.webp)
Les agents d’IA ont besoin de plus que de la recherche d’entreprise pour travailler de manière fiable. Ils ont besoin d’une couche de contexte d’entreprise qui récupère les informations les plus fiables à partir des systèmes connectés, comprend comment ces informations s’articulent entre outils et équipes, applique les autorisations des sources à chaque fois, et fournit les bonnes preuves à chaque étape d’un workflow.
Cette couche de contexte est l’élément que la plupart des évaluations d’IA en entreprise négligent encore. Les équipes comparent la qualité des modèles, la taille des fenêtres de contexte et le nombre de connecteurs. Tout cela est important, mais dès que l’IA passe de réponses à des questions ponctuelles à l’aide pour la recherche, les décisions, la rédaction et l’exécution, le problème le plus difficile devient la qualité du contexte — la capacité du système à ancrer chaque étape de chaque workflow dans une connaissance d’entreprise à jour, pertinente et respectueuse des autorisations.
La recherche d’entreprise classique a résolu une version antérieure de ce problème. Comme l’explique le guide fondateur de Glean sur ce qu’est la recherche d’entreprise, la première génération de valeur était la « trouvabilité » : aider les employés à localiser l’information à travers des systèmes fragmentés. Les agents d’aujourd’hui relèvent la barre : ils ne se contentent pas de trouver l’information ils agissent dessus au sein de workflows où un seul document obsolète peut faire dérailler tout ce qui suit.
Si vous évaluez des plateformes pour des assistants ou des agents, cette distinction — la recherche d’entreprise comme fonctionnalité versus le contexte d’entreprise comme fondation — doit orienter l’ensemble du processus.
La recherche d’entreprise a résolu un problème. Les agents d’IA en ont créé un plus grand.
La recherche d’entreprise répondait à une difficulté simple : la connaissance de l’entreprise était dispersée entre documents, chat, tickets, wikis, enregistrements CRM et systèmes métiers. La recherche a offert aux employés un moyen plus rapide de trouver ce dont ils avaient besoin sans deviner d’abord où chercher. Désormais, l’IA élargit considérablement le périmètre, parce que les humains et les agents ne gèrent pas les résultats imparfaits de la même manière.
Un employé peut parcourir une liste de résultats bruitée, repérer un document obsolète, ouvrir la bonne source et compléter le contexte manquant grâce à son expérience. Un agent peut aussi filtrer — au prix de davantage d’appels d’outils, de plus de contexte et de plus de temps. Et quand les agents se trompent, leurs erreurs se cumulent silencieusement. Une personne qui reprend la politique tarifaire de l’an dernier remarque généralement la date. Un agent la cite avec une confiance totale, puis construit les trois étapes suivantes du workflow par-dessus.
Le défi passe donc de l’aide à une personne pour localiser un document à la capacité de fournir à un assistant ou à un agent les preuves exactes dont il a besoin pour raisonner, répondre et agir de manière fiable. La qualité du contexte est désormais une contrainte critique de la qualité de l’IA en entreprise.
Ce qui change quand l’utilisateur est un agent, pas un employé
Les humains sont des utilisateurs indulgents de la recherche. Ils déduisent l’autorité, comparent les sources et décident quand continuer à creuser. Les agents ont besoin d’une couche de contexte conçue pour une consommation machine autant que pour un usage humain. Un socle d’exigences clés se distingue :
Les agents ont besoin d’une récupération faisant autorité
Récupérer des documents qui mentionnent le sujet ne suffit pas. L’agent a besoin des preuves les plus fiables pour la tâche à accomplir : la politique en vigueur, le plan de projet canonique, le bon dossier client, l’extrait exact qui répond à la question. La récupération faisant autorité distingue un agent fiable d’un agent qui sonne simplement plausible.
Les agents ont besoin de signal, pas de volume
Quand la récupération est faible, les agents compensent : plus de recherches, plus de documents lus, plus de boucles via davantage d’outils. Chaque passage supplémentaire ajoute de la latence et des coûts, et le contexte à faible valeur noie le signal nécessaire. Une couche de contexte solide fonctionne à l’inverse : elle réduit ce que le modèle doit traiter en livrant moins de résultats, mieux classés.
Les agents ont besoin d’une compréhension inter-systèmes
Le travail réel vit généralement à plusieurs endroits. Prenez une escalade de facturation : la plainte du client est dans un fil Slack, le correctif d’ingénierie dans un ticket Jira, l’historique dans un dossier de support, et le risque de renouvellement dans un plan de compte CRM. Pour un moteur à mots-clés, ce sont quatre artefacts sans lien qui partagent par hasard certains termes. Pour bien traiter l’escalade, un agent doit les voir comme une seule histoire. Cela exige une récupération qui dépasse la recherche de mots-clés pour comprendre comment les objets de travail sont liés.
Les agents ont besoin d’un contexte respectueux des autorisations
Les autorisations doivent être intégrées à l’architecture, pas à l’UI. Un agent ne doit récupérer que ce que l’utilisateur demandeur est autorisé à voir, et il doit le faire de manière cohérente dans chaque système connecté. Dans les environnements d’entreprise, la confiance s’érode rapidement si les réponses de l’IA ne sont pas régies par les mêmes règles d’accès que les systèmes sources eux-mêmes.
Les agents ont besoin d’une livraison de contexte optimisée pour le travail multi-étapes
Les agents répondent rarement une seule fois puis s’arrêtent. Ils récupèrent, raisonnent, résument, décident et passent à l’étape suivante. Chaque étape nécessite des preuves différentes. Bourrer plus d’informations dans un prompt plus grand ne résout pas le problème. Fournir le bon contexte au bon moment, au bon stade d’exécution, oui.
Pourquoi la recherche d’entreprise évolue vers le contexte d’entreprise
Ces exigences expliquent le passage au contexte d’entreprise. Ce qui a commencé avec des fondations de recherche s’étend désormais bien au-delà d’une barre de recherche : c’est l’ensemble complet de systèmes et de signaux qui aident l’IA à comprendre ce que votre entreprise sait, quelles informations font autorité, comment tout se connecte, et ce qui doit parvenir à un utilisateur donné dans un workflow donné. C’est aussi le pont entre l’apprentissage de la recherche d’entreprise et l’évaluation de logiciels de recherche d’entreprise pour l’IA. Voici les couches d’architecture qui rendent le contexte d’entreprise possible :
Connecteurs profonds et ingestion
L’IA d’entreprise n’est utile que dans la mesure où elle peut atteindre les systèmes, et le seul nombre de connecteurs vous en dit peu. Pour être efficace, chaque intégration doit être suffisamment profonde pour extraire un contenu significatif, des métadonnées, des autorisations et des relations depuis les systèmes où le travail se fait réellement.
Indexation et fraîcheur
Les agents sont extrêmement sensibles au contexte obsolète. Là où une réponse vieille d’un jour peut seulement gêner un chercheur humain, elle peut faire dérailler entièrement un workflow automatisé. L’indexation, la fraîcheur et la capture des changements sont des prérequis pour laisser l’IA rédiger, recommander ou agir.
Récupération hybride
La correspondance par mots-clés seule ne suffit pas, et la récupération purement sémantique non plus. Les requêtes en entreprise sont truffées de noms de produits exacts, d’acronymes, de noms de clients et de raccourcis internes que la recherche sémantique a tendance à estomper — aux côtés d’intentions larges et ambiguës que la recherche lexicale ne peut pas interpréter. Une approche hybride gère les deux à la fois, c’est pourquoi Glean combine la précision lexicale avec la compréhension sémantique afin d’améliorer la récupération aussi bien sur les requêtes à correspondance exacte que sur les intentions plus générales.
Un graphe de connaissances qui cartographie comment le travail se connecte
Les documents n’existent pas en vase clos. Les personnes, les équipes, les clients, les projets, les tickets, les réunions et les fichiers sont tous liés les uns aux autres. Un graphe de connaissances rend ces relations exploitables en désambiguïsant les entités, en reliant les personnes et les objets de travail associés, et en mettant en avant du contenu pertinent grâce aux connexions du travail, plutôt que parce qu’un terme apparaît sur une page. Le graphe de connaissances Glean décrit cette architecture en profondeur — c’est la couche qui transforme les quatre artefacts dispersés de cette escalade de facturation en une vue cohérente.
Permissions appliquées lors de la récupération
Un contexte utile et un contexte sûr doivent être une seule et même chose. Cela implique une récupération tenant compte des permissions, intégrée aux fondations plutôt qu’ajoutée a posteriori, où chaque réponse devient une exposition potentielle. Glean, par exemple, respecte les permissions existantes des systèmes sources dans tout ce qu’il récupère.
Distribution du contexte pour l’IA en aval
Même une récupération robuste ne fait qu’une partie du travail. Le système doit aussi décider comment transmettre le contexte à l’IA en aval : quels passages inclure, quelles relations préserver, quoi résumer et quoi conserver mot pour mot. La couche de distribution est ce qui transforme la recherche d’entreprise en contexte d’entreprise.
Pourquoi la connectivité seule ne suffit pas
Les protocoles de connectivité sont essentiels pour le contexte d’entreprise. MCP et les approches fédérées facilitent grandement l’accès des systèmes d’IA à des outils et des données externes, et cette interopérabilité est indispensable — Glean la prend en charge. Mais connectivité et contexte résolvent des problèmes différents, et comme l’explique MCP + la recherche fédérée tuent-ils l’index ?, atteindre un système n’est pas la même chose qu’en récupérer correctement les informations.
Une configuration connectée mais superficielle peut malgré tout renvoyer des résultats lents, partiels, faiblement classés ou incohérents. Elle peut récupérer trop de contenu. Elle n’a pas de bon moyen de déterminer quelle source fait autorité, quelle version est à jour, quels artefacts sont liés entre eux, ou quel passage sert le mieux l’étape suivante d’un workflow. Les architectures indexées, hybrides et sensibles aux graphes comblent cet écart. Un classement unifié, une meilleure fraîcheur, une récupération consciente des relations et une application cohérente des permissions créent les conditions d’un ancrage fiable.
La différence est mesurable : dans l’évaluation de Glean, Tous les contextes d’entreprise ne se valent pas, des évaluateurs humains ayant exprimé une préférence ont choisi comme correctes, 1,9× plus souvent, des réponses ancrées dans la couche de contexte de Glean que celles construites sur la connaissance de l’entreprise par ChatGPT, pour des requêtes d’entreprise complexes. Un contexte faible oblige les agents à travailler davantage et à faire moins confiance un contexte fort leur permet de récupérer avec précision, de transmettre moins de bruit et de produire des réponses sur lesquelles on peut compter.
Ce que les acheteurs devraient rechercher aujourd’hui
Si vous évaluez des plateformes d’IA d’entreprise pour des assistants et des agents, déplacez votre attention de « est-ce qu’elle a de la recherche, un agent builder et beaucoup de connecteurs ? » vers « a-t-elle l’architecture nécessaire pour fournir correctement le contexte d’entreprise ? ». Six vérifications vous y conduisent :
- Testez la profondeur des connecteurs, pas seulement leur variété. Une intégration utile récupère le contenu, les métadonnées, les permissions et les signaux de mise à jour qui rendent l’ancrage possible un logo sur la page des intégrations ne vous dit rien de tout cela.
- Testez la fraîcheur et la qualité de l’indexation. Déterminez à quel point le contexte reste à jour, comment les mises à jour sont capturées, et comment le système évite de servir des réponses obsolètes à mesure que l’IA se rapproche de l’exécution.
- Évaluez la récupération hybride. Demandez comment la plateforme équilibre la précision des correspondances exactes avec la compréhension sémantique, à travers les acronymes, les noms de produits internes et les abréviations ambiguës.
- Examinez la compréhension des relations et des entités. Le système peut-il relier les personnes, le contenu, les systèmes et les objets de travail ? Les plateformes qui n’arrivent pas à relier ces éléments peinent sur les tâches multi-étapes.
- Vérifiez les permissions et la gouvernance dans le parcours de récupération. Clarifiez comment les contrôles d’accès sont appliqués entre les sources, comment les réponses de l’IA restent alignées sur les permissions des sources, et comment la gouvernance tient la route à mesure que l’usage augmente.
- Confirmez la prise en charge des assistants et des agents, pas seulement une interface de recherche. Une plateforme conçue pour cette ère prend en charge des réponses ancrées, un raisonnement multi-étapes, l’orchestration et la distribution du contexte pour des workflows agentiques.
La recherche reste essentielle. Mais le job a grandi.
La recherche d’entreprise n’est pas devenue moins importante à l’ère de l’IA — ses fondations comptent plus, pas moins. Mais le rôle s’est élargi, et la plateforme dont vous avez besoin ne sera pas celle qui greffe un modèle sur une couche de recherche ou publie la plus longue liste de connecteurs. Ce sera celle qui transforme les fondations de la recherche en une couche de contexte d’entreprise fiable : le bon contexte, depuis la bonne source, avec les bonnes permissions, au bon moment dans un workflow.
Au moment d’évaluer, mesurez la qualité de la couche de contexte, pas seulement du modèle ou de la liste d’intégrations. Et quand vous serez prêt à voir à quoi ressemble une couche de contexte conçue pour cet usage face à vos propres systèmes, permissions et données, découvrez Glean en action.
Foire aux questions
Quelle est la différence entre la recherche d’entreprise et le contexte d’entreprise ?
La recherche d’entreprise aide les utilisateurs à trouver des informations à travers les systèmes de l’entreprise. Le contexte d’entreprise va plus loin, en reliant la récupération, les permissions, la fraîcheur, les relations et la distribution du contexte afin que les assistants et les agents puissent utiliser de manière fiable les connaissances de l’entreprise au sein de workflows réels.
MCP remplace-t-il l’indexation pour l’IA d’entreprise ?
Non. MCP améliore l’interopérabilité et aide les systèmes d’IA à atteindre les données, mais il ne remplace pas l’indexation, le classement, la fraîcheur ou la récupération tenant compte des permissions. La connectivité détermine ce à quoi un système peut accéder la couche de contexte détermine la qualité de ce qui est transmis au modèle.
Une base de données vectorielle et un pipeline RAG peuvent-ils servir de couche de contexte d’entreprise ?
Seulement en partie. La recherche vectorielle gère bien la similarité sémantique, mais une couche de contexte d’entreprise exige aussi une précision lexicale pour les noms exacts et les acronymes, des permissions appliquées au moment de la requête, une fraîcheur continue à travers les sources, et un graphe de connaissances sur la façon dont les personnes, le contenu et les objets de travail sont liés. Les équipes qui démarrent avec un pipeline RAG autonome finissent souvent par reconstruire elles-mêmes ces couches.
Comment une couche de contexte d’entreprise applique-t-elle les permissions à travers différents systèmes ?
Elle hérite des contrôles d’accès de chaque système source lors de l’ingestion et les applique au moment de la requête, de sorte qu’un utilisateur — ou un agent agissant en son nom — ne récupère jamais que le contenu qu’il est autorisé à voir. L’application doit se faire dans le parcours de récupération lui-même, et non via un filtre appliqué après la génération des résultats.
La création d’un graphe de connaissances nécessite-t-elle une modélisation ou une maintenance manuelles ?
Non, pas sur une plateforme comme Glean, où le graphe de connaissances est construit et mis à jour automatiquement à partir des données des connecteurs — contenus, personnes et signaux d’activité — au fil de l’évolution de vos systèmes. La modélisation et la maintenance manuelles du graphe ne sont généralement nécessaires que dans les architectures à construire soi-même.
