7 composants essentiels d’une architecture d’agent IA expliqués
Une architecture d’agent IA comporte sept composants essentiels : définition des objectifs, perception et traitement des entrées, mémoire, raisonnement et planification, exécution d’outils et action, orchestration et coordination, et feedback et observabilité. Ensemble, ces couches définissent la manière dont un agent ingère 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 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 tient pas au seul modèle. L’architecture autour du modèle détermine la fiabilité, la sécurité et la gouvernance, car c’est elle qui décide quelles données l’agent peut voir, quelles actions il peut effectuer 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 sans bruit. 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 permissions et exécute de vraies actions : une couche fragile devient alors un risque de sécurité ou de conformité plutôt qu’une simple gêne. 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 interaction unique ne fait que répondre. Les sections ci-dessous passent en revue 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 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, alors qu’un répondant à interaction unique ne peut que vous dire comment faire.
Cet écart façonne la manière de construire. Un chatbot a besoin d’un bon modèle et d’un prompt. Un agent a besoin de chaque couche décrite dans cet article, car la planification, la mémoire et l’action introduisent chacune de nouveaux points où le système peut échouer ou dépasser ses 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 que les répondants à interaction unique n’effleurent jamais.
Glean reflète cette distinction dans son produit. Glean Assistant est une interface conversationnelle qui fournit des réponses fondées, citées, 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’exécutent sur le même système de contexte : ainsi, une réponse et 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 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 de définition des objectifs robuste inclut le périmètre de la tâche, les priorités de performance et des règles d’arrêt comme des plafonds d’itérations, 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 paramètres 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 vous les gouvernez via Agent Governance, qui applique le périmètre, les permissions et les règles d’escalade sous lesquels un agent opère.
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’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 les activités malveillantes ou la corruption. Cette étape protège contre l’injection de prompt ou les tentatives de déni de service qui pourraient compromettre la fiabilité. Une couche d’entrée bien conçue permet aussi une conscience multimodale, en traitant du texte, des enregistrements structurés, des transcriptions vocales ou des images comme un contexte unifié pour la prise de décision.
Source d’entréeDonnéesTypeCouche de validationSortieDestinationSlack / ChatTexte / MétadonnéesAssainissement, analyse d’entitésMémoire à court termeFlux d’APIsJSON structuréValidation de schéma, limitation de débitMémoire persistanteFichiers téléversésDocuments / médiasAnalyse antivirus, extraction de contenuBase de données vectorielle
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 cantonne chaque entrée aux permissions 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 approfondi.
La mémoire de travail prend en charge 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 sans état, en stockant tout le contexte en externe afin de garder le contrôle et la transparence. Un modèle hybride équilibre la vitesse et le 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 met en correspondance par similarité, mais ignore les relations entre personnes, contenu et activité il peut donc faire remonter un document qui semble pertinent, 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 approuvée, car les deux se ressemblent à la lecture. L’Enterprise Graph et le Personal Graph de Glean ajoutent cette couche relationnelle, donnant aux agents un rappel qui pondère l’autorité, la récence et les personnes liées à chaque document, et reste 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 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 de Monte Carlo pour une optimisation probabiliste. En environnement entreprise, les modèles hybrides réactifs-délibératifs 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 raisonnementForcesLimitesÀ base de règlesPrévisible, transparentRigide, difficile à faire évoluerChain-of-thoughtTrès efficace pour une logique linéaireSujet à la sur-analyseTree-of-thoughtExplore plusieurs trajectoiresCoûteux en calculMonte CarloGère l’incertitudeNécessite de grands échantillons
Glean exécute son propre raisonnement agentique sur l’Agentic Engine, qui progresse en cinq étapes : search, reflect, plan, execute et respond. À l’étape reflect, l’agent évalue son niveau de confiance dans une réponse initiale et décide de s’arrêter à search ou de poursuivre sur la trajectoire agentique, ce qui maintient les questions simples rapides et réserve le raisonnement multi-étapes aux plus 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 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 d’outils de plus en plus large, comme des systèmes CRM, des plateformes de gestion de tickets et des tableaux de bord d’analytics, et ils doivent le faire en toute sécurité. Le routage sécurisé des outils s’appuie sur 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 non intentionnels.
Type d’actionExemple d’outilMécanisme de sécuritéAppel d’API Système RH interneAuthentification, limites de débitMise à jour de base de donnéesBase d’inventaireApplication du schéma, verrous d’écritureDéclenchement de workflowPlateforme d’automatisationExécution en sandbox
Les résultats post-action alimentent la mémoire de l’agent, ce qui soutient une planification itérative et une auditabilité transparente. Les Glean Agents exécutent 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 les systèmes auxquels l’utilisateur a déjà le droit d’accéder.
Orchestration et coordination
À grande échelle, plusieurs agents doivent coopérer à travers des tâches et des domaines. La couche d’orchestration et de coordination maintient cette collaboration structurée, efficace et résiliente.
Deux modèles dominent. Dans le modèle supervisor-worker, un agent superviseur délègue des sous-tâches à des workers spécialisés ainsi, un problème client peut 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, ce qui convient à un flux de revue de documents qui extrait, résume, puis route pour approbation. Le modèle supervisor-worker 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 coupe-circuits (circuit breakers) pour éviter qu’une étape en échec ne se propage à l’ensemble du workflow.
Par défaut, privilégiez un seul agent quand c’est possible. Ajoutez un deuxième agent uniquement lorsque la complexité de la tâche ou le parallélisme l’exige 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 robuste 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 debugging.
L’observabilité dans les agents IA désigne des mécanismes intégrés pour collecter, suivre et analyser les décisions des agents afin de soutenir le debugging, la conformité et l’amélioration continue. Associés à des boucles de feedback, où les agents apprennent des résultats et affinent leur planification, ces systèmes augmentent la performance et la fiabilité. Les fonctionnalités essentielles incluent la détection automatisée des erreurs, une supervision human-in-the-loop et une journalisation d’audit IA conforme à des réglementations comme l’EU AI Act.
L’évaluation automatisée est là où cela devient difficile, et Glean dispose de données propriétaires à ce sujet. Noter la sortie d’un agent à la main ne passe pas à l’échelle dès lors que vous exécutez des milliers de requêtes par jour, mais beaucoup d’équipes partent du principe que des évaluateurs humains sont bien plus précis qu’un évaluateur IA. Lorsque Glean a testé son évaluation basée sur un LLM face à des évaluateurs humains, l’IA était d’accord avec eux 74% du temps, 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 à la fois la récupération (retrieval) et la génération, et de détecter des régressions avant qu’elles n’atteignent les utilisateurs. Glean associe cette évaluation basée sur un LLM à Agent Governance pour des pistes d’audit et une supervision 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 d’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 enregistrent 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.
Chaque couche dépend des autres. Même un moteur de raisonnement très 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 solides qu’à hauteur de leur maillon le plus faible. Glean assemble ces sept couches au sein d’un système unique et gouverné de contexte, afin que les objectifs, les données, les actions et les pistes d’audit partagent le même modèle d’autorisations, au lieu d’être bricolés entre des outils distincts.
Questions fréquentes
Quels sont les composants essentiels d’une architecture d’agent IA ?
Les composants essentiels 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 ingère l’information, 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 en 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 une 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. L’Enterprise Graph et le Personal Graph de Glean rendent cette restitution sensible aux 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 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 journalisées et à l’évaluation. L’évaluation basée sur LLM de Glean a atteint 74 % d’accord avec des évaluateurs humains, proche des 79 % atteints entre humains, et s’associe à Agent Governance pour les pistes d’audit.
