Glean est ravi de présenter l’Agentic Engine 2 — un moteur adaptatif qui planifie, raisonne et exploite l’ensemble du contexte de l’entreprise pour s’attaquer à des travaux complexes. Il représente la prochaine étape de notre architecture agentique, en évoluant de la simple génération augmentée par récupération, à la planification en plusieurs étapes, et désormais à une planification adaptative orchestrée à travers les outils de l’entreprise.
Avec un orchestrateur nettement plus robuste, le nouveau moteur planifie et replanifie en continu pour assembler le bon contexte — qu’il s’agisse de comprendre votre calendrier, les insights issus des data warehouses et des bases de données, ce qui a été écrit dans la code base, et bien plus encore. ;
Il s’appuie aussi fortement sur l’Enterprise Graph — une cartographie vivante, respectueuse des permissions, des personnes, équipes, processus et activités — permettant à l’Assistant de formuler des réponses à partir d’un modèle organisationnel plus profond. L’Enterprise Graph intègre désormais 3x plus de signaux et il est intégré de bout en bout dans le moteur.
Résultat : un Assistant agentique capable de prendre en charge des tâches plus difficiles comme le débogage de problèmes logiciels complexes, des analyses approfondies exhaustives et la rédaction de contenus personnalisés, allant bien au-delà des simples tâches de recherche d’information.
Dans ce blog, nous montrons Agentic Engine 2 atteignant 94% de complétude — la preuve qu’il peut exécuter le travail de bout en bout — tout en s’étendant à des tâches difficiles et complexes qu’il ne pouvait pas gérer auparavant.
Agentic Engine 2 débloque des tâches jusque-là inaccessibles et augmente l’usage de l’Assistant de 21%
Notre nouvelle architecture a atteint des scores de complétude de 94%, ce qui signifie que le moteur accomplit la tâche complète que vous lui avez 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 sur la prise en compte directe des retours des utilisateurs finaux. Par exemple, lorsqu’il est évalué à l’aide de retours humains issus de requêtes auparavant notées négativement, Agentic Engine 2 a pu traiter 20% de plus des types de requêtes les plus difficiles que les utilisateurs adressent à l’Assistant, représentant une catégorie de tâches qui était jusque-là hors d’atteinte. Cet écart de performance s’est traduit directement par une hausse de l’utilisation — avec un bond de 21% de requêtes supplémentaires exécutées dans l’Assistant pendant les tests.
Des agents qui élaborent des plans et exécutent en apprenant de votre organisation
Agentic Engine 2 combine planification adaptative et raisonnement avec l’ensemble du contexte de l’entreprise pour s’attaquer à des travaux complexes.
Planification adaptative : Chaque prompt de l’Assistant déclenche l’interprétation de l’intention, la proposition d’un plan et l’ancrage du contexte dans l’Enterprise Graph — la représentation en temps réel de vos équipes, projets et processus. Contrairement à l’unique étape de planification de v1, Agentic Engine 2 peut s’adapter et changer de cap à mesure que le système apprend. ;
Exécution avec les outils de l’entreprise : L’exécution est conçue pour suivre un flux explorer → affiner → récupérer, et pour prendre en charge l’exploration, nous constatons qu’un plus grand nombre d’outils est appelé en moyenne que dans v1. Les outils exposent des opérateurs explicites afin que l’agent puisse composer des appels précis et ils ont également été repensés pour être facilement chaînés entre eux, avec une faible latence. Le moteur traite aussi les agents tiers comme des outils appelables, ce qui permet des systèmes multi‑agents au sein d’une même 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 écrits dans le Personal Graph sous forme de préférences utilisateur privées et dans l’Enterprise Graph sous forme de schémas à l’échelle de l’organisation. Agentic Engine 2 apprend davantage de schémas — par exemple, que les documents « roadmap » de référence se trouvent souvent dans Confluence — ce qui aide le moteur à interroger d’abord le bon corpus et à maîtriser le budget. En parallèle, les agents populaires (ceux que les équipes enregistrent et réutilisent) donnent un pouls en temps réel de la manière dont l’organisation fonctionne. Ensemble, ces mémoires encodent des plans optimaux pour chaque organisation et mettent en évidence les modes d’échec les plus fréquents. ;
Pour illustrer l’écart de performance d’Agentic Engine 2, nous mettons en avant trois catégories de tâches — débogage, rédaction et énumération — qui montrent à la fois la planification adaptative et le contexte d’entreprise à l’œuvre.
Agentic Engine 2 à l’œuvre sur des tâches de débogage, de rédaction et d’énumération
Performances en débogage
Le débogage est un type de tâche pour lequel Agentic Engine 2 a amélioré ses performances. Lorsqu’on lui demande de déboguer le code d’un candidat à un entretien, notre architecture précédente se concentre sur le résumé des détails, produisant une explication des méthodes de la classe au lieu de résoudre le problème. À l’inverse, Agentic Engine 2 est capable d’identifier et de prendre en charge la demande de l’utilisateur, de corriger le bug et de rectifier l’implémentation. ;
Planification adaptative : Le biais descriptif du moteur v1 l’orientait vers un résumé du code, car c’était la réponse la plus sûre. Dans Agentic Engine 2, nous avons remplacé ce comportement par une planification guidée d’abord par l’objectif. Dans cet exemple, Glean réfléchit à la demande de l’utilisateur, prend le temps de lire le code et en déduit que l’utilisateur veut implémenter un full outer join, en produisant un plan par étapes avec un objectif clair. L’Assistant évalue sa progression à chaque étape et, si des éléments contredisent l’hypothèse ou si le débogage pointe ailleurs, il change de cap. ;
Exécution avec les outils de l’entreprise :
De nombreuses requêtes de débogage tournent autour de la compréhension du code et de sa localisation. L’outil de recherche de code de Glean indexe des 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, lève l’ambiguïté entre des modules surchargés ou portant des noms similaires, et met en avant définitions et références dans l’ensemble de la base de code.Mémoire : Agentic Engine 2 gagne en fiabilité grâce à une mémoire à court terme, en conservant un enregistrement interne structuré au fil du débogage. L’agent met continuellement à jour cet enregistrement avec des hypothèses, des diffs et des résultats de tests par rapport aux itérations précédentes, qui résument les progrès à chaque étape et le guident vers son objectif principal. ;
Performance rédactionnelle
La rédaction est une autre fonction où Agentic Engine 2 excelle, en améliorant l’évaluation open source WritingBench de 75,7 % à 82,5 %. Il s’agit d’un benchmark qui mesure les performances d’écriture sur six domaines généralistes — ventes, finance, ingénierie, marketing, création/littérature et politiques publiques — chacun comprenant plus de 100 requêtes d’exemple. Ces gains de performance montrent qu’Agentic Engine 2 suit mieux des consignes d’écriture détaillées et génère des réponses plus riches en informations, tout en respectant le style, le format et la longueur du contenu.
Au‑delà de l’amélioration globale des performances rédactionnelles, Agentic Engine 2 ajoute la personnalisation de l’écriture. Dans cet exemple d’email de vente, il reflète le style du chargé de compte — clair, sur‑mesure, et ancré dans les détails de l’appel — en produisant un suivi plus dense et plus spécifique, sous forme de puces concises.
.webp)
Planification adaptative : Agentic Engine 2 comprend l’intention d’écriture, en déduisant qu’un « email de suivi » après un appel commercial implique de comprendre l’échange avec le client, ainsi que d’adapter le style et la mise en forme au style d’écriture orienté client des commerciaux. L’étape de planification extrait les détails de toutes ces exigences depuis votre Personal Graph (préférences de ton, de mise en forme et de manière de travailler), pour que la structuration et la rédaction commencent dans votre voix — et non dans une voix générique. ;
Exécution avec les outils d’entreprise : Agentic Engine 2 gère plusieurs dimensions d’un message — audience, objectif, canal, ton, structure, preuves, contraintes et style. L’exécution met l’accent sur l’exploration et la synthèse : générer et réviser des plans, décider de l’ordre des sections, et arbitrer des compromis (brièveté vs. exhaustivité). Dans cet exemple, Agentic Engine 2 intègre des exemples récents et pertinents d’emails de suivi après appel client rédigés par le commercial, afin de mieux capturer son style et sa mise en forme préférée.
Mémoire : Ce qui rend l’écriture unique, c’est que la mémoire va au‑delà de la session de chat : elle tient compte de ce que vous avez réellement écrit au travail dans différentes applications. Résultat : c’est moins aligné sur un style unique et générique, et cela reflète davantage la diversité de vos écrits. Le système combine aussi des préférences explicites, que vous incluez souvent dans vos prompts, avec des préférences implicites déduites de vos propres textes. Votre manière d’écrire devient partie intégrante de votre style de référence que Glean conserve dans le Personal Graph pour vous aider à communiquer efficacement.
Performance en énumération et analyse de données
.webp)
Les requêtes d’énumération et d’analyse — lorsqu’un utilisateur demande des données et des insights exhaustifs — constituent une troisième catégorie de requêtes qui bénéficie d’Agentic Engine 2. L’énumération est traditionnellement difficile pour les LLMs en raison de l’accent mis, lors de l’entraînement, sur la prédiction du token suivant, plutôt que sur une couverture complète et la déduplication.
Agentic Engine 2 apporte un gain de performance de 19,4 % sur la qualité de l’énumération par rapport à Agentic Engine 1. Dans cet exemple de Glean, un utilisateur demande tous les kudos adressés à chaque membre de l’équipe d’ingénierie de Nilesh, et un autre utilisateur veut savoir quelle part de notre revenu 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 des instructions 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 (fenêtres temporelles comme « l’an dernier », attributs comme « les reports de Nilesh », etc.) et les conditions d’arrêt (p. ex. : plateau 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, le repérage est clé pour l’efficacité. Agentic Engine 2 dresse un panorama des endroits où les données sont susceptibles de se trouver et lance des recherches préliminaires pour valider les hypothèses clés qui sous‑tendent la stratégie de recherche (comme vérifier correctement le secteur d’activité d’ACME) afin d’orienter comment et où approfondir. ;
Exécution avec les outils d’entreprise : Pour les opportunités « closed won » d’ACME, Glean identifie que les données les plus fiables se trouvent dans Sales Cloud et génère une requête SOQL pour récupérer la liste complète des clients. À l’inverse, pour une demande comme lister tous les messages de kudos, Glean reconnaît que l’information pertinente doit être trouvée en examinant les reports de Nilesh dans l’Enterprise Graph. ;
Comme Nilesh encadre des managers, Glean utilise l’Enterprise Graph pour trouver les subordonnés directs de tous ses subordonnés directs, aplatir la hiérarchie, puis effectuer une récupération complète des mentions Slack de chaque membre. Une fois qu’Agentic Engine 2 comprend qu’il doit parcourir l’Enterprise Graph pour résoudre des relations de niveau supérieur, il délègue la recherche exhaustive de chacun des subordonnés directs de Nilesh à des sous-agents. Les sous-agents mènent de manière indépendante des recherches ciblées de messages de félicitations propres à chaque membre, que l’agent principal consolide ensuite en une liste complète de résultats.
Mémoire : La mémoire à court terme conserve les jeux de résultats intermédiaires pour les analyses en aval, comme les opérations de regroupement et d’agrégation. La gestion de la mémoire à court terme permet des raffinements itératifs plus stables, qui aboutissent à des résultats fiables. Parallèlement, les enseignements tirés des requêtes d’énumération — sources faisant autorité et meilleurs itinéraires d’exécution — sont stockés en mémoire à long terme, ce qui accroît l’efficacité d’Agentic Engine 2.
Que pouvez-vous faire avec Agentic Engine 2 ?
Agentic Engine 2 atteint 94 % d’exhaustivité sur des tâches de bout en bout — tout en s’attaquant à une catégorie de requêtes difficiles auparavant hors de portée, en traitant environ 20 % de questions difficiles supplémentaires ayant reçu le plus de votes négatifs, sur la base des retours humains. L’impact est visible dans l’usage, avec une hausse de 21 % à mesure que davantage de personnes adoptent l’Assistant comme compagnon pour un travail agentique et personnalisé.
Ce blog a exploré les coulisses d’Agentic Engine 2 — planification adaptative, exécution via des outils d’entreprise conçus à cet effet, et mémoire à long terme ancrée dans l’Enterprise Graph — et nous avons montré comment cette mécanique profite directement aux tâches de débogage, de rédaction et d’énumération que les utilisateurs exécutent au quotidien. Concrètement, cela signifie que l’IA peut :
- Prendre en charge des tâches plus complexes : Avec Agentic Engine 2, la planification et le raisonnement s’appuient sur l’ensemble de votre contexte d’entreprise et sur des outils multi-sauts, ce qui lui permet de gérer des travaux complexes 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 — pour fonctionner comme vous, et non comme un chatbot générique.
- Résoudre l’ingénierie du contexte : Avec 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 s’occupent de l’ingénierie du contexte pour vous.
- Exécuter les tâches comme votre organisation fonctionne réellement : Au lieu d’agents uniformes, les agents Glean utilisent l’Enterprise Graph pour représenter vos équipes, projets et processus réels, en créant des agents capables de réellement prendre le relais.
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 en action, 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
