Explication des 7 composants clés d’une architecture d’agent IA

Une architecture d’agent IA repose sur sept composants clés : définition des objectifs, perception et traitement des entrées, mémoire, raisonnement et planification, exécution d’outils et action, orchestration et coordination, ainsi que feedback et observabilité. Ensemble, ces couches définissent la manière dont un agent absorbe l’information, décide quoi faire, agit dans vos systèmes et s’améliore au fil du temps. Réussissez l’architecture et vos agents restent fiables, sécurisés et gouvernables. Faites fausse route et ils se bloquent, hallucinent ou agissent en dehors de leurs limites.

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, ce n’est pas le modèle à lui 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 un dîner peut échouer discrètement. Un agent d’entreprise qui résout un ticket de support, met à jour un enregistrement CRM ou saisit une note de frais manipule des données soumises à des autorisations et réalise 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 différencie un agent d’un assistant plus simple. Un agent IA planifie sur plusieurs étapes et passe à l’action, tandis qu’un outil « single-turn » se contente de répondre. Les sections ci-dessous détaillent chacun des sept composants, la manière dont ils s’articulent, et comment Glean fournit chaque couche sur une plateforme unique et gouvernée.

En quoi l’architecture d’un agent IA diffère 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 découper une demande comme « résoudre ce ticket de support » en un plan, rassembler le contexte, rédiger une réponse et clôturer le ticket, alors qu’un répondant « single-turn » ne peut que vous expliquer comment faire.

Cet écart change la façon dont vous construisez. Un chatbot a besoin d’un bon modèle et d’un prompt. Un agent a besoin de toutes les couches 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 e-mail au mauvais client, a des conséquences  c’est pourquoi les agents exigent des limites d’objectif, des permissions et des pistes d’audit auxquelles un répondant « single-turn » ne touche jamais.

Glean reflète cette distinction dans son produit. Glean Assistant est une interface conversationnelle qui fournit des réponses factuelles et sourcées à partir des connaissances de votre entreprise. Glean Agents planifient, s’adaptent et agissent avec le contexte et la gouvernance propres à l’entreprise. Les deux s’appuient sur le même système de contexte  ainsi, une réponse comme une action s’appuient sur les mêmes données tenant compte des permissions.

Définition des objectifs

La définition des objectifs ancre la finalité d’un agent IA. Elle établit 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 de définition des objectifs solide inclut le périmètre de la tâche, les priorités de performance et les 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 une boucle indéfinie et fixer un seuil de confiance en dessous duquel il escalade vers un humain au lieu 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 de sécurité par défaut et des chemins d’escalade empêchent les comportements inappropriés et rendent les décisions de l’agent auditables et prévisibles.

Avec Glean Agents, vous définissez les objectifs et garde-fous des agents et les gouvernez via Agent Governance, qui impose le périmètre, les permissions et les règles d’escalade sous lesquels un agent s’exécute.

Perception et traitement des entrées

La couche de perception et d’entrées est le système sensoriel d’un agent IA. Elle collecte et normalise les entrées provenant de canaux comme l’e-mail, le chat, les API ou les systèmes de données d’entreprise. Avant tout raisonnement, les données doivent être validées et assainies pour des raisons de sécurité et de pertinence.

L’assainissement des entrées inspecte et modifie les données entrantes afin de prévenir toute activité malveillante ou corruption. Cette étape protège contre l’injection de prompt ou les tentatives de déni de service qui pourraient compromettre la fiabilité. Une couche d’entrées bien conçue permet aussi une conscience multimodale, en traitant le texte, les enregistrements structurés, les transcriptions vocales ou les images comme un contexte unifié pour la prise de décision.

Input SourceData TypeValidation LayerOutput DestinationSlack / ChatText / MetadataSanitization, Entity ParsingShort-term memoryAPI FeedsStructured JSONSchema Validation, Rate LimitingPersistent memoryUploaded FilesDocuments / MediaVirus Scan, Content ExtractionVector database

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 250 connecteurs et l’Enterprise Graph, qui ingère le contenu, l’activité et les données d’identité, et restreint chaque entrée aux permissions déjà 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 vector stores pour un rappel en profondeur.

La mémoire de travail assure la continuité conversationnelle 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 « stateless », en stockant tout le contexte en externe afin de conserver contrôle et 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 bien réelle. Il associe par similarité, mais passe à côté des relations entre personnes, contenu et activité  il peut donc faire remonter un document qui semble pertinent à la lecture mais qui est obsolète ou rédigé par la mauvaise équipe. Quand un agent demande « quelle est notre politique tarifaire actuelle », la recherche par similarité peut renvoyer un ancien deck au lieu de la page validée, 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, pondère les informations disponibles et choisit la meilleure séquence d’actions. Il transforme une tâche abstraite en un plan structuré grâce à 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 Monte Carlo pour une optimisation probabiliste. En entreprise, les modèles hybrides réactif-délibératif offrent souvent le meilleur équilibre entre agilité et fiabilité. Commencez par une couche réactive qui traite rapidement les requêtes de routine, et réservez un raisonnement délibératif plus lourd aux demandes complexes, en plusieurs étapes, lorsque la confiance est faible ou que les enjeux sont élevés.

Stratégie de raisonnementPoints fortsLimitesÀ base de règlesPrévisible, transparentRigide, difficile à faire évoluerChain-of-thoughtSolide pour une 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 soit de s’arrêter après la recherche, soit de poursuivre sur le parcours agentique, ce qui permet de garder les questions simples rapides et de réserver le raisonnement en plusieurs étapes aux plus difficiles. Les premiers résultats de cette architecture ont montré une augmentation 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 s’en charge en appelant des API, en déclenchant des workflows ou en exécutant des commandes dans des conditions contrôlées.

Les agents d’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 s’appuie sur la validation de schémas, 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 secondaires 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, favorisant une planification itérative et une auditabilité transparente. Glean Agents exécute des outils avec une exécution tenant compte des autorisations, en appliquant les autorisations 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 entre tâches et domaines. La couche d’orchestration et de coordination maintient cette collaboration structurée, efficace et résiliente.

Deux modèles dominent. Dans le modèle superviseur-travailleurs, un agent superviseur délègue des sous-tâches à des travailleurs 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 des étapes dans un ordre fixe, où la sortie de chaque étape alimente la suivante  cela convient à un flux de révision de documents qui extrait, résume, puis route pour approbation. Le modèle superviseur-travailleurs convient au travail à embranchements avec plusieurs spécialités, tandis que les pipelines conviennent aux processus prévisibles et linéaires. La résilience est essentielle dans les deux cas : les couches d’orchestration ont besoin de logique de nouvelle tentative, de superviseurs de secours et de disjoncteurs (circuit breakers) pour éviter qu’une étape en échec ne se propage à l’ensemble du workflow.

Par défaut, privilégiez un agent unique lorsque c’est possible. N’ajoutez un second agent que lorsque la complexité de la tâche ou le parallélisme l’exigent réellement, car chaque agent supplémentaire introduit une surcharge de coordination et amplifie le risque d’erreurs cumulées. Un agent unique bien cadré, avec un accès solide aux outils, surpasse souvent une configuration multi-agents sur des workflows simples.

Glean Agent Orchestration coordonne les agents à travers vos systèmes avec un contexte et une gouvernance partagés, afin que chaque agent d’un workflow s’appuie sur la même connaissance 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 désigne des mécanismes intégrés pour collecter, suivre et analyser les décisions des agents afin de faciliter 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 des journaux d’audit IA alignés sur des réglementations comme l’EU AI Act.

L’évaluation automatisée est là où cela se complique, et Glean dispose de données propriétaires à ce sujet. Noter manuellement la sortie des agents ne passe pas à l’échelle une fois que vous exécutez des milliers de requêtes par jour, mais de nombreuses équipes supposent 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 a été d’accord avec eux dans 74% des cas, proche des 79% d’accord que les humains atteignaient entre eux. Cette précision proche de l’humain permet à Glean d’évaluer à grande échelle la récupération et la génération, et de détecter des régressions avant qu’elles n’atteignent les utilisateurs. Glean associe cette évaluation basée sur des LLM à Agent Governance pour des pistes d’audit et une supervision human-in-the-loop, afin que vous puissiez surveiller, auditer et avoir confiance dans ce que font vos agents.

Comment les sept composants fonctionnent ensemble

Les sept composants forment une boucle unique. La définition des objectifs 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 d’outils réalise chaque étape et réécrit les résultats en mémoire. L’orchestration coordonne les agents et les outils impliqués lorsqu’une tâche couvre plusieurs spécialités. Le feedback et l’observabilité enregistrent chaque décision et évaluent le résultat, puis renvoient ce qu’ils apprennent vers la mémoire afin que l’exécution suivante démarre de manière plus intelligente. La boucle se répète jusqu’à ce que l’objectif soit atteint ou qu’une règle de terminaison se déclenche.

Chaque couche dépend des autres. Même un moteur de raisonnement performant échoue si la perception lui fournit des données obsolètes, et des actions sûres ont peu de valeur sans les limites d’objectif qui déterminent quand s’arrêter. Les couches ne sont aussi solides que leur maillon le plus faible. Glean assemble ces sept couches au sein d’un système de contexte gouverné unique, afin que les objectifs, les données, les actions et les pistes d’audit partagent le même modèle d’autorisations au lieu d’être raboutés entre des outils distincts.

Questions fréquentes

Quels sont les composants clés d’une architecture d’agent IA ?

Les composants clés sont 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. Chaque couche gère une partie de la manière dont un agent absorbe 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 sur un seul tour et s’arrête. Glean le reflète dans son produit : Glean Assistant fournit des réponses fiables 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 sorties, en utilisant une mémoire de travail à court terme pour les tâches immédiates et une mémoire persistante à long terme pour un rappel approfondi. Enterprise Graph et Personal Graph de Glean rendent ce rappel conscient des relations et gouverné par des autorisations plutôt que fondé sur la seule similarité.

Comment les outils et les actions permettent-ils l’autonomie dans les 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 mener le 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 jouent le feedback et l’observabilité 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 LLM de Glean a atteint 74 % d’accord avec des évaluateurs humains, proche des 79 % que les humains ont atteints entre eux, et s’associe à Agent Governance pour les pistes d’audit.

‍