Votre agent IA sait tout — et ne comprend rien

“Nous devrions rejoindre mes parents dans leur voyage en Irlande” — cette phrase apparemment innocente m’a fait frissonner.

Mon épouse et moi voyageons beaucoup. Nous savons ce que nous aimons. Les parents de mon épouse, en revanche, voyagent rarement plus loin que quelques centaines de miles de leur domicile et ont quitté le pays ensemble un total d’une fois — pour notre mariage.

Pour couronner le tout, ce voyage était un cadeau de Noël de mon beau-père à ma belle-mère pour qu’elle puisse aller rendre visite à sa famille, peut-être pour la dernière fois.

Je pouvais voir ce voyage se dérouler en un seul mot : catastrophe. Comment allions-nous synthétiser des expériences et des attentes aussi différentes pour avoir un voyage incroyable — ou au moins ne pas nous détester à la fin ?

Comme n’importe quel technophile qui se respecte, j’ai eu recours à la technologie — plus précisément à l’IA.

Mais ce que je n’avais pas prévu, c’est que mon petit expérience de codage de vibrations pour une application de planification de voyage en famille alimentée par l’IA m’apprendrait presque tout ce que j’avais besoin de savoir sur l’application de l’IA dans l’informatique d’entreprise.

Plus vous alimentez l’IA, plus elle devient bête

La plupart des déploiements d’IA d’entreprise suivent un modèle prévisible. Les organisations commencent par donner à un agent un ensemble d’instructions et le connecter à une source d’information, qu’il s’agisse d’un cadre RAG (Retrieval-Augmented Generation), d’une base de connaissances existante ou même d’un serveur MCP. Ensuite, ajoutez une couche LLM et laissez-le faire son travail.

Le problème, c’est que les LLM à leur base sont bêtes. Ils ne savent pas comment hiérarchiser toutes les informations dont ils disposent, ils ont donc tendance à traiter chaque pièce de contexte de la même manière. Un humain doit ajouter une couche de curation, enseigner au modèle ce qui est important et ce qui ne l’est pas. Sans curation, vous obtenez une IA qui sait tout et ne comprend rien.

Les trois types de mémoire qui comptent

La curation efficace de l’IA d’entreprise signifie tirer le meilleur parti de trois types de mémoire spécifiques.

Le premier est la mémoire institutionnelle, qui peut sembler assez basique au début. Lorsqu’une personne dit « services financiers », l’agent sait qu’il s’agit de la division des services financiers de l’entreprise et non de l’ensemble de l’industrie. Cela devient une connaissance organisationnelle persistante remplie de définitions, de préférences et de conventions qui ne changent pas souvent. À mesure que cela s’étend à la connaissance institutionnelle des priorités stratégiques, des initiatives clés et de la dynamique organisationnelle, cela devient une riche source de contexte institutionnel.

Ensuite, il y a l’historique des actions, qui se concentre sur les décisions, les tâches et les événements importants. Lorsqu’un ticket de service est déposé ou qu’un système est déployé, l’agent reconnaît cette action spécifique et l’enregistre dans l’historique des actions. Cela devient l’historique qui relie le contexte organisationnel.

Enfin, il y a le contexte conversationnel à court terme. C’est l’interaction moment par moment avec un agent. C’est utile dans l’instant, mais tend à perdre sa pertinence rapidement.

Pris ensemble, ces trois types de mémoire créent le système de pondération que les modèles d’IA génériques manquent. Maintenant, lorsque quelqu’un dit à un agent quelque chose sur l’entreprise, il classe et hiérarchise toute cette mémoire et trie les informations importantes. Cela forme le noyau de ce que l’IA devrait livrer : non seulement des données de domaine, mais également un jugement de domaine.

À quoi ressemble la mémoire curée à grande échelle

Mais assez avec le cadre, à quoi ressemble cela dans la pratique ? Voici ce que nous avons découvert en construisant ces agents nous-mêmes.

Un scénario IT courant consiste à envoyer un ticket de service à un agent d’assistance. Disons que votre Outlook ne fonctionne pas, vous tapez donc une description du problème et attendez que l’agent examine et suggère une solution.

Mais avec la mémoire curée à votre avantage, un processus amélioré pourrait consister à prendre une capture d’écran qui montre l’erreur Outlook et à la télécharger vers l’agent. Maintenant, l’agent (1) tire parti de la mémoire institutionnelle pour comprendre votre environnement de travail ; (2) vérifie l’historique des actions pour les incidents liés ; et (3) applique un jugement contextuel pour une solution spécifique, et non une réponse générique.

Le résultat est un agent intelligent qui n’a pas à deviner la réponse en fonction d’une capture d’écran. Il interroge maintenant, examine toutes les informations actuellement en cours et fournit une réponse plus utile. L’agent pourrait même s’étendre à un effet de réseau ou d’essaim, en regardant les autres utilisateurs du système pour voir si le problème Outlook ne concerne que vous ou s’il s’agit d’un problème à l’échelle de l’entreprise.

La contextualisation de l’historique ou de la mémoire est ce qui fait la différence. Si vous ne curatez pas efficacement votre mémoire, vous serez distancé par ceux qui le font. Il est essentiel d’avoir une architecture qui sait gérer ces données au fil du temps et comprendre ce qu’il faut conserver, ce qu’il faut afficher et ce qu’il faut laisser partir.

Retour au voyage

Alors, comment mon planificateur de voyage alimenté par l’IA a-t-il changé ma vision de l’IA dans l’informatique d’entreprise ?

Ce que j’ai construit, c’est une application qui agissait comme notre concierge de voyage personnel et a commencé par « interroger » chaque participant. Nous avons tous expliqué ce qui nous importait pour le voyage : ce qui était impératif et ce que nous pouvions sauter. Plus important encore, il nous a demandé notre « pourquoi » — pourquoi quelque chose était important pour nous, ce que cela signifiait pour nous.

En utilisant ces informations, il a fait deux choses. Premièrement, il a curé un plan de voyage équilibré pour livrer quelque chose à chacun — nous pouvions tous voir nos désirs et préférences représentés dans le plan qu’il a produit.

Mais, bien sûr, cette première itinéraire n’était qu’un brouillon. Il y avait encore beaucoup de questions à répondre.

Et c’est là que la vraie magie a eu lieu. Nous avons demandé à l’agent des informations sur un hôtel ou une attraction ou une conduite, et les réponses qu’il nous a données étaient enrichies du contexte de notre situation unique : « Ce serait une longue conduite pour les enfants, mais mon beau-père adorerait le château (et la maison de café unique à côté) — et ce pourrait être juste l’endroit pour que ma femme obtienne ce massage. »

Rempli de cette compréhension riche de ce qui nous importait, il a pu nous aider à planifier et à affiner notre voyage d’une manière que je ne pense pas avoir été possible d’aucune autre façon.

Et c’est dans l’un de ces premiers moments que j’ai compris ce que nous devions construire pour nos clients d’entreprise : des systèmes intelligents qui étaient si chargés de contexte organisationnel, transactionnel et personnel que chaque réponse et chaque interaction seraient comme une empreinte digitale : complètement unique à ce moment et à cette interaction, et qui livreraient une sorte de valeur qui ne pourrait simplement pas se produire d’aucune autre façon.