, convertit l'objectif de tâche provenant d'AndroidWorld en un format de prompt qu'AutoDroid peut traiter et transforme les actions générées par AutoDroid en commandes ADB réelles en utilisant les fonctions execute_adb_call d'AndroidWorld.
Flux d'exécution : Dans la méthode step d'AutoDroid, l'agent prend d'abord une capture d'écran et un dump XML de l'écran, analyse les éléments d'interface utilisateur, envoie ces informations au LLM et effectue des actions de tap, swipe ou saisie de texte selon la réponse reçue.
DroidRun
Intégration de DroidRun : Nous avons suivi un processus d'intégration similaire pour DroidRun. Après avoir cloné le dépôt DroidRun depuis GitHub, nous avons installé les dépendances du fichier requirements.txt.
La structure architecturale de DroidRun est plus complexe car elle dispose d'un système de raisonnement multi-étapes et de suivi d'état. DroidRun peut expliquer non seulement ce qu'il va faire à chaque étape mais aussi pourquoi, et peut utiliser les résultats des étapes précédentes dans l'étape suivante.
Wrapper DroidRun : Nous avons créé le wrapper droidrun_agent.py pour l'intégration avec AndroidWorld. La partie la plus importante de ce wrapper était de rendre la classe CodeActAgent propre à DroidRun compatible avec l'interface d'agent de base d'AndroidWorld.
Processus d'exécution : Lorsque nous avons appelé la méthode execute_task de DroidRun, l'agent passe par une phase de planification de tâche, puis exécute chaque étape et évalue les résultats. Nous avons adapté ce processus au modèle d'exécution étape par étape d'AndroidWorld. Nous avons également implémenté les outils utilisés par DroidRun (tap_by_index, start_app, list_packages, etc.) avec les commandes ADB d'AndroidWorld.
AppAgent
Intégration d'AppAgent : L'intégration d'AppAgent était différente des autres car elle utilise une approche basée sur la vision. Après avoir cloné le dépôt AppAgent, nous avons intégré les fichiers Python du dossier scripts dans AndroidWorld.
Approche basée sur la vision : Le principe de fonctionnement d'AppAgent est le suivant : il prend d'abord une capture d'écran, puis calcule les boîtes englobantes des éléments d'interface utilisateur, dessine ces boîtes sur la capture d'écran, attribue un numéro à chacune et envoie cette capture d'écran étiquetée à un LLM multimodal. Le LLM détermine visuellement quel élément doit être cliqué.
Configuration du wrapper : L'étape la plus importante de l'intégration d'AppAgent a été de rediriger la partie qui communique avec l'appareil Android en utilisant le module and_controller.py d'AppAgent vers l'émulateur d'AndroidWorld. Dans le wrapper appagent_agent.py, nous avons réimplémenté les méthodes get_screenshot et get_xml d'AppAgent pour fonctionner avec les API d'AndroidWorld. Nous avons également rendu le fichier model.py d'AppAgent, qui utilise le format d'OpenAI API, compatible avec l'OpenRouter API.
Mobile-Agent (M3A)
Intégration de Mobile-Agent (M3A) : L'intégration de M3A a été le processus le plus complet car il fonctionne entièrement sur la base de la vision et dispose d'un système d'analyse d'interface utilisateur très détaillé. Après avoir cloné le dépôt M3A, nous avons également installé le framework d'interaction Android Mobile-Env car M3A dépend de ce framework.
Analyse multi-étapes : Le principe de fonctionnement de M3A repose sur la division de l'écran en grilles, l'analyse de chaque grille séparément et la planification multi-étapes. Lors de la création du wrapper m3a_agent.py, nous avons dû intégrer le système d'environnement propre à M3A avec l'environnement d'AndroidWorld. M3A utilise normalement son propre Mobile-Env, mais nous l'avons redirigé vers l'environnement d'AndroidWorld.
Appels LLM multiples : Nous avons observé que M3A effectue plusieurs appels LLM à chaque étape (tels que la planification, la sélection d'action, la vérification) et les avons rendus compatibles avec les limites d'étapes d'AndroidWorld.
Procédure de test et collecte de données
Flux de test : La procédure de test pour chaque agent s'est déroulée comme suit : d'abord, nous avons démarré l'émulateur avec un snapshot propre. Une fois l'émulateur complètement ouvert, nous avons exécuté le run.py d'AndroidWorld. Nous avons exécuté 65 tâches séquentiellement pour chaque agent et avons utilisé Claude 4.5 Sonnet pour tous les agents.
Exécution des tâches : AndroidWorld a automatiquement effectué les étapes suivantes pour chaque tâche : charger l'état initial de la tâche, démarrer l'agent, envoyer l'objectif de la tâche à l'agent, suivre les étapes de l'agent, s'arrêter lorsque le nombre maximum d'étapes est atteint ou lorsque l'agent dit « tâche terminée », et vérifier si la tâche a été réussie.
Critères de réussite : Le système d'évaluation des tâches d'AndroidWorld inclut des critères de réussite prédéfinis. Par exemple, pour la tâche « Ajouter le contact nommé John Doe », AndroidWorld interroge la base de données des contacts pour confirmer que le contact a été ajouté.
Pour les tâches de calendrier, il vérifie dans la base de données si l'événement a été créé avec la date, l'heure, le titre et la description corrects. À la fin de chaque exécution de tâche, AndroidWorld nous a fourni le temps d'exécution et le statut de réussite (True/False). Ces données ont été automatiquement enregistrées et utilisées pour l'analyse.
Collecte de données : Après avoir terminé l'ensemble du benchmark, nous avons identifié la tâche que tous les agents ont réussie. Chacune de ces tâches a ensuite été exécutée 10 fois par chaque agent, et le temps d'exécution moyen, le coût et la consommation de tokens ont été calculés pour des métriques de performance plus fiables.
FAQ
Les agents IA mobiles sont des systèmes logiciels qui interagissent de manière autonome avec les utilisateurs et les applications mobiles en utilisant des entrées en langage naturel et un raisonnement orienté objectifs pour accomplir des tâches au nom des utilisateurs. Contrairement aux outils d'automatisation traditionnels ou aux premiers assistants personnels, ces agents sont propulsés par l'IA. Certains de leurs cas d'utilisation incluent :
L'automatisation QA mobile sans scripts de test
L'automatisation des flux de travail mobiles comme le téléchargement de documents d'identité ou la modification des paramètres de profil
Des assistants IA qui utilisent des applications pour les malvoyants, les personnes âgées ou toute autre personne.
Des tâches générales quotidiennes telles que la création d'événements sur le calendrier ou même la réalisation de leçons Duolingo.
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Agents IA mobiles testés sur 65 tâches du monde réel}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/mobile-ai-agent}},
note = {AIMultiple. Consulté le 9 Juin 2026}
}Liens de référence
Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.
Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.