Glean est fier de présenter l'Agentic Engine 2 — un moteur adaptatif qui planifie, raisonne et exploite tout le contexte d'entreprise pour accomplir des tâches complexes. Il représente la prochaine étape de notre architecture agentique, évoluant de la simple génération augmentée par récupération vers la planification en plusieurs étapes, et désormais vers la planification adaptative orchestrée à travers vos outils d'entreprise.
Doté d'un orchestrateur nettement plus puissant, le nouveau moteur planifie et replanifie en continu afin d'assembler le bon contexte — qu'il s'agisse de comprendre votre calendrier, les insights issus des entrepôts et bases de données, ce qui a été écrit dans le code, et bien plus encore.
Il s'appuie également fortement sur le Graphe d'entreprise — une carte vivante et respectueuse des permissions des personnes, équipes, processus et activités — permettant à l'Assistant de formuler des réponses à partir d'un modèle organisationnel plus approfondi. Le Graphe d'entreprise intègre désormais 3 fois plus de signaux et il est embarqué de bout en bout dans le moteur.
Le résultat est un Assistant agentique qui prend en charge des tâches plus ardues comme le débogage de problèmes logiciels complexes, la réalisation d'analyses approfondies exhaustives et la rédaction de contenu personnalisé, allant bien au-delà des simples tâches de recherche d'informations.
Dans cet article de blog, nous montrons que l'Agentic Engine 2 atteint 94 % de complétude — la preuve qu'il peut mener le travail de bout en bout — tout en s'étendant à des tâches difficiles et complexes qu'il ne pouvait pas gérer auparavant.
L'Agentic Engine 2 débloque des tâches jusqu'ici inaccessibles et augmente l'utilisation de l'Assistant de 21 %
Notre nouvelle architecture a atteint des scores de complétude de 94 %, ce qui signifie que le moteur accomplit l'intégralité de la tâche demandée, de bout en bout. Ainsi, si votre objectif était de créer un ticket Jira, la complétude signifie que le ticket a effectivement été créé.
Ce qui nous a le plus enthousiasmés, c'est de constater la plus forte amélioration dans la prise en compte des retours directs des utilisateurs finaux. Par exemple, lorsqu'il était évalué sur la base des retours humains issus de requêtes précédemment mal notées, l'Agentic Engine 2 a pu traiter 20 % de plus parmi les types de requêtes les plus difficiles que les utilisateurs adressent à l'Assistant, représentant une catégorie de tâches jusqu'alors inatteignables. Cette différence de performance s'est traduite directement par une augmentation de l'utilisation — avec un bond de 21 % de requêtes supplémentaires exécutées dans l'Assistant durant les tests.
Des agents qui élaborent des plans et les exécutent en apprenant de votre organisation
L'Agentic Engine 2 combine planification adaptative et raisonnement avec un contexte d'entreprise complet pour accomplir des tâches complexes.
Planification adaptative : Chaque instruction donnée à l'Assistant déclenche une interprétation de l'intention, une proposition de plan et un ancrage contextuel dans le Graphe d'entreprise — la représentation vivante de vos équipes, projets et processus. Contrairement à l'unique étape de planification de la v1, l'Agentic Engine 2 peut s'adapter et changer de cap à mesure que le système apprend.
Exécution avec les outils d'entreprise : L'exécution est conçue pour suivre un flux explorer → affiner → récupérer, et pour favoriser l'exploration, nous observons qu'en moyenne davantage d'outils sont appelés que dans la v1. Les outils exposent des opérateurs explicites afin que l'agent puisse composer des appels précis, et ils sont également repensés pour être facilement enchaînés en vue d'une faible latence. Le moteur traite aussi les agents tiers comme des outils appelables, permettant des systèmes multi-agents au sein d'une seule abstraction.
Mémoire : Les réponses sont associées à une réflexion sur ce qui a fonctionné et pourquoi — stockée dans la mémoire à long terme. Les apprentissages durables sont inscrits dans le Graphe personnel en tant que préférences utilisateur privées, et dans le Graphe d'entreprise en tant que modèles valables à l'échelle de l'organisation. L'Agentic Engine 2 apprend davantage de modèles — par exemple, que les documents de feuille de route canoniques se trouvent souvent dans Confluence — ce qui aide le moteur à rechercher d'abord dans le bon corpus et à préserver le budget. En parallèle, les agents populaires (ceux que les équipes enregistrent et réutilisent) offrent un aperçu en direct du fonctionnement de l'organisation. Ensemble, ces mémoires encodent les plans optimaux pour chaque organisation et font ressortir les modes d'échec courants.
Pour illustrer la différence de performance de l'Agentic Engine 2, nous mettons en avant trois catégories de tâches — débogage, rédaction et énumération — qui démontrent à la fois la planification adaptative et le contexte d'entreprise en action.
L'Agentic Engine 2 à l'œuvre sur des tâches de débogage, de rédaction et d'énumération
Performance de débogage
Le débogage est l'un des types de tâches pour lesquels l'Agentic Engine 2 a amélioré ses performances. Lorsqu'on lui demandait de déboguer le code d'un candidat à un entretien, notre architecture précédente se concentrait sur le résumé des détails, produisant une explication des méthodes de classe au lieu de résoudre le problème. À l'inverse, l'Agentic Engine 2 est capable d'identifier et de traiter la demande de l'utilisateur, en corrigeant le bug et en rectifiant l'implémentation.
Planification adaptative : Le biais de description du moteur v1 l'orientait vers le résumé de code, car c'était la réponse la plus sûre. Dans l'Agentic Engine 2, nous avons remplacé ce comportement par une planification axée sur l'objectif. Dans cet exemple, Glean réfléchit à la demande de l'utilisateur, prend le temps de lire le code et déduit que l'utilisateur souhaite implémenter une jointure externe complète, produisant un plan progressif avec un objectif clair. L'Assistant évalue sa progression à chaque étape et, si les éléments contredisent l'hypothèse ou si le débogage pointe ailleurs, il change de cap.
Exécution avec les outils d'entreprise :De nombreuses requêtes de débogage tournent autour de la compréhension et de la recherche de code. L'outil de recherche de code de Glean indexe les artefacts sensibles au langage — classes, méthodes, fonctions, constantes et types — ainsi que leurs emplacements et/ou signatures. Au lieu de parcourir des fichiers entiers, il va directement au bon artefact, désambiguïse les modules surchargés ou aux noms similaires, et fait remonter les définitions et références dans toute la base de code.
Mémoire : Agentic Engine 2 atteint une grande fiabilité grâce à la mémoire à court terme, en conservant un historique interne structuré au fur et à mesure du débogage. L'agent met continuellement à jour cet historique avec des hypothèses, des diffs et des résultats de tests par rapport aux itérations précédentes, résumant la progression à chaque étape et le guidant vers son objectif principal.
Performances de rédaction
La rédaction est une autre fonction où Agentic Engine 2 excelle, améliorant l'évaluation open source WritingBench de 75,7 % à 82,5 %, un benchmark qui mesure les performances de rédaction dans six domaines généralistes — ventes, finance, ingénierie, marketing, créatif/littéraire et politique — chacun comportant plus de 100 requêtes types. Ces gains de performance montrent qu'Agentic Engine 2 est plus apte à suivre des instructions de rédaction détaillées et à générer des réponses plus riches en informations qui respectent le style, le format et la longueur du contenu.
En plus d'améliorer les performances de rédaction dans leur ensemble, Agentic Engine 2 ajoute la personnalisation de la rédaction. Dans cet exemple d'e-mail de vente, il reflète le style de l'account executive — concis, sur mesure et ancré dans les détails de l'appel — produisant un suivi plus dense et plus précis sous forme de puces concises.
.webp)
Planification adaptative : Agentic Engine 2 comprend l'intention de rédaction, en déduisant qu'un « e-mail de suivi » pour un appel commercial implique de comprendre la conversation avec le client, ainsi que d'adapter le style et le format au style de rédaction client des commerciaux. L'étape de planification extrait les détails de toutes ces exigences de votre Graphe personnel (préférences de voix, de format et de style de travail), de sorte que la structuration et la rédaction commencent avec votre voix — et non une voix générique.
Exécution avec les outils d'entreprise : Agentic Engine 2 gère plusieurs dimensions d'un message — audience, objectif, support, ton, structure, preuves, contraintes et style. L'exécution met l'accent sur l'exploration et la synthèse : génération et révision de plans, décision de l'ordre des sections et arbitrages (concision vs. exhaustivité). Dans cet exemple, Agentic Engine 2 intègre des exemples récents et pertinents des e-mails de suivi d'appels clients passés des commerciaux afin de mieux capturer leur style et leur format préféré.
Mémoire : Ce qui rend la rédaction unique, c'est que la mémoire va au-delà de la session de chat : elle prend en compte ce que vous avez réellement écrit au travail dans différentes applications. Résultat : elle est moins orientée vers un seul style générique et apporte davantage de diversité à votre travail rédactionnel. Elle jongle également entre les préférences explicites que vous incluez souvent dans les prompts et les préférences implicites déduites de vos propres écrits. Votre manière d'écrire devient une partie de votre style canonique que Glean conserve dans le Graphe personnel pour vous aider à communiquer efficacement.
Performances d'énumération et d'analyse de données
.webp)
Les requêtes d'énumération et d'analyse — où un utilisateur demande des données et des informations exhaustives — constituent une troisième catégorie de requêtes qui bénéficient d'Agentic Engine 2. L'énumération est traditionnellement difficile pour les LLM en raison de l'accent mis sur la prédiction du token suivant durant l'entraînement, plutôt que sur la couverture complète et la déduplication.
Agentic Engine 2 entraîne un gain de performance de 19,4 % en qualité d'énumération par rapport à Agentic Engine 1. Dans cet exemple issu de Glean, un utilisateur demande tous les kudos attribués à chaque membre de l'équipe d'ingénierie de Nilesh, et un autre utilisateur souhaite savoir quelle part de nos revenus provient d'entreprises comme ACME Co, l'un de nos clients du secteur de l'assurance.
.webp)
Planification adaptative : L'approche de planification adaptative de Glean interprète les instructions de l'utilisateur telles que « lister tous les clients » ou « lister tous les messages de kudos » en construisant un plan pour identifier les sources faisant autorité, définir les critères d'inclusion (plages temporelles comme « l'année dernière », attributs comme « les subordonnés de Nilesh », etc.) et les conditions d'arrêt (c.-à-d. : plafonnement du taux de découverte, épuisement des sources, etc.). Étant donné que l'espace d'action en énumération est vaste et que l'objectif est l'exhaustivité, l'exploration préalable est essentielle à l'efficacité. Agentic Engine 2 établit un panorama des endroits où les données résident probablement et lance des recherches préliminaires pour valider les hypothèses clés sous-jacentes à la stratégie de recherche (comme la vérification correcte du secteur d'ACME) afin de déterminer comment et où approfondir.
Exécution avec les outils d'entreprise : Pour les opportunités gagnées d'ACME, Glean identifie que les données les plus fiables résident dans Sales Cloud et génère une requête SOQL pour récupérer la liste complète des clients. En revanche, pour une demande comme lister tous les messages de kudos, Glean reconnaît que les informations pertinentes doivent être trouvées en consultant les subordonnés de Nilesh dans le Graphe d'entreprise.
Comme Nilesh gère des managers, Glean utilise le Graphe d'entreprise pour trouver les collaborateurs directs de tous ses collaborateurs directs, aplanir la hiérarchie, puis effectuer une récupération complète des mentions Slack de chaque membre. Une fois qu'Agentic Engine 2 réalise qu'il doit parcourir le Graphe d'entreprise pour résoudre les relations d'ordre supérieur, il délègue la recherche exhaustive de chacun des collaborateurs directs de Nilesh à des sous-agents. Les sous-agents mènent indépendamment des recherches ciblées sur les messages de félicitations propres à chaque membre, que l'agent principal regroupe en une liste complète de résultats.
Mémoire : La mémoire à court terme conserve les ensembles de résultats intermédiaires pour l'analyse en aval, comme les opérations de regroupement et d'agrégation. La gestion de la mémoire à court terme produit des affinements itératifs plus stables qui aboutissent à des résultats fiables. Parallèlement, les enseignements tirés des requêtes d'énumération — sources faisant autorité et routes d'exécution optimales — sont stockés dans la mémoire à long terme, augmentant l'efficacité d'Agentic Engine 2.
Que pouvez-vous faire avec Agentic Engine 2 ?
Agentic Engine 2 atteint 94 % de complétude sur les tâches de bout en bout, tout en prenant en charge une catégorie de requêtes difficiles qui étaient auparavant hors de portée, traitant environ 20 % de plus des questions les plus complexes et les moins bien notées selon les retours humains. L'impact est visible dans l'utilisation, avec une augmentation de 21 % à mesure que de plus en plus de personnes adoptent l'Assistant comme compagnon pour un travail personnalisé et agentique.
Ce blog a exploré les coulisses d'Agentic Engine 2 — planification adaptative, exécution via des outils d'entreprise conçus sur mesure, et mémoire à long terme ancrée dans le Graphe d'entreprise — et nous avons montré comment ce dispositif bénéficie directement aux tâches de débogage, de rédaction et d'énumération que les gens effectuent chaque jour. Ce que cela signifie pour vous, c'est que l'IA peut :
- Prendre en charge des tâches plus complexes : grâce à la planification et au raisonnement d'Agentic Engine 2 sur l'ensemble de votre contexte d'entreprise et via des outils multi-étapes, elle gère un travail complexe comme le débogage, la rédaction personnalisée et l'énumération.
- Refléter vos préférences personnelles : Agentic Engine 2 utilise vos préférences personnelles — style d'écriture, style de communication, mémoire et style de travail — afin qu'elle fonctionne comme vous, et non comme un chatbot générique.
- Résoudre l'ingénierie du contexte : dans d'autres systèmes, vous devez configurer des connecteurs, spécifier les appels d'outils, et créer et mettre à jour des index pour assembler le contexte ; les outils d'entreprise de Glean gèrent l'ingénierie du contexte à votre place.
- Exécuter les tâches selon le fonctionnement réel de votre organisation : au lieu d'agents standardisés, les agents Glean utilisent le Graphe d'entreprise pour représenter vos véritables équipes, projets et processus, créant des agents capables de réellement reprendre le travail.
Vous pouvez en savoir plus sur Agentic Engine 2 ainsi que sur tout ce que nous avons annoncé lors de Glean:LIVE Fall'25 ici. Si vous n'êtes pas utilisateur de Glean et souhaitez voir l'Assistant de troisième génération à l'œuvre, inscrivez-vous dès aujourd'hui pour une démo gratuite.
Auteurs : Megha Jhunjhunwala, John Pentakalos, Han Li, Yash Shah, Ayushi Mrigen, Eddie Zhou, Seema Jethani, Matthew Ding
