Concevoir 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 se multiplier les projets visant à créer des agents IA capables de naviguer entre des outils, de prendre des décisions et d’obtenir des résultats concrets avec un minimum d’intervention humaine. Si le cycle de hype a généré son lot d’affirmations excessives, le postulat de fond reste convaincant : des systèmes d’IA capables de comprendre des objectifs, de planifier les actions appropriées et d’exécuter des tâches de façon autonome dans un environnement de travail pourraient démultiplier la productivité humaine.

Au cœur de l’IA agentique se trouve la boucle agent-environnement issue de l’apprentissage par renforcement. Un agent IA observe son environnement (par exemple, un espace de travail avec divers documents, outils et données), décide des actions à mener en fonction de ces observations et de ses objectifs, puis exécute ces actions pour modifier l’environnement. Cette boucle se poursuit tandis que l’agent progresse vers ses objectifs, en apprenant et en s’adaptant au fil du temps. La promesse : de tels agents pourraient gérer de manière autonome tout ce qui va de l’analyse de données et la génération de rapports à l’automatisation de workflows complexes et à l’aide à la décision.

Dans cet article de blog, nous passerons en revue l’évolution des attentes qui stimule le besoin de systèmes agentiques, certaines décisions techniques clés pour construire un raisonnement agentique à l’échelle de l’entreprise, ainsi que l’approche de Glean pour développer des systèmes de raisonnement agentique.

Évolution des attentes 

Quand les utilisateurs ont commencé à travailler avec l’IA générative, ils avaient une compréhension de base de ce qu’ils pouvaient accomplir. Ils posaient à ChatGPT des questions comme : « Quel itinéraire de trois jours pour un week-end à Barcelone ? » Les utilisateurs ont appris par l’expérimentation, en commençant par des questions simples, puis en gagnant en sophistication à force de tester et d’apprendre. 

Au cours de l’année écoulée, les attentes des utilisateurs vis-à-vis de l’IA ont évolué : ils attendent désormais l’exécution de tâches complexes, spécifiques aux données et au travail en entreprise. Leurs besoins sont passés de la recherche d’information et de la découverte d’insights à l’exécution de workflows, où l’IA raisonne et prend des décisions à leur place. Dans le même temps, l’IA générative s’est commercialisée, et les entreprises veulent investir dans l’IA générative pour équiper ces collaborateurs et renforcer leur avantage concurrentiel. Les ingénieurs veulent des revues de code automatisées pour les pull requests, les organisations de service client cherchent des résolutions de tickets automatisées, et les équipes commerciales veulent que l’IA les aide à traiter et analyser les tendances sur des centaines d’appels. 

Si les grands modèles de langage (LLMs) ont démontré des capacités de raisonnement impressionnantes pour les premières requêtes, leur raisonnement prêt à l’emploi revient à embaucher un employé brillant, mais tout juste arrivé, sans contexte d’entreprise. À mesure que les attentes gagnent en complexité, la plupart des systèmes initiaux conçus pour des requêtes simples ne suffiront pas : des systèmes agentiques sont nécessaires pour fournir le raisonnement et l’exécution qu’exigent ces tâches. Avec la technologie RAG de Glean et le raisonnement agentique, cet employé brillant acquiert le contexte nécessaire pour comprendre l’information et les processus à l’échelle de toute l’entreprise. 

Espace d’action : le spectre généralisation-spécialisation

L’une des décisions d’architecture les plus cruciales lors de la conception d’un système d’IA agentique consiste à définir 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 se situe sur un spectre allant du très généralisé au très spécialisé, chaque position offrant des avantages et des compromis distincts.

Comprendre le spectre généralisation-spécialisation

La granularité des actions disponibles pour 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 nécessitent des enchaînements d’opérations plus complexes, où la sortie d’une opération devient l’entrée de la suivante. À l’autre extrémité, les agents spécialisés avec des actions de haut niveau peuvent accomplir efficacement des tâches complexes, mais dans un périmètre plus restreint.

Explorons cela à travers des exemples concrets :

1. Agents d’utilisation de l’ordinateur (forte généralisation)
   • Fonctionnent avec des primitives atomiques comme des clics, des saisies clavier et des mouvements de curseur
   • Peuvent, en théorie, accomplir toute tâche qu’un humain peut réaliser sur un ordinateur
   • Exemples : automatisation de navigateur, agents d’interaction UI
2. Agents d’utilisation d’outils (généralisation moyenne)
   • S’appuient sur des primitives de niveau intermédiaire comme des appels API et des opérations d’outils
   • Équilibrent flexibilité et efficacité opérationnelle
   • Exemples : agents d’automatisation de workflows, pipelines de traitement de données
3. Agents spécialisés (faible généralisation)
   • Agents orchestrateurs qui coordonnent plusieurs agents spécifiques à un domaine
   • Chaque sous-agent est optimisé pour un cas d’usage particulier
   • Exemples : un agent maître qui route les demandes vers un agent support client, un agent de rédaction de contrats, un agent de débogage pour l’ingénierie, un agent RFP pour les ventes

Principaux compromis

Le choix de la granularité de l’espace d’action implique des compromis importants qu’il faut évaluer avec soin :

Agents généralisés :

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

Agents spécialisés :

• ➕ Exécution plus rapide des tâches spécifiques à un domaine
• ➕ Résultats plus cohérents et plus fiables
• ➕ Peuvent tirer parti d’une expertise métier approfondie et d’optimisations
• ➖ Limités à des cas d’usage spécifiques
• ➖ Moins adaptables aux changements ou à de 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 d’IA en entreprise qui réussissent devront probablement prendre en charge les deux paradigmes, potentiellement via une approche hybride capable de tirer parti d’agents spécialisés comme d’agents généralistes selon la tâche à accomplir.

Allier le raisonnement agentique à la connaissance de l’entreprise

Le véritable raisonnement en entreprise exige de combiner l’intelligence générale des LLMs avec une connaissance approfondie de l’organisation et des processus métier. Chez Glean, nous avons développé un moteur de raisonnement agentique pour prendre en charge des workflows complexes, propres à toute entreprise.

Les fondations commencent par la recherche – notre couche de récupération des connaissances qui indexe l’intégralité des connaissances de l’entreprise, réparties dans potentiellement des centaines d’applications SaaS, de dépôts de données et de systèmes de communication.  Cela permet à l’ensemble du corpus de données de l’entreprise d’être accessible à l’IA pour analyse.

En s’appuyant sur ces fondations, les capacités de prompting de Glean permettent aux organisations d’encoder leur expertise institutionnelle (c.-à-d. les processus métier) sous forme de workflows réutilisables. Grâce aux prompts, les clients peuvent exprimer leur intention en langage naturel et Glean la convertira en une séquence d’étapes à l’aide de briques modulaires qu’ils pourront ensuite choisir de modifier. Glean crée visuellement ces prompts en combinant des briques qui récupèrent du contenu depuis l’index Glean avec des étapes de raisonnement des LLMs. Ces prompts capturent non seulement les étapes d’un processus, mais aussi la compréhension fine de la manière dont les choses doivent être faites dans le contexte spécifique de l’entreprise. Cela transforme la connaissance tacite en processus systématiques et reproductibles, conformes aux règles de conformité, tout en conservant la flexibilité nécessaire pour s’adapter aux exigences propres à chaque situation.

Au plus haut niveau, notre système de raisonnement agentique prend en charge les deux types de cas d’usage, qu’ils présentent ou non des schémas prédéfinis. Ce système ne fonctionne pas en vase clos au contraire, il s’appuie sur toutes les couches sous-jacentes, en combinant des briques de workflow avec des capacités de raisonnement général. Il peut adapter des schémas connus à des situations inédites tout en restant aligné avec les pratiques et préférences de l’organisation.

Cette architecture en couches crée des agents qui comprennent réellement votre organisation. Ils peuvent interpréter les demandes dans le contexte des opérations de l’entreprise, accéder aux connaissances organisationnelles pertinentes et, soit exploiter des workflows existants, soit construire de nouvelles approches alignées avec les pratiques de l’entreprise. Au fil du temps, les agents apprennent ce qui fonctionne, en planifiant et en évaluant différents chemins pour atteindre les objectifs, et ce 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 standards et les attentes de l’entreprise.

Chez Glean, nous innovons et faisons évoluer en continu notre architecture de raisonnement agentique afin d’alimenter des workflows complexes. Nous avons vu notre architecture agentique aider des clients Glean à résoudre des tickets clients. Pour chaque ticket ouvert dans Zendesk ou Service Cloud, Glean peut identifier des parcours de résolution suggérés et fournir tout le contexte nécessaire pour clôturer un ticket plus rapidement — allant jusqu’à déterminer la cause racine et la manière de résoudre le ticket de support client. À l’avenir, notre architecture agentique intégrera davantage de raisonnement et couvrira des cas d’usage élargis : des compagnies d’assurance pourront examiner des demandes et déterminer l’éligibilité à la couverture, des entreprises du secteur médical pourront synthétiser des dossiers médicaux antérieurs pour aider au diagnostic, et des équipes de recherche & développement pourront concevoir de nouveaux produits en combinant, au sein d’une seule requête, des comptes rendus d’appels qualitatifs, des insights de marché et des données d’enquête quantitatives.