Développer un raisonnement agentique pour l'espace de travail moderne

L'essor de l'IA agentique a captivé l'imagination des travailleurs du savoir, promettant de transformer notre façon de travailler en créant des systèmes d'IA capables de poursuivre des objectifs de manière autonome et d'accomplir des tâches complexes. D'AutoGPT à BabyAGI, nous avons vu de plus en plus de projets tenter de créer des agents IA capables de naviguer parmi les outils, de prendre des décisions et d'atteindre des résultats concrets avec une intervention humaine minimale. Si le cycle de battage médiatique a généré son lot d'affirmations exagérées, le principe fondamental reste convaincant : des systèmes d'IA capables de comprendre des objectifs, de planifier les actions appropriées et d'exécuter des tâches de manière autonome dans un environnement de travail pourraient amplifier considérablement la productivité humaine.

À la base, l'IA agentique repose sur la boucle agent-environnement de l'apprentissage par renforcement. Un agent IA observe son environnement (comme un espace de travail doté de divers documents, outils et données), décide des actions à mener en fonction de ces observations et de ses objectifs, puis exécute ces actions pour agir sur l'environnement. Cette boucle se poursuit tandis que l'agent progresse vers ses objectifs, apprenant et s'adaptant au fil du temps. La promesse est que de tels agents puissent gérer de manière autonome tout, de l'analyse de données et de la génération de rapports à l'automatisation de flux de travail complexes et à l'aide à la décision.

Dans cet article de blog, nous passerons en revue l'évolution des attentes qui alimente le besoin de systèmes agentiques, certaines des décisions techniques clés pour construire un raisonnement agentique destiné à l'entreprise, ainsi que l'approche de Glean en matière de développement de systèmes de raisonnement agentique.

L'évolution des attentes

Lorsque les utilisateurs ont commencé à travailler avec l'IA générative, ils partaient d'une compréhension élémentaire de ce qu'ils pouvaient accomplir. Ils posaient à ChatGPT des questions du type : « Quel est l'itinéraire idéal pour un week-end de trois jours à Barcelone ? » Les utilisateurs ont appris par l'expérimentation, en commençant par des questions simples et en devenant progressivement plus avancés par le test et l'apprentissage.

Au cours de l'année écoulée, les attentes des utilisateurs envers l'IA ont évolué pour désormais exiger l'accomplissement de tâches complexes propres aux données et au travail de l'entreprise. Leurs besoins sont passés de la recherche d'informations et de la découverte d'insights à l'exécution de flux de travail, où l'IA raisonne et prend des décisions à leur place. Dans le même temps, l'IA générative a été commercialisée et les entreprises souhaitent investir dans l'IA générative pour outiller ces collaborateurs et renforcer leur propre avantage concurrentiel. Les ingénieurs veulent des revues de code automatisées pour les pull requests, les organisations de service client recherchent la résolution automatisée des tickets, et les équipes commerciales veulent que l'IA les aide à traiter et à analyser les tendances sur des centaines d'appels.

Si les grands modèles de langage (LLM) ont démontré d'impressionnantes capacités de raisonnement pour les premières requêtes, leur raisonnement prêt à l'emploi s'apparente à l'embauche d'un collaborateur brillant mais flambant neuf, dépourvu de contexte d'entreprise. À mesure que les attentes se complexifient, la plupart des systèmes initiaux conçus pour prendre en charge des requêtes simples ne suffiront pas : des systèmes agentiques sont nécessaires pour le raisonnement et l'exécution requis par ces tâches. Grâce à la technologie RAG de Glean et au raisonnement agentique, ce collaborateur brillant acquiert le contexte nécessaire pour comprendre les informations et les processus de l'ensemble de son entreprise.

Espace d'action : le spectre généralisation-spécialisation

L'une des décisions architecturales les plus cruciales dans la construction d'un système d'IA agentique est la définition de son espace d'action : l'ensemble des opérations que l'agent peut effectuer pour interagir avec son environnement. Chez Glean, nous avons constaté que ce choix façonne fondamentalement les capacités, les performances et la fiabilité d'un agent. L'espace d'action existe sur un spectre allant de très généralisé à très spécialisé, chaque point offrant des avantages et des compromis distincts.

Comprendre le spectre généralisation-spécialisation

La granularité des actions dont dispose un agent détermine sa position sur le spectre généralisation-spécialisation. À une extrémité, les agents dotés d'actions primitives de bas niveau offrent une flexibilité maximale mais requièrent des chaînes d'opérations plus complexes, où la sortie d'une opération devient l'entrée de la suivante. À l'autre extrémité, les agents spécialisés dotés d'actions de haut niveau peuvent exécuter des tâches complexes de manière efficace, mais dans un périmètre plus restreint.

Explorons cela à travers des exemples concrets :

1. Agents d'utilisation d'ordinateur (généralisation élevée)
   • Fonctionnent avec des primitives atomiques comme les clics, la saisie au clavier et les mouvements du curseur
   • Peuvent théoriquement accomplir toute tâche qu'un humain peut effectuer sur un ordinateur
   • Exemples : automatisation du navigateur, agents d'interaction avec l'interface utilisateur
2. Agents d'utilisation d'outils (généralisation moyenne)
   • Travaillent avec des primitives de niveau intermédiaire comme les appels d'API et les opérations sur les outils
   • Équilibrent flexibilité et efficacité opérationnelle
   • Exemples : agents d'automatisation de flux de travail, pipelines de traitement de données
3. Agents spécialisés (généralisation faible)
   • Agents orchestrateurs qui coordonnent plusieurs agents spécialisés par domaine
   • Chaque sous-agent est optimisé pour un cas d'usage particulier
   • Exemples : un agent principal qui achemine les requêtes vers un agent de service client, un agent de rédaction de contrats, un agent de débogage en ingénierie, un agent RFP pour les ventes

Compromis clés

Le choix de la granularité de l'espace d'action s'accompagne de compromis importants qui doivent être soigneusement pris en compte :

Agents généralisés :

• ➕ Peuvent gérer un plus large éventail de tâches et s'adapter à de nouveaux scénarios
• ➕ Plus résilients face aux changements de l'environnement
• ➖ Latence plus élevée pour accomplir la même tâche en raison de séquences d'actions plus longues
• ➖ Plus grande variabilité des résultats et risque d'erreurs accru
• ➖ Plus complexes à développer et à maintenir

Agents spécialisés :

• ➕ Exécution plus rapide des tâches propres à un domaine
• ➕ Résultats plus cohérents et fiables
• ➕ Peuvent tirer parti d'une connaissance approfondie du domaine et de l'optimisation
• ➖ Limités à des cas d'usage spécifiques
• ➖ Moins adaptables aux changements ou aux nouvelles exigences

À mesure que le domaine de l'IA agentique évolue, nous observons une bifurcation naturelle des approches selon la répartition des cas d'usage. Cette bifurcation suggère que les architectures d'agents IA d'entreprise performantes devront probablement prendre en charge les deux paradigmes, potentiellement via une approche hybride capable de tirer parti à la fois d'agents spécialisés et généralisés selon la tâche à accomplir.

Associer le raisonnement agentique au savoir de l'entreprise

Un véritable raisonnement d'entreprise nécessite d'associer l'intelligence générale des LLM à une connaissance organisationnelle approfondie et aux processus métier. Chez Glean, nous avons développé un moteur de raisonnement agentique pour relever les flux de travail complexes propres à toute entreprise.

Tout commence par la recherche – notre couche de récupération des connaissances qui indexe l'intégralité du savoir de l'entreprise, réparti sur des centaines d'applications SaaS, de référentiels de données et de systèmes de communication.  Cela permet de rendre accessible l'ensemble du corpus de données de l'entreprise pour une analyse avec l'IA.

S'appuyant sur cette base, les capacités de prompting de Glean permettent aux organisations d'encoder leur expertise institutionnelle (c'est-à-dire leurs processus métier) dans des flux de travail réutilisables. Grâce aux prompts, les clients peuvent exprimer leur intention en langage naturel et Glean la convertit en une séquence d'étapes à l'aide de blocs de construction qu'ils peuvent ensuite choisir de modifier. Glean crée visuellement ces prompts en combinant des blocs de construction qui récupèrent du contenu depuis l'index Glean avec des étapes de raisonnement par LLM. Ces prompts capturent non seulement les étapes d'un processus, mais aussi la compréhension nuancée de la manière dont les choses doivent être faites dans le contexte spécifique de l'entreprise. Ils transforment le savoir tribal en processus systématiques et reproductibles, conformes aux règles de conformité, tout en conservant la flexibilité nécessaire pour s'adapter aux exigences uniques de chaque situation.

Au plus haut niveau, notre système de raisonnement agentique gère les deux types de cas d'usage, qu'ils disposent ou non de schémas prédéfinis. Ce système ne fonctionne pas en vase clos ; au contraire, il s'appuie sur toutes les couches qui le sous-tendent, en combinant des blocs de construction de flux de travail avec des capacités de raisonnement général. Il peut adapter des schémas connus à des situations inédites tout en restant aligné sur les pratiques et préférences de l'organisation.

Cette architecture en couches crée des agents qui comprennent réellement votre organisation. Ils peuvent interpréter les requêtes dans le contexte des opérations de l'entreprise, accéder aux connaissances organisationnelles pertinentes, et soit tirer parti des flux de travail existants, soit élaborer de nouvelles approches alignées sur les pratiques de l'entreprise. Les agents apprennent au fil du temps ce qui fonctionne, planifient et évaluent différentes voies pour atteindre des objectifs, et le font de manière autonome tout en gardant à l'esprit l'intérêt supérieur de votre organisation. Plus important encore, les agents peuvent s'adapter et répondre aux retours tout en maintenant la cohérence avec les normes et les attentes de l'entreprise.

Chez Glean, nous innovons et faisons continuellement évoluer notre architecture de raisonnement agentique pour alimenter des flux de travail complexes. Nous avons vu notre architecture agentique aider les clients de Glean à résoudre les tickets clients. Pour chaque ticket ouvert dans Zendesk ou Service Cloud, Glean peut identifier des pistes de résolution suggérées et fournir tout le contexte nécessaire pour clôturer un ticket plus rapidement – en déterminant même la cause profonde et la façon de résoudre le ticket de support client. À l'avenir, notre architecture agentique intégrera un raisonnement accru et des cas d'usage élargis : les compagnies d'assurance pourront examiner les demandes et déterminer l'éligibilité à une couverture, les entreprises médicales pourront synthétiser les antécédents médicaux pour faciliter le diagnostic, et les équipes de recherche et développement pourront concevoir de nouveaux produits en combinant des comptes rendus d'appels qualitatifs, des insights de marché et des données d'enquêtes quantitatives au sein d'une même requête.