Scott H Young explore l'idée que la motivation et la concentration ne sont pas des concepts distincts mais deux facettes d'un même phénomène. Selon lui, être concentré revient à être motivé à persister dans une activité, car la concentration reflète la capacité à maintenir une motivation supérieure pour une tâche donnée par rapport à ses alternatives. Cette persistance peut s'observer à différentes échelles, qu'il s'agisse de se concentrer sur un livre pendant des heures ou de s'engager dans une voie professionnelle sur le long terme.

L'auteur souligne que le manque de concentration est souvent lié à un manque de motivation intrinsèque pour la tâche en question. Par exemple, les personnes déclarant avoir des difficultés de concentration admettent se focaliser sans effort sur des activités qui les intéressent. Young applique ce raisonnement aux théories sur le TDAH, suggérant que les mécanismes sous-jacents (contrôle des impulsions ou système de récompense) affectent principalement la motivation à rester concentré sur une tâche.

Pour améliorer la concentration, Young propose d'augmenter la motivation relative pour la tâche visée ou de réduire celle pour les distractions. Bien que des incitations externes puissent aider, les récompenses et coûts intrinsèques jouent un rôle plus déterminant. Une tâche perçue comme importante ou intrinsèquement intéressante renforce naturellement la motivation à s'y consacrer.

Les équipes d'ingénierie en 2026 constatent que les agents IA échouent rarement à cause du modèle lui-même, mais en raison de problèmes d'infrastructure invisibles, comme des appels d'outils malformés, des changements de prompts non suivis ou des latences imprévisibles dans des workflows multi-étapes. Les systèmes traditionnels de monitoring backend, conçus pour des API classiques, ne suffisent pas à détecter ces défaillances, car un serveur sain peut produire des résultats erronés sans alerte.

Parmi les principaux modes de défaillance, les appels d'outils silencieux posent un défi majeur : les agents continuent souvent leur exécution malgré des données corrompues, rendant les erreurs difficiles à identifier avant que les utilisateurs ne les signalent. De même, les dérives de prompts ou de schémas, souvent perçues comme mineures, peuvent entraîner une dégradation progressive de la qualité des sorties, nécessitant une gestion versionnée et traçable des prompts comme une infrastructure critique.

Enfin, les workflows multi-étapes, combinant plusieurs appels de modèles, APIs externes et outils, sont particulièrement vulnérables aux latences explosives, où la source d'un problème devient difficile à isoler. Les équipes se tournent donc vers des solutions d'observabilité spécifiques aux agents IA pour rendre ces systèmes plus fiables et maintenables.