Une architecture d’agent IA comporte sept composants fondamentaux : la définition des objectifs, la perception et le traitement des entrées, la mémoire, le raisonnement et la planification, l’exécution d’outils et l’action, l’orchestration et la coordination, ainsi que le feedback et l’observabilité. Ensemble, ces couches définissent comment un agent ingère des informations, décide quoi faire, agit dans l’ensemble de vos systèmes et s’améliore au fil du temps. Réussissez l’architecture et vos agents restent fiables, sécurisés et gouvernables. Trompez-vous et ils se bloquent, hallucinent ou agissent en dehors de leur périmètre.
Un agent IA est un logiciel qui poursuit un objectif de manière autonome en planifiant des étapes, en appelant des outils et en s’adaptant en fonction des résultats. Ce qui le rend fiable ne dépend pas du modèle seul. L’architecture autour du modèle détermine la fiabilité, la sécurité et la gouvernance, car elle décide quelles données l’agent peut voir, quelles actions il peut entreprendre et comment vous auditez ce qu’il a fait.
L’architecture compte davantage en entreprise que dans un contexte grand public. Un agent grand public qui réserve une table peut échouer discrètement. Un agent d’entreprise qui résout un ticket de support, met à jour un enregistrement CRM ou soumet une note de frais manipule des données soumises à des autorisations et effectue de vraies actions une couche faible devient alors un risque de sécurité ou de conformité plutôt qu’un simple désagrément. Les sept composants existent pour rendre chacun de ces points contrôlable.
C’est aussi ce qui distingue un agent d’un assistant plus simple. Un agent IA planifie sur de nombreuses étapes et passe à l’action, tandis qu’un outil à un seul tour se contente de répondre. Les sections ci-dessous présentent chacun des sept composants, la manière dont ils se connectent, et comment Glean fournit chaque couche au sein d’une plateforme unique gouvernée.
En quoi l’architecture d’un agent IA diffère-t-elle d’un chatbot
Un agent IA planifie sur plusieurs étapes, conserve une mémoire, appelle des outils et passe à l’action, puis vérifie son propre travail. Un chatbot répond à une question à la fois et s’arrête là. La différence, c’est l’agentivité : un agent peut décomposer une demande comme « résoudre ce ticket de support » en un plan, rassembler le contexte, rédiger une réponse et clôturer le ticket, tandis qu’un répondant à un seul tour ne peut que vous dire comment le faire.
Cet écart façonne la manière dont vous concevez le système. Un chatbot a besoin d’un bon modèle et d’un prompt. Un agent a besoin de chaque couche de cet article, car la planification, la mémoire et l’action introduisent chacune de nouveaux points où le système peut échouer ou dépasser les limites. Une mauvaise réponse est facile à ignorer. Une mauvaise action, comme clôturer le mauvais ticket ou envoyer un email au mauvais client, a des conséquences — c’est pourquoi les agents exigent des limites d’objectif, des permissions et des pistes d’audit que les répondants à un seul tour n’abordent jamais.
Glean reflète cette distinction dans son produit. Glean Assistant est une interface conversationnelle qui fournit des réponses fondées, avec citations, à partir des connaissances de votre entreprise. Glean Agents planifient, s’adaptent et agissent avec un contexte et une gouvernance de niveau entreprise. Les deux s’appuient sur le même système de contexte, de sorte qu’une réponse comme une action s’alimentent aux mêmes données tenant compte des permissions.
Définition des objectifs
La définition des objectifs ancre la raison d’être d’un agent IA. Elle fixe ce que l’agent cherche à accomplir, comment le succès est mesuré et quand il doit s’arrêter. Des objectifs clairs maintiennent les agents dans des limites approuvées, respectent les contraintes de conformité et produisent des résultats alignés sur l’intention métier.
Une couche solide de définition des objectifs inclut le périmètre de la tâche, les priorités de performance et des règles d’arrêt telles que des plafonds d’itération, des budgets de tokens ou des seuils de confiance. Prenez le triage des tickets de support : vous pouvez limiter l’agent à trois étapes de recherche, définir un budget de tokens pour éviter qu’il ne boucle indéfiniment, et fixer un seuil de confiance en dessous duquel il escalade vers un humain plutôt que de répondre. Ces limites transforment un « aider le client » ouvert en une tâche bornée avec une sortie claire. Lorsque les objectifs sont ambigus, des valeurs par défaut de sécurité et des chemins d’escalade évitent des comportements inappropriés et rendent les décisions de l’agent auditables et prévisibles.
Avec Glean Agents, vous définissez les objectifs et garde-fous de l’agent et vous les gouvernez via Agent Governance, qui applique le périmètre, les permissions et les règles d’escalade dans lesquels s’exécute un agent.
Perception et traitement des entrées
La couche de perception et d’entrée est le système sensoriel d’un agent IA. Elle collecte et normalise les entrées provenant de canaux comme l’email, le chat, les API ou les systèmes de données d’entreprise. Avant tout raisonnement, les données doivent être validées et assainies pour la sécurité et la pertinence.
L’assainissement des entrées examine et modifie les données entrantes pour empêcher toute activité malveillante ou corruption. Cette étape protège contre l’injection de prompt ou des tentatives de déni de service qui pourraient compromettre la fiabilité. Une couche d’entrée bien conçue permet aussi une compréhension multimodale, en traitant le texte, les enregistrements structurés, les transcriptions vocales ou les images comme un contexte unifié pour la prise de décision.
< ;div class="overflow-scroll" role="region" aria-label="AI data flow from input source to output destination"> ;
; ;< ;table class="rich-text-table_component"> ;
; ; ;< ;thead class="rich-text-table_head"> ;
; ; ; ;< ;tr class="rich-text-table_row"> ;
; ; ; ; ;< ;th class="rich-text-table_header" scope="col"> ;Source d’entrée< ; ;/th> ;
; ; ; ; ;< ;th class="rich-text-table_header" scope="col"> ;Type de données< ; ;/th> ;
; ; ; ; ;< ;th class="rich-text-table_header" scope="col"> ;Couche de validation< ; ;/th> ;
; ; ; ; ;< ;th class="rich-text-table_header" scope="col"> ;Destination de sortie< ; ;/th> ;
; ; ; ;< ; ;/tr> ;
; ; ;< ; ;/thead> ;
; ; ;< ;tbody class="rich-text-table_body"> ;
; ; ; ;< ;tr class="rich-text-table_row"> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Slack / Chat< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Texte / Métadonnées< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Assainissement, Analyse des entités< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Mémoire à court terme< ; ;/td> ;
; ; ; ;< ; ;/tr> ;
; ; ; ;< ;tr class="rich-text-table_row"> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Flux API< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;JSON structuré< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Validation de schéma, Limitation de débit< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Mémoire persistante< ; ;/td> ;
; ; ; ;< ; ;/tr> ;
; ; ; ;< ;tr class="rich-text-table_row"> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Fichiers téléversés< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Documents / Médias< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Analyse antivirus, extraction de contenu< ; ;/td> ;
; ; ; ; ;< ;td class="rich-text-table_cell"> ;Base de données vectorielle< ; ;/td> ;
; ; ; ;< ; ;/tr> ;
; ; ;< ; ;/tbody> ;
; ;< ; ;/table> ;
< ; ;/div> ;
En ingérant de manière sécurisée des données multi-formats, les agents construisent une base fiable pour le raisonnement et la mémoire. Glean unifie ce pipeline de perception via plus de 100 connecteurs et l’Enterprise Graph, qui ingère des données de contenu, d’activité et d’identité, et limite chaque entrée aux autorisations existantes de chaque utilisateur.
Systèmes de mémoire
La mémoire permet aux agents IA de conserver le contexte et d’apprendre des interactions passées. Elle se divise en mémoire de travail à court terme, utilisée pour le contexte immédiat, et en mémoire persistante à long terme, stockée dans des bases de données externes ou des magasins vectoriels pour un rappel approfondi.
La mémoire de travail assure la continuité des conversations et l’exécution dynamique des tâches, tandis que la mémoire persistante permet une personnalisation plus riche et une compréhension sur le long terme. De nombreuses entreprises adoptent des appels IA sans état, en stockant tout le contexte à l’extérieur afin de conserver le contrôle et la transparence. Un modèle hybride équilibre vitesse et coût : des caches à court terme pour la réactivité, associés à des bases de données vectorielles pour une récupération à grande échelle.
Le rappel vectoriel seul a une limite réelle. Il fait correspondre sur la similarité, mais passe à côté des relations entre les personnes, le contenu et l’activité il peut donc faire remonter un document qui semble pertinent, mais qui est obsolète ou rédigé par la mauvaise équipe. Lorsqu’un agent demande « quelle est notre politique tarifaire actuelle », la recherche par similarité peut renvoyer un ancien support au lieu de la page approuvée, car les deux se ressemblent. L’Enterprise Graph et le Personal Graph de Glean ajoutent cette couche relationnelle, offrant aux agents un rappel qui pondère l’autorité, la récence et les personnes liées à chaque document, tout en restant limité à ce que l’utilisateur est autorisé à voir.
Raisonnement et planification
Le moteur de raisonnement est l’endroit où un agent IA décompose des objectifs, évalue les informations disponibles et choisit la meilleure séquence d’actions. Il transforme une tâche abstraite en un plan structuré via des étapes délibérées et une logique itérative.
Les schémas de raisonnement courants incluent des systèmes à base de règles pour un contrôle déterministe, des stratégies de chain-of-thought pour une délibération structurée, des approches de tree-of-thought pour explorer des alternatives, et des méthodes stochastiques comme les simulations de Monte Carlo pour une optimisation probabiliste. En contexte entreprise, des modèles hybrides réactifs-délibératifs offrent souvent le meilleur équilibre entre agilité et fiabilité.
Stratégie de raisonnementForcesLimitesÀ base de règlesPrévisible, transparentRigide, difficile à faire évoluerChain-of-thoughtTrès efficace pour la logique linéaireTendance à trop réfléchirTree-of-thoughtExplore plusieurs pistesCoûteux en calculMonte CarloGère l’incertitudeNécessite de grands échantillons
Glean exécute son propre raisonnement agentique sur l’Agentic Engine, qui progresse en cinq étapes : rechercher, réfléchir, planifier, exécuter et répondre. À l’étape de réflexion, l’agent évalue son niveau de confiance dans une première réponse et décide s’il doit s’arrêter à la recherche ou poursuivre sur la voie agentique, ce qui garde les questions simples rapides et réserve le raisonnement multi-étapes aux questions difficiles. Les premiers résultats de cette architecture ont montré une hausse de 24 % de la pertinence des réponses et des actions. Vous pouvez lire l’analyse complète dans agentic reasoning : the future of Work AI.
Exécution d’outils et action
Après la planification, un agent doit agir, en transformant le raisonnement en résultats. La couche d’exécution d’outils ou d’action le fait en invoquant des API, en déclenchant des workflows ou en exécutant des commandes dans des conditions contrôlées.
Les agents en entreprise se connectent à un ensemble croissant d’outils tels que des systèmes CRM, des plateformes de gestion de tickets et des tableaux de bord d’analytique, et ils doivent le faire en toute sécurité. Le routage sécurisé des outils utilise la validation de schéma, des autorisations au moindre privilège et des environnements sandbox pour maîtriser le risque d’exécution. Cette pratique, souvent appelée action sandboxing, protège contre les abus ou les effets de bord involontaires.
Type d’actionExemple d’outilMécanisme de sécuritéAppel d’API Système RH interneAuthentification, limites de débitMise à jour de base de donnéesBase de données d’inventaireApplication du schéma, verrous d’écritureDéclenchement de workflowPlateforme d’automatisationExécution en sandbox
Les résultats post-action alimentent la mémoire de l’agent, soutenant une planification itérative et une auditabilité transparente. Glean Agents exécute les outils avec une exécution tenant compte des autorisations, en appliquant les permissions en amont du LLM afin qu’un agent ne puisse agir que sur les données et systèmes auxquels l’utilisateur est déjà autorisé à accéder.
Orchestration et coordination
À grande échelle, plusieurs agents doivent coopérer sur des tâches et des domaines. La couche d’orchestration et de coordination maintient cette collaboration structurée, efficace et résiliente.
Deux schémas dominent. Dans le modèle superviseur-travailleurs, un agent superviseur délègue des sous-tâches à des agents spécialisés : un problème client peut ainsi être routé en parallèle vers un agent de facturation, un agent technique et un agent de compte, puis le superviseur fusionne leurs résultats en une seule réponse. Un pipeline séquentiel exécute au contraire les étapes dans un ordre fixe, où la sortie de chaque étape alimente la suivante, ce qui convient à un flux de revue documentaire qui extrait, résume, puis route pour approbation. Le modèle superviseur-travailleurs convient aux travaux ramifiés avec plusieurs spécialités, tandis que les pipelines conviennent aux processus prévisibles et linéaires. La résilience compte dans les deux cas : les couches d’orchestration ont besoin de logique de retry, de superviseurs de secours et de disjoncteurs (circuit breakers) pour éviter qu’une étape en échec ne se propage à l’ensemble du workflow.
Glean Agent Orchestration coordonne les agents à travers vos systèmes avec un contexte partagé et de la gouvernance, afin que chaque agent d’un workflow s’appuie sur les mêmes connaissances tenant compte des autorisations et opère sous les mêmes contrôles.
Feedback et observabilité
Les systèmes de feedback et d’observabilité bouclent la boucle, permettant aux agents de s’améliorer tout en restant auditables. Cette couche suit chaque décision, changement d’état et appel d’outil, créant un historique transparent pour la conformité et le débogage.
L’observabilité des agents IA correspond à des mécanismes intégrés de collecte, de suivi et d’analyse des décisions des agents pour soutenir le débogage, la conformité et l’amélioration continue. Associés à des boucles de feedback, où les agents apprennent des résultats et affinent leur planification, ces systèmes améliorent les performances et la fiabilité. Les fonctionnalités essentielles incluent la détection automatisée des erreurs, une supervision human-in-the-loop et une journalisation d’audit IA alignée sur des réglementations comme l’EU AI Act.
L’évaluation automatisée est là où les choses se compliquent, et Glean dispose de données propriétaires sur le sujet. Noter manuellement les résultats d’un agent ne passe pas à l’échelle quand vous exécutez des milliers de requêtes par jour, mais de nombreuses équipes partent du principe que des évaluateurs humains sont bien plus précis qu’un évaluateur IA. Lorsque Glean a testé son évaluation basée sur des LLM face à des évaluateurs humains, l’IA était d’accord avec eux 74% du temps, proche des 79% d’accord atteints par les humains entre eux. Cette précision quasi humaine permet à Glean d’évaluer à grande échelle à la fois la recherche (retrieval) et la génération, et de détecter les régressions avant qu’elles n’atteignent les utilisateurs. Glean associe cette évaluation basée sur des LLM à la Agent Governance pour des pistes d’audit et une supervision humaine (human-in-the-loop), afin que vous puissiez surveiller, auditer et faire confiance à ce que font vos agents.
Comment les sept composants fonctionnent ensemble
Les sept composants forment une boucle unique. La définition de l’objectif fixe l’objectif et les conditions d’arrêt. La perception ingère et assainit les entrées pertinentes. La mémoire fournit le contexte passé et stocke le nouveau contexte au fur et à mesure qu’il arrive. Le raisonnement et la planification transforment l’objectif et le contexte en un plan étape par étape. L’exécution des outils réalise chaque étape et réécrit les résultats dans la mémoire. L’orchestration coordonne les agents et les outils impliqués lorsqu’une tâche couvre plusieurs spécialités. Le feedback et l’observabilité consignent chaque décision et évaluent le résultat, puis renvoient ce qu’ils apprennent dans la mémoire afin que l’exécution suivante démarre plus intelligemment. La boucle se répète jusqu’à ce que l’objectif soit atteint ou qu’une règle de terminaison se déclenche.
Un schéma des composants annoté s’intègre naturellement ici, en cartographiant le flux de l’objectif à travers la perception, la mémoire, le raisonnement, l’action et l’orchestration jusqu’à la boucle de feedback. Les couches ne sont solides qu’à la hauteur de leur maillon le plus faible : un moteur de raisonnement performant échoue tout de même si la perception lui fournit des données obsolètes, et des actions sûres signifient peu sans les limites de l’objectif qui déterminent quand s’arrêter. Glean assemble ces sept couches sur un système gouverné unique de contexte, de sorte que les objectifs, les données, les actions et les pistes d’audit partagent le même modèle d’autorisations au lieu d’être raccordés entre des outils distincts.
Questions fréquentes
Quels sont les composants essentiels d’une architecture d’agent IA ?
Les composants essentiels sont la définition de l’objectif, la perception et le traitement des entrées, la mémoire, le raisonnement et la planification, l’exécution des outils et l’action, l’orchestration et la coordination, ainsi que le feedback et l’observabilité. Chaque couche prend en charge une partie de la façon dont un agent ingère des informations, décide, agit et s’améliore.
En quoi une architecture d’agent IA est-elle différente d’un chatbot ?
Un agent IA planifie sur plusieurs étapes, conserve une mémoire, appelle des outils et passe à l’action, puis vérifie son propre travail, tandis qu’un chatbot répond à un seul tour et s’arrête. Glean le reflète dans son produit : Glean Assistant fournit des réponses fondées et sourcées, et Glean Agents planifient et agissent avec gouvernance.
Pourquoi la mémoire est-elle importante dans les agents IA, et quels types existent ?
La mémoire permet aux agents de conserver le contexte et de personnaliser les résultats, en utilisant une mémoire de travail à court terme pour les tâches immédiates et une mémoire persistante à long terme pour une restitution approfondie. Enterprise Graph et Personal Graph de Glean rendent cette restitution consciente des relations et gouvernée par les autorisations, plutôt que basée sur la seule similarité.
Comment les outils et les actions permettent-ils l’autonomie des agents IA ?
Les outils et les actions permettent aux agents d’interagir avec des systèmes externes, d’exécuter des tâches et de mettre en œuvre des décisions pour accomplir un travail de bout en bout. Glean Agents exécutent ces actions avec une exécution tenant compte des autorisations, en appliquant les permissions en amont du LLM afin que les agents n’agissent que sur des données auxquelles l’utilisateur peut accéder.
Quel rôle le feedback et l’observabilité jouent-ils dans l’amélioration des agents IA ?
Le feedback et l’observabilité permettent aux agents d’apprendre des résultats, de corriger les erreurs et de rester auditables grâce à des décisions consignées et à l’évaluation. L’évaluation basée sur des LLM de Glean a atteint 74% d’accord avec les évaluateurs humains, proche des 79% atteints par les humains entre eux, et s’associe à Agent Governance pour les pistes d’audit.
Demandez une démo pour découvrir comment Glean et l’IA peuvent transformer votre environnement de travail : https://www.glean.com/fr/get-a-demo
