7 composants essentiels d'une architecture d'agent IA, expliqués
Une architecture d'agent IA repose sur sept composants essentiels : 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 assimile l'information, décide quoi faire, agit dans vos systèmes et s'améliore au fil du temps. Si l'architecture est bien conçue, vos agents restent fiables, sécurisés et gouvernables. Si elle est mal conçue, ils s'enlisent, 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 seul. L'architecture qui entoure le 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 pouvez auditer 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 au restaurant peut échouer discrètement. Un agent d'entreprise qui résout un ticket d'assistance, met à jour une fiche CRM ou dépose une note de frais touche des données soumises à autorisation et prend de vraies actions : une couche défaillante devient alors un risque de sécurité ou de conformité plutôt qu'une simple gêne. Les sept composants existent pour rendre chacun de ces points maîtrisable.
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 simple outil à tour unique se contente de répondre. Les sections ci-dessous détaillent chacun des sept composants, la façon dont ils s'articulent et comment Glean fournit chaque couche sur une seule plateforme 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 tient à la capacité d'agir : un agent peut décomposer une requête comme « résoudre ce ticket d'assistance » en un plan, rassembler le contexte, rédiger une réponse et clôturer le ticket, tandis qu'un répondeur à tour unique ne peut que vous expliquer comment le faire.
Cet écart façonne la manière de construire. Un chatbot a besoin d'un bon modèle et d'une invite. Un agent a besoin de chacune des couches décrites dans cet article, car la planification, la mémoire et l'action introduisent chacune de nouveaux points où le système peut échouer ou outrepasser 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 les limites d'objectifs, les autorisations et les pistes d'audit qu'un répondeur à tour unique ne touche jamais.
Glean reflète cette distinction dans son produit. Glean Assistant est une interface conversationnelle qui fournit des réponses fondées et sourcées à partir des connaissances de votre entreprise. Glean Agents planifient, s'adaptent et agissent avec le contexte et la gouvernance de l'entreprise. Les deux reposent sur le même système de contexte, de sorte qu'une réponse et une action s'appuient sur les mêmes données tenant compte des autorisations.
Définition des objectifs
La définition des objectifs ancre la finalité d'un agent IA. Elle précise 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 conformes à l'intention métier.
Une couche de définition d'objectifs solide comprend le périmètre de la tâche, les priorités de performance et les règles d'arrêt telles que les plafonds d'itérations, les budgets de tokens ou les seuils de confiance. Prenons le tri des tickets d'assistance : vous pouvez plafonner l'agent à trois étapes de recherche, définir un budget de tokens pour qu'il ne boucle pas indéfiniment, 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 paramètres de sécurité par défaut et des chemins d'escalade préviennent tout comportement inapproprié et rendent les décisions de l'agent auditables et prévisibles.
Avec Glean Agents, vous définissez les objectifs et les garde-fous des agents et les gouvernez grâce à la Gouvernance des agents, qui applique le périmètre, les autorisations 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 tels que l'e-mail, le chat, les API ou les systèmes de données d'entreprise. Avant tout raisonnement, les données doivent être validées et nettoyées pour des raisons de sécurité et de pertinence.
Le nettoyage des entrées inspecte et modifie les données entrantes afin de prévenir toute activité malveillante ou corruption. Cette étape protège contre les tentatives d'injection d'invite ou de déni de service susceptibles de compromettre la fiabilité. Une couche d'entrée bien conçue permet également une prise de conscience multimodale, en traitant le texte, les enregistrements structurés, les transcriptions vocales ou les images comme un contexte unifié pour la prise de décision.
Source d'entréeType de donnéesCouche de validationDestination de sortieSlack / ChatTexte / MétadonnéesNettoyage, analyse d'entitésMémoire à court termeFlux d'APIJSON structuréValidation de schéma, limitation de débitMémoire persistanteFichiers téléversésDocuments / MédiasAnalyse antivirus, extraction de contenuBase de données vectorielle
En ingérant des données multiformats de manière sécurisée, les agents bâtissent une base fiable pour le raisonnement et la mémoire. Glean unifie ce pipeline de perception sur plus de 250 connecteurs et le Graphe d'entreprise, qui ingère les contenus, l'activité et les données 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 de vecteurs pour une mémorisation approfondie.
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 à long terme. De nombreuses entreprises adoptent des appels IA sans état, stockant tout le contexte en externe pour conserver maîtrise 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 évolutive.
La récupération vectorielle seule a une vraie limite. Elle fait correspondre sur la base de la similarité mais passe à côté des relations entre les personnes, les contenus et l'activité : elle peut donc 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 une ancienne présentation au lieu de la page approuvée, car les deux se ressemblent. Le Graphe d'entreprise et le Graphe personnel de Glean ajoutent cette couche relationnelle, offrant aux agents une récupération qui pondère l'autorité, la fraîcheur et les personnes liées à chaque document, tout en restant limitée à ce que l'utilisateur est autorisé à voir.
Raisonnement et planification
Le moteur de raisonnement est l'endroit où un agent IA décompose les 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 à une logique itérative.
Les schémas de raisonnement courants incluent les systèmes basés sur des règles pour un contrôle déterministe, les stratégies de chaîne de pensée pour une délibération structurée, les approches d'arbre de pensée pour explorer des alternatives, et les méthodes stochastiques comme les simulations de Monte-Carlo pour une optimisation probabiliste. Dans les environnements d'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 le raisonnement délibératif plus lourd aux demandes complexes et à plusieurs étapes, lorsque la confiance est faible ou les enjeux élevés.
Stratégie de raisonnementForcesLimitesBasé sur des règlesPrévisible, transparentRigide, difficile à faire évoluerChaîne de penséePerformant pour la logique linéaireEnclin à la sur-réflexionArbre de penséeExplore plusieurs cheminsCoûteux en calculMonte-CarloGère l'incertitudeNécessite de grands échantillons
Glean exécute son propre raisonnement agentique sur l'Agentic Engine, qui passe par cinq étapes : rechercher, réfléchir, planifier, exécuter et répondre. À l'étape de réflexion, l'agent évalue sa confiance dans une première réponse et décide s'il doit s'arrêter à la recherche ou poursuivre sur la voie agentique, ce qui permet de traiter rapidement les questions simples et de réserver le raisonnement à plusieurs étapes aux questions difficiles. Les premiers résultats de cette architecture ont montré une amélioration de 24 % de la pertinence des réponses et des actions. Vous pouvez lire l'analyse complète dans le raisonnement agentique : l'avenir de la Work AI.
Exécution des outils et action
Après la planification, un agent doit agir, transformant le raisonnement en résultats. La couche d'exécution des outils ou d'action réalise cela en appelant des API, en déclenchant des flux de travail ou en exécutant des commandes dans des conditions contrôlées.
Les agents d'entreprise se connectent à un ensemble croissant d'outils tels que les systèmes CRM, les plateformes de ticketing et les tableaux de bord analytiques, et ils doivent le faire en toute sécurité. Le routage sécurisé des outils utilise la validation de schéma, les permissions au moindre privilège et les 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'actionOutil d'exempleMécanisme de sécuritéAppel d'APISystème RH interneAuthentification, limites de débitMise à jour de base de donnéesBase de données d'inventaireApplication de schéma, verrous d'écritureDéclencheur de flux de travailPlateforme d'automatisationExécution en sandbox
Les résultats post-action sont réinjectés dans la mémoire de l'agent, ce qui favorise une planification itérative et une auditabilité transparente. Les Glean Agents exécutent les outils avec une exécution tenant compte des permissions, 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 schémas dominent. Dans le modèle superviseur-exécutant, un agent superviseur délègue des sous-tâches à des exécutants spécialisés, de sorte qu'un problème client peut être acheminé 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 plutôt les étapes dans un ordre fixe, où la sortie de chaque étape alimente la suivante, ce qui convient à un flux de révision de documents qui extrait, résume, puis achemine pour approbation. Le modèle superviseur-exécutant convient au travail avec ramifications et 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 d'une logique de nouvelle tentative, de superviseurs de secours et de disjoncteurs pour éviter qu'une étape en échec ne se répercute en cascade sur l'ensemble du flux de travail.
Optez par défaut pour un seul agent 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'accumulation d'erreurs. Un seul agent bien délimité, doté d'un bon accès aux outils, surpasse souvent une configuration multi-agents sur les flux de travail simples.
L'Orchestration des agents Glean coordonne les agents à travers vos systèmes avec un contexte et une gouvernance partagés, de sorte que chaque agent d'un flux de travail s'appuie sur les mêmes connaissances tenant compte des permissions 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 dans les agents IA désigne les mécanismes intégrés pour collecter, suivre et analyser les décisions des agents afin de 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, la supervision humaine dans la boucle et la journalisation des audits IA conforme à des réglementations comme l'EU AI Act.
C'est dans l'évaluation automatisée que cela devient difficile, et Glean dispose de données propriétaires à ce sujet. Noter la sortie des agents à la main ne tient pas à l'échelle dès lors que vous exécutez des milliers de requêtes par jour, mais de nombreuses équipes supposent que les 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 les évaluateurs 74 % du temps, proche des 79 % d'accord que les humains atteignaient entre eux. Cette précision quasi humaine permet à Glean d'évaluer à grande échelle à la fois la récupération et la génération, et de détecter les régressions avant qu'elles n'atteignent les utilisateurs. Glean associe cette évaluation basée sur un LLM à la Gouvernance des agents pour les pistes d'audit et la supervision humaine dans la boucle, 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 des objectifs fixe l'objectif et les conditions d'arrêt. La perception reçoit et assainit les entrées pertinentes. La mémoire fournit le contexte passé et stocke le nouveau contexte 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 enregistrent chaque décision et évaluent le résultat, puis réacheminent 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. Un moteur de raisonnement performant échoue malgré tout si la perception lui transmet des données obsolètes, et des actions sûres ne valent pas grand-chose sans les limites d'objectif qui déterminent quand s'arrêter. Les couches ne sont jamais plus solides que leur maillon le plus faible. Glean assemble ces sept couches sur un seul système de contexte gouverné, de sorte que les objectifs, les données, les actions et les pistes d'audit partagent le même modèle de permissions au lieu d'être assemblés à partir d'outils distincts.
Foire aux questions
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 d'actions, l'orchestration et la coordination, ainsi que le feedback et l'observabilité. Chaque couche gère une partie de la façon dont un agent reçoit l'information, décide, agit et s'améliore.
En quoi une architecture d'agent IA diffère-t-elle d'un chatbot ?
Un agent IA planifie à travers plusieurs étapes, conserve une mémoire, appelle des outils et passe à l'action, puis vérifie son propre travail, tandis qu'un chatbot répond à une seule interaction et s'arrête là. Glean reflète cela dans son produit : Glean Assistant fournit des réponses fiables et sourcées, et Glean Agents planifient et agissent dans un cadre gouverné.
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 leurs résultats, en utilisant une mémoire de travail à court terme pour les tâches immédiates et une mémoire persistante à long terme pour une mémorisation approfondie. Le Graphe d'entreprise et le Graphe personnel de Glean rendent cette mémorisation consciente des relations et gouvernée par les permissions, plutôt que fondée sur la seule similarité.
Comment les outils et les actions favorisent-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 consciente des permissions, en appliquant les permissions en amont du LLM afin que les agents n'agissent que sur les données auxquelles l'utilisateur a accès.
Quel rôle jouent le feedback et l'observabilité dans l'amélioration des agents IA ?
Le feedback et l'observabilité permettent aux agents d'apprendre de leurs résultats, de corriger leurs erreurs et de rester auditables grâce à la journalisation des décisions et à l'évaluation. L'évaluation de Glean basée sur les LLM a atteint 74 % de concordance avec les évaluateurs humains, proche des 79 % de concordance entre humains, et s'associe à la Gouvernance des agents pour les pistes d'audit.
