Avant de laisser agir un agent, regardez comment il décide

Prenons un dossier d’intégration fournisseur. Le contrat est signé, l’assurance est à jour. Il manque l’avis de sécurité. Un agent chargé de faire avancer ce dossier doit pouvoir désigner cette pièce manquante, conserver le travail effectué et reprendre le contrôle quand l’avis arrive.

Ce cas assez banal dit beaucoup de ce qu’on attend d’un agent au travail. Il lui faut des faits accessibles après la conversation, une règle qui précise ce qu’il peut conclure et une autorisation pour l’action suivante.

Mais les faits arrivent rarement sous une forme prête à l’emploi. Le nom du fournisseur apparaît dans le contrat, la date de validité dans une attestation et l’avis dans un autre document. Il faut les rapprocher avant de pouvoir les exploiter.

ReasoningLayer automatise une partie de cette structuration : l’extraction, qui peut faire appel à un modèle, identifie des entités, des attributs et des relations ; les contrôles du moteur vérifient leur compatibilité avec le modèle de connaissances et leurs références. Les rapprochements incertains et la fidélité aux sources demandent une revue. L’équipe dispose ensuite d’une base qu’elle peut interroger et enrichir au fil des dossiers.

À l’échelle du portefeuille, l’analyse de données aide à répondre à des questions concrètes : quels dossiers attendent un avis ? Quels fournisseurs satisfont les conditions déclarées ? L’exploration de données, ou data mining, peut rechercher des propriétés communes et faire émerger des groupes à examiner. Son périmètre et ses limites de recherche comptent : un motif observé sur un échantillon ne décrit pas nécessairement tous les fournisseurs et n’explique pas la cause d’un retard.

C’est une base pour l’aide à la décision. Un acheteur peut comparer les dossiers éligibles selon ses critères, voir pourquoi un autre reste bloqué et savoir quelle pièce permettrait de le réexaminer. Il garde la décision finale lorsque le processus le prévoit. Le moteur calcule les conséquences des faits et des règles ; le modèle de langage peut expliquer le résultat, demander une pièce ou préparer une proposition.

La règle de cet exemple est volontairement simple : un contrat signé, une assurance valide et un avis favorable permettent d’établir que le fournisseur est prêt, selon cette politique. La conclusion porte sur ces conditions précises. La qualité des pièces et la pertinence de la règle restent à vérifier.

C’est là que le raisonnement devient utile au processus métier. Le moteur relie les prémisses à une conclusion qu’aucun document ne formule nécessairement à lui seul. Une dérivation explicite peut montrer quels faits et quelles règles ont produit le résultat.

Un responsable peut ainsi remonter de la conclusion aux éléments qui la soutiennent. C’est une forme d’explicabilité qu’il peut examiner et contester. L’interprétabilité tient aussi au modèle métier : il peut relire la règle, corriger un fait ou modifier une condition, puis observer le résultat du contrôle. Cette visibilité concerne la connaissance et le raisonnement du moteur ; le LLM connecté reste un composant distinct.

Le dossier continue à vivre. Un avis favorable permet de conclure que les conditions sont réunies. Un avis défavorable conduit à une autre décision. Tant que l’avis manque, l’attente doit rester visible.

Le parcours dépend donc des éléments disponibles. Les contrôles qui prennent en charge l’attente d’un élément peuvent rester en suspens dans le moteur, puis reprendre à son arrivée. L’intégration raccorde les nouvelles données à ces contrôles et les résultats aux outils métier.

Cette continuité dépasse la session d’un agent. Une autre personne ou un autre agent autorisé peut retrouver les faits enregistrés, leurs références et les décisions conservées. Il faut choisir ce qui sera capturé et comment les sources seront tenues à jour ; l’historique d’une conversation ne devient pas spontanément une base fiable.

Supposons maintenant que l’agent prépare un export de la synthèse fournisseurs pour l’équipe achats. Le responsable approuve 100 lignes vers un espace interne. La demande suivante porte sur 200 lignes. Même agent, même jeu de données, même destination : le volume a changé.

Pour une opération sensible, l’autorisation doit porter sur l’action précise qui sera exécutée. ReasoningLayer fournit des contrôles de politique, un accès délimité aux connaissances et des mécanismes de revue d’action. Le connecteur d’exécution doit faire respecter leur résultat. C’est à cet endroit que la gouvernance devient un contrôle du processus.

La stabilité se travaille de la même manière. Un avis peut être retiré, une assurance expirer ou une politique évoluer. On doit pouvoir retrouver les données et les règles utilisées, relancer les contrôles et comparer le résultat à des cas connus. Une évolution du LLM peut alors être testée sans réécrire les règles métier. Les résultats en attente ou interrompus par une limite d’exécution doivent rester distinguables des contrôles achevés. La disponibilité et la reprise après incident demandent, elles, des vérifications propres au déploiement.

Le modèle n’a pas toujours besoin de recevoir le dossier entier. Pour expliquer une décision, le résultat du contrôle et les références pertinentes peuvent suffire. Le reste de la connaissance demeure dans la base, disponible pour la question suivante.

Cette répartition offre un levier de coût : certaines requêtes et certains raisonnements structurés peuvent s’exécuter hors de la génération du LLM. Le contexte transmis au modèle peut être plus court. En inférence locale, cela peut réduire la demande de cache KV, la mémoire qui conserve l’état d’attention pendant la génération.

Le bilan inclut aussi la RAM du moteur, les poids du modèle et les allocations du serveur d’inférence. Un pool GPU réservé peut rester alloué malgré des requêtes plus courtes. La comparaison doit donc mesurer le coût du traitement complet, à qualité et charge comparables. Aucun pourcentage d’économie universel ne découle de ce schéma. La documentation sur le cache KV détaille les compromis côté modèle.

Le placement de ces composants compte aussi. Un déploiement auto-hébergé permet de choisir où fonctionne le moteur. Pour maîtriser le périmètre des données, il faut faire le même travail pour les modèles, les connecteurs et les journaux. Avec un LLM distant, les éléments transmis doivent être définis et encadrés. C’est un sujet à aborder lors d’une revue du déploiement, avant de parler de souveraineté de bout en bout.

Une recherche documentaire peut retrouver les pièces du dossier ; le moteur peut relier leurs faits et appliquer les règles ; le LLM peut rédiger la synthèse. On peut déjà voir ce partage entre données et calcul dans nos articles sur le contrôle d’accès et la planification interactive.

Pour évaluer cette approche, partons de vos sources et d’un dossier réel : complet, incomplet ou refusé. Regardez l’effort de structuration, les comparaisons utiles, ce que l’agent conclut et ce qu’un responsable peut vérifier avant d’agir. Le temps de traitement, l’effort de revue et le coût total donnent ensuite une comparaison exploitable pour votre équipe.