Comprendre l’architecture de l’IA agentique

Résumé

L’architecture agentique est la conception structurelle et le framework d’un système d’IA qui permet à un ou plusieurs agents d’IA de fonctionner de manière autonome.

• Contrairement aux systèmes non agentiques qui fournissent des réponses simples et linéaires, les architectures agentiques prennent en charge des processus dynamiques et en plusieurs étapes où les agents peuvent s’adapter à de nouvelles informations et tirer des leçons des résultats.

• Ces architectures, qui vont des systèmes à agent unique aux configurations multi-agents complexes, révolutionnent des cas d’utilisation clés comme l’automatisation des workflows, le service client et l’informatique décisionnelle.

Concepts clés de l’architecture agentique

Plusieurs concepts fondamentaux définissent une architecture agentique et la distinguent des modèles d’IA plus simples.

• Autonomie : les agents peuvent fonctionner et prendre des décisions avec un niveau élevé d’autonomie, sans avoir besoin d’une intervention humaine constante à chaque étape.

• Adaptabilité: le système est conçu pour ajuster son comportement et ses stratégies en temps réel en réponse à de nouvelles informations ou à l'évolution des conditions environnementales.

• Approche axée sur les objectifs : l’architecture est conçue pour poursuivre des objectifs spécifiques. La planification et les actions visent à atteindre un objectif final défini, au lieu de simplement exécuter une commande.

• Cycle Sense-Plan-Act : il s’agit de la boucle opérationnelle fondamentale d’un agent. L’agent perçoit son environnement (Sense), formule une stratégie (Plan) puis la met en œuvre (Act).

Les principales composantes d’un système agentique

Les architectures agentiques sont généralement composées de plusieurs couches ou composantes intégrées qui fonctionnent de concert pour permettre une action autonome.

Couche de perception

C’est ainsi que l’agent « perçoit » son environnement. Il est responsable de la collecte d’informations par le biais de diverses sources, telles que les API, les requêtes des utilisateurs ou les données des documents.

Couche de raisonnement et de planification

Cette couche traite les informations recueillies par la couche de perception, en utilisant de grands modèles de langage (LLM) pour comprendre la sémantique, le sens, le contexte et les objectifs. Cette capacité permet à l’agent de raisonner de manière autonome pour analyser des problèmes complexes et définir un plan stratégique.

Contrairement aux premiers agents d’IA qui étaient limités par des règles préprogrammées, les agents alimentés par les LLM peuvent également réfléchir à leurs actions. En analysant les résultats et les retours de la couche d’action, l’agent peut améliorer ses performances, corriger sa trajectoire et adapter sa stratégie pour obtenir de meilleurs résultats.

Couche d’action

Voici comment l’agent « agit » sur le monde. Il met en œuvre le plan en utilisant des outils, en appelant des API, en générant du texte ou en interagissant avec d’autres systèmes.

Mémoire

Ce composant permet à l'agent de stocker et de récupérer des informations efficacement.

La mémoire à court terme gère les données pour la tâche immédiate, en maintenant la concentration nécessaire pendant l’exécution. La mémoire à long terme crée un contexte au fil du temps en extrayant et en mémorisant les préférences de l’utilisateur et en résumant les expériences précédentes. Cela permet à l’agent de récupérer un historique pertinent pour informer le contexte actuel, générant ainsi un biais positif qui l’aide à résoudre efficacement les nouveaux problèmes.

Comment fonctionne l’architecture agentique : le cycle Sense-Plan-Act

Le flux opérationnel d’un système agentique suit un cycle itératif de détection, de planification, et d’action.

Sens

Le processus commence lorsque l’agent collecte des données de son environnement. Par exemple, un agent du service client reçoit un ticket de support contenant un texte non structuré.

> Lire la suite | La gestion des données non structurées : un levier de création de valeur pour les entreprises

Plan

L’agent utilise sa couche de raisonnement pour analyser le ticket et formuler une stratégie de résolution. Pour les problèmes bien définis, cela peut impliquer la création d’un plan d’exécution complet avec une séquence de sous-tâches, telles que l’identification du problème lié au produit et la recherche dans la base de connaissances.

Par ailleurs, pour une autonomie et une flexibilité accrues, l’agent peut se concentrer uniquement sur l’identification de la meilleure action à entreprendre par la suite. Après avoir exécuté cette étape, il en analyse le résultat et réévalue son plan, en adaptant son approche en fonction des nouvelles informations qu’il reçoit.

Act

Ensuite, l’agent met en œuvre la stratégie à l’aide de ses outils. Ce processus est souvent régi par des frameworks modernes comme le Model Context Protocol (MCP), qui permet à l’agent de sélectionner le bon outil et de structurer correctement sa commande. Par exemple, il peut appeler une API de base de données pour effectuer une recherche dans la base de connaissances, puis utiliser sa capacité de génération de texte pour rédiger une réponse.

Réfléchir et itérer

Le cycle ne se termine pas avec l’action. L’agent peut alors réfléchir au résultat. Si la recherche dans la base de connaissances ne renvoie aucun résultat, il peut adapter son plan, notamment en reformulant la requête ou en décidant de passer le relais à un humain. Cette boucle itérative est ce qui rend l’architecture véritablement agentique.

Architecture agentique et non-agentique : des réponses statiques à des actions dynamiques

La distinction entre les systèmes agentiques et non agentiques réside dans leur conception fondamentale et leurs capacités. Une architecture non agentique permet un processus linéaire et « en une seule étape », dans lequel une entrée est soumise à un grand modèle de langage (LLM) pour générer une sortie statique. Elle convient aux tâches connues et bien définies, mais ne peut pas enchaîner des actions complexes sans que l’utilisateur n’envoie une nouvelle requête à chaque étape.

La principale limite est son manque d’autonomie. Si les boucles de rétroaction peuvent être conçues pour créer des workflows plus complexes, cela donne lieu à un processus sophistiqué, et non à une entité autonome. Ce système manque d’autonomie pour s’adapter ou faire preuve de flexibilité, et ses performances resteront toujours limitées par la modélisation initiale du processus.

À l’inverse, une architecture agentique permet de gérer un processus autonome. L’agent peut prendre plusieurs décisions, utiliser divers outils et s’auto-corriger au sein d’une seule requête pour atteindre un objectif complexe, ce qui le rend essentiel pour des tâches dynamiques comme l’automatisation des workflows ou la résolution interactive de problèmes.

> En savoir plus sur les agents d’IA, les assistants d’IA et l’IA agentique 

Types courants d’architectures agentiques

La complexité et la configuration d’une architecture agentique dépendent de la tâche qu’elle doit effectuer.

Systèmes à agent unique ou à agents multiples : les différences

Une architecture à agent unique se caractérise par un agent autonome qui prend des décisions centralisées, ce qui convient parfaitement aux problèmes ciblés et autonomes.

Une architecture à agents multiples s’appuie sur la collaboration de plusieurs agents pour résoudre un problème, ce qui est plus adapté aux défis complexes qui nécessitent une expertise diversifiée.

> En savoir plus | Comprendre le potentiel des agents d'IA

Modèles architecturaux à agents multiples

Architecture verticale (hiérarchique) : un agent « leader » supervise et délègue des sous-tâches à des agents « exécutants » spécialisés. Cette méthode est efficace pour les workflows séquentiels avec une responsabilité clairement définie. 

Architecture horizontale (collaborative) : un modèle décentralisé dans lequel les agents travaillent en tant que pairs, partagent des informations et prennent des décisions collectivement. Cette approche est idéale pour les débats d’idées ou la résolution de problèmes complexes.

Architecture hybride : ce modèle combine des structures verticales et horizontales, offrant un équilibre entre supervision structurée et flexibilité créative.

Concevoir une architecture agentique efficace

La création d’une architecture agentique robuste nécessite un examen attentif de plusieurs principes de conception clés.

Déterminer la logique de prise de décision

Déterminez si l’agent a besoin d’une logique simple basée sur des règles, d’un raisonnement probabiliste issu d’un LLM ou d’un apprentissage par renforcement pour s’améliorer au fil du temps.

Définir les exigences en matière de mémoire

Déterminez si l’agent sera « sans état » pour les tâches transactionnelles ou s’il doit se souvenir des interactions passées en utilisant des états à court terme ou des bases de données à long terme.

Planifier l’intégration des outils

Définissez comment l’agent interagira avec le monde extérieur, que ce soit avec un ensemble fixe d’outils ou avec la capacité de sélectionner dynamiquement des outils en fonction de la tâche.

Gérer l’espace des solutions

Pour les tâches complexes, utilisez des règles spécifiques au domaine ou des heuristiques pour guider l'agent et l'empêcher de se retrouver coincé dans des boucles inefficaces.

> Lire la suite | Qu’est-ce que l’automatisation agentique ?

Mettre en place une supervision humaine

La conception d’une architecture agentique efficace exige de trouver un équilibre entre l’autonomie de l’agent et la supervision humaine.

Pour les tâches sensibles ou à fort enjeu, vous pouvez prévoir des points de contrôle dans lesquels un collaborateur doit approuver le plan d’un agent avant sa mise en œuvre. En revanche, pour les processus à faible risque, les agents peuvent bénéficier d’une autonomie totale. Une approche hybride est également possible, dans laquelle un agent agit de manière autonome, à moins que sa confiance dans un résultat ne tombe en dessous d’un certain seuil, auquel cas il demande l’intervention d’un humain.

Cas d’utilisation de l’architecture agentique

Les architectures agentiques sont déployées pour résoudre des défis commerciaux concrets et ouvrir de nouvelles perspectives en matière d’automatisation et d’intelligence.

Automatisation de processus complexes

Ces systèmes peuvent automatiser des processus métier en plusieurs étapes comme les approbations de factures ou l’intégration des employés, où un agent doit interagir avec différents systèmes (SIRH, ERP, e-mail).

Service client avancé

Un système agentique peut traiter l’intégralité d’un problème rencontré par un client, de la compréhension de la requête initiale à la recherche dans les bases de connaissances, en passant par l’interaction avec les systèmes de commande et le transfert à un agent humain avec un résumé complet.

Veille et recherche d’entreprise

Les agents peuvent effectuer des tâches de recherche approfondies en parcourant les bases de données internes et les sources externes, en synthétisant les informations, en identifiant des tendances et en générant des rapports détaillés.

Opérations informatiques autonomes

Un agent de cybersécurité peut surveiller le trafic réseau, détecter une menace, planifier une stratégie de remédiation (comme l’isolement d’un serveur) et l’exécuter, tout en documentant ses actions à des fins de piste d’audit.

L’approche de Hyland se concentre sur la résolution de problèmes complexes basés sur le contenu. Pour y parvenir, les agents doivent gérer et comprendre de grandes quantités d’informations structurées et non structurées, telles que des contrats, des rapports et des e-mails de clients. Comprendre ce contenu dans son contexte commercial complet est ce qui permet aux agents de prendre les meilleures décisions.

Hyland et les agents d’IA

Point fort de la solution : Hyland Enterprise Agent Mesh

Enterprise Agent Mesh est une nouvelle technologie intégrée au Hyland Content Innovation Cloud™. Il fournit le framework permettant à Hyland, à nos partenaires, et à nos clients de construire et à déployer des réseaux à agents multiples. Ces réseaux peuvent résoudre des cas d’utilisation complexes, en combinant l’automatisation des processus en arrière-plan avec l’interaction et la collaboration des utilisateurs.

Ce réseau repose sur Hyland Enterprise Context Engine, une solution récemment arrivée sur le marché qui offre une vision unifiée et dynamique des opérations organisationnelles. Il constitue un historique évolutif de l’activité de l’entreprise en reliant de manière fluide le contenu, les processus, les personnes et les applications à travers des systèmes tels que les ERP et les CRM.

Ensemble, Enterprise Agent Mesh et Enterprise Context Engine aident les organisations à conserver et à développer leurs connaissances institutionnelles. Ces connaissances sont continuellement affinées grâce aux retours d’expérience humains, favorisant ainsi une collaboration puissante entre l’homme et l’IA qui renforce l’intelligence collective de toute l’entreprise.

Création d’architectures agentiques avec Hyland Agent Builder

Avec Agent Builder, vous disposez d’un outil essentiel pour concevoir, déployer et gérer les puissantes architectures agentiques qui animent l’automatisation moderne. Agent Builder permet aux organisations de concevoir et de gérer des agents d’IA de niveau entreprise (agents d’entreprise) capables d’automatiser des tâches complexes. Ces agents d’entreprise peuvent être intégrés aux workflows de Hyland Automate, aux produits Hyland ECM et à d’autres outils tiers.

Grâce à un outil de création par pointer-cliquer, les experts des processus métier (pas seulement les développeurs) peuvent concevoir et déployer des agents, accélérant ainsi l’innovation. Les utilisateurs peuvent définir les objectifs d’un agent, lui fournir des ressources de connaissances et préciser les actions qu’il peut effectuer, permettant ainsi directement la création de systèmes personnalisés à agent unique et à agents multiples. La plateforme permet également la gestion complète du cycle de vie des agents, offrant ainsi aux utilisateurs la possibilité de modifier, de tester, de surveiller et d’améliorer continuellement les agents pour répondre aux besoins évolutifs de l’entreprise.