De plus en plus d’éditeurs d’IA pour l’entreprise se tournent vers l’indexation pour améliorer la précision, la latence et l’efficacité en tokens. C’est une très bonne nouvelle. Cela valide un principe autour duquel Glean s’est construit depuis sa création : donner à l’IA accès aux systèmes de l’entreprise ne suffit pas. Les données d’entreprise doivent être organisées, permissionnées et rendues pertinentes avant qu’un modèle puisse bien les exploiter.
L’indexation est l’un des moyens les plus efficaces d’apporter du contexte d’entreprise à l’IA. Nos clients bénéficient de l’indexation de Glean depuis 2019, sur l’ensemble de leurs applications, et ses bénéfices n’ont fait que se renforcer à mesure que l’IA prend en charge des tâches plus longues, plus complexes et plus importantes. Le rôle que joue l’indexation dans la réduction de la consommation de tokens en simplifiant la récupération du contexte pertinent devient lui aussi de plus en plus central.
Mais l’indexation seule ne constitue pas tout le système. Ce n’est qu’un composant du système de contexte de Glean. L’indexation rend l’information d’entreprise découvrable et pertinente. Les graphes cartographient les relations afin que la pertinence reflète la manière dont l’entreprise fonctionne réellement. La mémoire conserve les apprentissages entre les sessions et les tâches. Les connecteurs de données apportent ou récupèrent l’information via l’indexation, des requêtes structurées ou une fédération temps réel selon la source. Les outils permettent à l’IA d’agir sur ce contexte.
Tous les index ne relient pas l’entreprise
« Nous indexons vos données » peut désigner des systèmes très différents. Cela peut vouloir dire générer des embeddings limités pour des documents issus de quelques applications seulement, voire maintenir un index séparé pour chaque source. Les meilleurs index traversent toutes les applications de l’entreprise pour créer une base unifiée, sensible aux permissions, qui préserve les entités, les identités, l’activité et les relations. On les appelle tous des index. Mais ils ne donnent pas à l’IA la même vision de l’entreprise.
Un index par application peut améliorer la récupération dans cette source. Mais le travail en entreprise reste rarement confiné à un seul système. Un client peut apparaître dans le CRM, dans les tickets de support, dans les notes d’appel et dans les documents de planification. Si ces sources restent isolées, le modèle doit encore reconnaître qu’elles font référence au même client et réconcilier des résultats classés séparément par chaque système.
Glean normalise les contenus et les signaux sur l’ensemble des applications connectées afin que la recherche et les agents partent d’une base cohérente, sensible aux permissions. La pertinence est préparée avant la requête, et non reconstruite à partir de résultats déconnectés à chaque fois.
Un index d’entreprise doit avoir de l’étendue et de la profondeur
De nombreux fournisseurs affirment se connecter à un large éventail de systèmes d’entreprise clés, mais compter les connecteurs ne raconte qu’une partie de l’histoire. Ce qui compte, c’est à la fois l’étendue de l’index et ce qu’il préserve une fois qu’il y accède.
Étendue : l’index va-t-il là où le travail se fait ?
Le contexte n’est utile qu’à la hauteur des sources qu’il inclut. Un index qui atteint le wiki de l’entreprise et la file de support, mais s’arrête avant le CRM, peut répondre correctement à des questions de processus tout en répondant de façon incomplète à des questions client. Plus grave encore que cette inexactitude : la réponse peut tout de même sembler complète, entraînant des erreurs évitables. Aucun système d’IA ne peut prendre en compte une décision, une relation ou une exception qu’il n’a jamais eu l’occasion de trouver.
Les lacunes de couverture sont silencieuses. Elles ne produisent pas de message d’erreur. Elles produisent des réponses assurées auxquelles il manque des éléments.
Profondeur : l’index préserve-t-il ce qui rend chaque source utile ?
Un connecteur peut récupérer du texte tout en perdant la structure qui l’entoure. Un enregistrement peut arriver sans son propriétaire, son statut, ses permissions ou ses relations. Un document peut perdre les signaux d’activité et de fraîcheur qui indiquent si les équipes s’y fient encore.
Glean indexe le texte intégral, mais aussi les métadonnées, les entités structurées, les identités, les permissions et les signaux d’activité. Une opportunité Salesforce reste une opportunité, avec ses champs et ses relations intacts, au lieu d’être réduite à un bloc de texte censé décrire ces champs. Les permissions sources sont répliquées, et les mises à jour, changements de permissions et suppressions sont reflétés à mesure que les systèmes sous-jacents évoluent.
Cette profondeur influence aussi le ranking. La similarité sémantique peut montrer que deux documents traitent du même sujet. Elle ne peut pas dire au système lequel l’entreprise considère comme fiable. L’auteur, les vues, les modifications, les commentaires, la fraîcheur et les relations aident à déterminer ce qui est réellement pertinent, tandis que les permissions continuent de protéger les données sensibles et de contrôler ce que chaque personne peut voir.
Des travaux différents nécessitent des index différents
L’information d’entreprise n’a ni partout la même forme ni partout le même comportement. Un document de politique interne, un dépôt de code, un enregistrement client, un profil employé et un événement de calendrier posent chacun un problème de récupération différent. Résoudre rapidement et efficacement ces problèmes de récupération devient encore plus important à mesure que l’IA prend en charge des tâches plus vastes, plus critiques et plus complexes.
La récupération sémantique aide lorsqu’une idée est formulée différemment de sa source. La récupération lexicale est meilleure lorsque les mots exacts comptent, comme pour un nom, un identifiant, un nom de fichier ou un message d’erreur. Les enregistrements structurés doivent préserver leurs champs et leurs relations au lieu d’être aplatis en texte. Trouver le bon expert ou le bon outil repose sur des signaux différents de ceux utilisés pour trouver un document.
C’est pourquoi Glean ne s’appuie pas sur un index généraliste unique. Il utilise des index spécialisés pour les données d’entreprise, le code, les experts, les profils, les outils et les calendriers. Ces index rendent la récupération plus rapide et plus simple, réduisant l’effort que l’IA doit fournir pour produire des réponses utiles, précises et fiables.
Un meilleur index améliore l’efficacité en tokens et le rendement
Lorsque l’information source est correctement indexée, les modèles ont moins de travail à faire. Fait important, l’efficacité en tokens commence avant même que le modèle commence à raisonner. Au moment où une question atteint le modèle, le système devrait déjà avoir réalisé une grande partie du travail pour trouver et préparer le bon contexte. Glean construit des index sémantiques et lexicaux personnalisés, entraînés sur le corpus de votre entreprise, apprenant les acronymes, noms de produits, noms d’équipes et termes métier, afin que la récupération trouve le bon contexte dès le premier passage, au lieu de laisser le modèle trier et résoudre lui-même les ambiguïtés.
L’efficacité en tokens ne consiste pas à chercher le nombre de tokens le plus bas possible pour lui-même. Il s’agit de dépenser les tokens sur le raisonnement plutôt que de les gaspiller à trier sans cesse des résultats faibles ou redondants. Une fenêtre de contexte plus large, à elle seule, ne résout pas ce problème. Davantage d’informations non triées donne au modèle plus de choses à passer en revue, pas une meilleure compréhension de ce qui compte.
Cela devient encore plus important à mesure que les agents prennent en charge des tâches plus longues. Un contexte faible à une étape peut déformer tout ce qui suit. Une base de récupération plus solide rend la qualité et la latence plus prévisibles et laisse davantage de l’attention du modèle au raisonnement, à la planification et à l’action.
En pratique, une meilleure efficacité en tokens signifie qu’une plus grande part de l’effort du modèle va vers la tâche, et une plus petite vers le tri du contexte.
L’index est la base de l’IA d’entreprise
Un index solide aide l’IA à trouver la bonne information. Mais la récupération n’est qu’une partie du travail. Un agent doit encore comprendre comment cette information s’articule, comment le travail se fait, quels outils utiliser et si le résultat est réellement bon.
L’indexation n’est qu’un volet d’un système de contexte efficace
C’est précisément ce que le système de contexte de Glean vise à faire. Les index, les graphes, la mémoire, les connecteurs de données et les outils résolvent chacun une partie différente du problème de contexte.
- Les index trouvent l’information pertinente. Glean utilise des index spécialisés pour les données d’entreprise, le code, les experts, les profils, les outils et les calendriers, ainsi que des méthodes de récupération sémantiques, lexicales et structurées adaptées à différents types d’informations et de questions.
- Les graphes expliquent comment l’information s’articule. L’Enterprise Graph connecte les personnes, équipes, clients, projets, contenus, applications et processus derrière le travail. Les graphes personnels ajoutent du contexte sur la manière dont une personne travaille, y compris ses tâches, préférences, projets et schémas d’activité.
- La mémoire prolonge le contexte utile. La mémoire d’entreprise aide les agents à appliquer ce qui a été appris au fil d’un travail plus long, tandis que la mémoire personnelle aide à adapter les réponses et les tâches à une personne dans la durée.
- Les connecteurs de données empruntent le bon chemin pour chaque source. Certaines informations gagnent à être indexées. Les systèmes structurés peuvent être interrogés directement. D’autres sources appellent une récupération fédérée ou en temps réel. Glean prend en charge chacune de ces approches plutôt que d’imposer à chaque système la même méthode de récupération.
- Les outils permettent à l’IA d’agir. Les actions natives et basées sur MCP permettent aux agents de mettre à jour des enregistrements, d’envoyer des communications et d’exécuter des tâches dans des applications connectées.
Il ne s’agit pas de cinq fonctionnalités indépendantes assemblées autour d’un index. Elles se renforcent mutuellement. Des signaux plus riches en provenance des connecteurs et des outils donnent au graphe davantage d’entités, de relations et de signaux de pertinence à exploiter. Ensemble, l’Enterprise Graph et les graphes personnels ajoutent du contexte sur le fonctionnement de l’entreprise et sur la manière dont chaque personne travaille en son sein. La mémoire prolonge ce contexte, et les outils le transforment en action.
Un index superficiel limite tout ce qui est construit dessus. Mais même le meilleur index ne peut pas tout faire.
C’est la différence entre ajouter un index et construire un système de contexte. Un index aide l’IA à trouver l’information. Le système de contexte de Glean l’aide à comprendre l’entreprise, à agir sur ce qu’elle sait et à apprendre du travail effectué.
Les bonnes questions que les entreprises doivent maintenant poser
Que davantage d’éditeurs investissent dans l’indexation est une évolution bienvenue. Mais une annonce sur l’index n’est qu’un point de départ. Les entreprises doivent regarder sous le capot de l’index, puis au-delà.
Comment fonctionne l’index ? Unifie-t-il l’information entre les applications ou maintient-il chaque source séparée ? Préserve-t-il les entités, champs, identités, permissions, fraîcheur et activité ? Utilise-t-il des méthodes de récupération adaptées à différents types de travail ? Et quelle part du ranking, du filtrage et de la préparation du contexte se fait avant que le modèle ne commence à consommer des tokens ?
Qu’a construit le fournisseur au-delà de l’index ? Le système peut-il relier l’information via les relations d’entreprise, comprendre la personne et le processus derrière la tâche, prolonger l’apprentissage, choisir et utiliser les bons outils, et déterminer si le travail a été terminé avec succès et dans le respect des politiques de l’entreprise ?
Comment le fournisseur sécurise-t-il les données indexées ? L’index peut-il refléter les permissions des systèmes sources ? Comment le fournisseur protège-t-il contre les données sensibles qui pourraient être mal permissionnées dans l’organisation ?
Glean construit sur cette base depuis 2019. Le vrai standard n’est pas de savoir si un fournisseur possède un index. C’est de savoir s’il a construit le système de contexte dont l’IA a besoin pour comprendre l’entreprise et mener à bien un vrai travail.
