🤖 AI

X-SYNTH: Beyond Retrieval -- Enterprise Context Synthesis from Observed Human Attention

X-SYNTH est un cadre novateur qui améliore la synthèse du contexte pour l'IA d'entreprise en modélisant les traces d'attention numérique des travailleurs individuels comme des références comportementales pour identifier des signatures d'activité causalement pertinentes, améliorant ainsi considérablement la précision des tâches et réduisant les pistes erronées par rapport aux méthodes traditionnelles basées sur la récupération.

Auteurs originaux : Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Publié 2026-05-18

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Guruprasad Raghavan, George Nychis, Rohan Narayana Murthy

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de résoudre un mystère complexe, comme déterminer qui est sur le point de conclure une grande affaire commerciale. Vous disposez d'une immense bibliothèque d'indices : des milliers d'e-mails, de messages de chat, d'invitations de calendrier et de consultations de documents.

Le Problème : L'Approche « Moteur de Recherche » Échoue
Actuellement, la plupart des agents IA fonctionnent comme un moteur de recherche standard. Si vous demandez : « Trouvez-moi la facture pour la commande n°123 », l'IA recherche les mots exacts « facture » et « 123 » et la trouve. Cela fonctionne très bien pour des tâches simples.

Mais si vous demandez : « Qui est susceptible de signer une nouvelle affaire bientôt ? », l'IA reste bloquée. Pourquoi ? Parce que la réponse n'est pas écrite dans un seul document en attente de découverte. La réponse est cachée dans le modèle de comportement. Peut-être qu'un commercial a passé 20 minutes à lire la grille tarifaire d'un concurrent, puis a immédiatement ouvert un modèle de contrat, puis a envoyé un message rapide à son patron. Aucune de ces actions individuelles ne crie « AFFAIRE », mais la séquence de ces actions le fait.

L'IA standard manque cela car elle ne regarde que le contenu des documents, et non l'histoire de la manière dont l'humain y a interagi. C'est comme essayer de comprendre un film en lisant une liste des accessoires utilisés, sans voir les scènes ni les expressions des acteurs.

La Solution : X-SYNTH (Le Détective « Jumeau Numérique »)
L'article présente X-SYNTH, un système qui ne se contente pas de lire des documents ; il observe comment les humains y prêtent attention. Imaginez que l'on donne à l'IA un « Jumeau Numérique » de chaque employé.

Voici comment cela fonctionne, en utilisant une analogie simple :

1. La Signature du Jumeau Numérique (DTS)

Imaginez que chaque employé possède une « empreinte comportementale ». Ce n'est pas seulement une liste de ce qu'ils font ; c'est un profil évolutif de leurs habitudes normales.

La Référence : Nous savons que « Sarah » consacre généralement 30 minutes par jour aux rapports de sécurité.
La Déviation : Si Sarah cesse soudainement de consulter les rapports de sécurité pendant trois jours, ce silence est un signal retentissant.
Le Contexte : Nous savons que « Sarah » utilise le code « FZ » pour signifier « Zone Formelle » (une nouvelle affaire), tandis que « Mike » utilise « FZ » pour signifier « Zone Gelée » (un projet en pause).

X-SYNTH construit ce « Jumeau Numérique » pour chaque travailleur, apprenant leur rythme unique, leur vocabulaire et ce que « normal » signifie pour eux.

2. Les Sept « Filtres d'Attention »

Au lieu de demander à l'IA de deviner ce qui est important, X-SYNTH utilise sept « lentilles » ou filtres différents pour examiner les données, selon la personne observée et la question posée.

La Loupe (Proportionnelle) : Si quelqu'un passe beaucoup de temps sur un document, c'est probablement important.
L'Alarme de Silence (Inverse) : Si quelqu'un vérifie habituellement un fichier spécifique mais s'arrête soudainement, cette absence est un signal (peut-être ont-ils trouvé un problème ailleurs).
Le Détecteur de Déviation (Différentiel) : Si une personne ignore habituellement les documents concurrents mais commence soudainement à les lire, c'est un énorme signal d'alarme.
Le Billet de Retour (Récurrent) : Si quelqu'un ouvre et ferme continuellement le même fichier, il lutte avec lui ou l'évalue en profondeur.
Le Puzzle (Comparatif) : Si quelqu'un passe rapidement d'un contrat à un autre similaire, ils les comparent activement.
Le Storyboard (Séquentiel) : Ont-ils lu le contrat avant ou après l'e-mail ? L'ordre compte.
La Source Collective (Collective) : Toute l'équipe regarde-t-elle soudainement le même client ? C'est un signal de consensus.

3. Le Routeur Intelligent

La magie opère au milieu. Lorsque vous posez une question, X-SYNTH ne choisit pas un seul filtre. Il se demande : « De qui s'agit-il, et quel est leur comportement actuel ? »

Scénario A : Vous posez une question à propos d'un développeur qui possède les outils de sécurité. Le système utilise le filtre Loupe (regardez sur quoi ils passent du temps).
Scénario B : Vous posez une question à propos d'un développeur qui possédait les outils de sécurité mais qui est devenu silencieux. Le système passe au filtre Alarme de Silence (regardez ce qu'ils ont arrêté de faire).

La même question reçoit deux réponses différentes car le système comprend le contexte humain derrière les données.

4. Le Résultat : De « Perdu » à « Trouvé »

L'article a testé cela sur une véritable équipe commerciale.

Sans X-SYNTH : Un modèle IA de premier plan a examiné les données et n'a trouvé que 9,5 % des nouvelles affaires réelles. Il a manqué 90 % des opportunités et s'est trompé sur presque tout le reste. C'était comme un détective qui ne cherche que des indices écrits en grandes lettres rouges.
Avec X-SYNTH : La même IA, désormais équipée de ces filtres « Jumeau Numérique », a trouvé 61,9 % des affaires. Elle a détecté 110 affaires qu'elle avait manquées précédemment.

Pourquoi Cela Fonctionne (Le Moment « Eureka »)

L'article soutient que le travail en entreprise est rempli de « blagues internes » et de signaux cachés.

Exemple : Un commercial voit un e-mail avec l'objet « Créer FZ pour PO ».
- IA Standard : « Qu'est-ce que FZ ? Qu'est-ce que PO ? Je ne sais pas. Je vais deviner qu'il ne se passe rien. »
- X-SYNTH : « Ah, je connais ce commercial. Dans son historique, « FZ » signifie toujours « Zone Formelle » (une nouvelle affaire), et « PO » signifie « Bon de Commande ». De plus, ils viennent d'ouvrir la pièce jointe du contrat. C'est une affaire ! »

La Conclusion

X-SYNTH prouve que trouver le bon contexte pour une IA ne consiste pas à récupérer plus de texte ; il s'agit de comprendre la pertinence à travers le comportement humain. En observant comment les gens travaillent, et non seulement ce qu'ils écrivent, le système peut transformer un flux chaotique de bruit numérique en une histoire claire et exploitable. Il transforme l'IA d'une bibliothécaire passive en un détective actif qui comprend les personnes avec lesquelles il travaille.

Résumé Technique : X-SYNTH — Synthèse de Contexte d'Entreprise à partir de l'Attention Humaine Observée

1. Énoncé du Problème

Dans les opérations d'entreprise, le contexte nécessaire aux agents IA pour accomplir des tâches complexes est dispersé à travers des systèmes d'enregistrement, des dépôts statiques et des canaux de communication. Les approches actuelles dominantes reposent sur la Génération Augmentée par Récupération (RAG), qui fait correspondre le contenu de la requête aux données stockées. Bien que efficace pour des requêtes étroites et axées sur le contenu (par exemple, « Trouver la facture INV-34231 »), cette approche échoue pour les tâches d'agents complexes nécessitant une synthèse à partir de preuves comportementales dispersées.

Le mode d'échec central est l'absence d'un signal de pertinence principiel. Les systèmes de récupération standards traitent les données comme du texte statique, manquant la « séquence ordonnée d'actions » et les « signaux de récompense implicites » qui codent la façon dont le travail se déroule réellement. Par conséquent, les agents souffrent de faibles Taux de Vrais Leads (TLR) et de hauts Taux de Faux Leads (FLR) car ils ne peuvent distinguer le bruit des schémas comportementaux causalement pertinents spécifiques à une organisation, une équipe ou un individu. L'article soutient que la synthèse de contexte d'entreprise n'est pas un problème de récupération, mais un problème de pertinence, où l'attention humaine sert de vérité terrain.

2. Méthodologie : Le Cadre X-SYNTH

X-SYNTH est un pipeline d'agents en quatre étapes qui ancre la synthèse de contexte dans l'attention humaine — définie comme les signatures d'interaction numériquement observables des travailleurs. Le système modélise la ligne de base comportementale de chaque individu comme une Signature de Jumeau Numérique (DTS) et utilise un routeur appris pour sélectionner parmi sept filtres d'attention distincts.

Composants Principaux

A. Signature de Jumeau Numérique (DTS)
Pour chaque individu $u$ , le système maintient un profil comportemental glissant $DTS(u, \tau)$ sur une fenêtre $\tau$ . Il se compose de cinq composantes :

$v_{dom}$ (Attention de Domaine) : Concentration de l'attention à travers les domaines de travail.
$v_{rhythm}$ (Rythme Comportemental) : Statistiques sur le temps de séjour, les revisites et les transitions.
$v_{base}$ (Ligne de Base) : Statistiques de rétrospective étendue établissant la « normale » de l'individu.
$v_{resp}$ (Profil de Responsabilité) : Propriété de domaine déduite de l'activité, et non des rôles déclarés.
$v_{div}$ (Divergence) : La différence entre les schémas d'attention récents et la ligne de base à long terme.

B. Sept Filtres d'Attention
Un sélecteur de modalité appris $f_\theta$ (un MLP à 3 couches) mappe une requête $q$ et la DTS de l'utilisateur vers une distribution de probabilité sur sept filtres qualitativement distincts :

Proportionnel : Un temps de séjour élevé signale l'importance (attention attendue).
Inverse : L'absence d'attention attendue signale l'importance.
Différentiel : Une déviation par rapport à la propre ligne de base de l'individu signale l'importance.
Récurrent : Un retour fréquent à un artefact signale l'importance.
Comparatif : Une alternation rapide entre des artefacts similaires signale une évaluation active.
Séquentiel : Des déviations par rapport aux séquences de flux de travail attendues.
Collectif : Agrège l'attention à travers une cohorte pour trouver un consensus ou des valeurs aberrantes.

C. Le Pipeline en Quatre Étapes

Délimitation du Sujet : Identifie l'ensemble cible d'individus $U_q$ basé sur la requête.
Sélection de Modalité : Pour chaque paire $(q, u)$ , le système calcule $m(q, u) = \text{softmax}(f_\theta([q; DTS(u, \tau)]))$ pour sélectionner le(s) filtre(s) approprié(s).
Récupération et Pondération : Les artefacts sont classés par un poids combiné $w(a_j, q, u) = I_{attn}(a_j, q, u) \cdot I_{content}(a_j, q)$ . Cela garantit que les artefacts sont à la fois pertinents sur le plan du contenu et significatifs sur le plan comportemental.
Synthèse : Un LLM synthétise la réponse en utilisant les preuves classées et les annotations de modalité.

D. Boucle de Rétroaction
Le système décompose la rétroaction terminale en probabilités d'échec au niveau de l'étape. Le sélecteur de modalité est mis à jour uniquement lorsque l'échec est attribué à l'Étape 2 (Sélection de Modalité), empêchant le signal d'entraînement d'être pollué par des erreurs de récupération ou de synthèse.

3. Contributions Clés

L'article expose quatre contributions principales :

L'Attention Humaine comme Vérité Terrain Comportementale : L'opérationnalisation de l'attention humaine comme un signal de pertinence discriminatif et apprenable sans étiquettes externes, codé via la DTS.
Cadre de Modalité d'Attention à Sept Filtres : Un ensemble structuré de filtres qualitativement distincts sélectionnés dynamiquement par individu et requête via un routeur léger.
Pipeline de Synthèse d'Agents en Quatre Étapes : Un flux de travail qui intègre la délimitation du sujet, la sélection de modalité individualisée, la récupération pondérée par l'attention et la synthèse.
Boucle de Rétroaction à Attribution de Crédit : Un mécanisme pour isoler et mettre à jour le sélecteur de modalité uniquement lorsqu'il est spécifique à une mauvaise classification de modalité, garantissant des signaux d'entraînement propres.

4. Évaluation et Résultats

Le cadre a été évalué sur un ensemble de référence de 302 instances dérivées de traces d'interactions numériques réelles de cinq travailleurs du savoir d'une entreprise du Fortune 500 (210 instances positives d'opportunités commerciales, 92 négatives).

Performance de Référence :

Un modèle de pointe (Claude Opus 4.6) opérant directement sur les séquences d'interactions brutes a atteint un Taux de Vrais Leads (TLR) de 9,5 % et un Taux de Faux Leads (FLR) de 90,5 %.
Un modèle plus petit (GPT-4o-mini) a atteint un TLR de 0 %.

Performance de X-SYNTH :

Modèle de Pointe + X-SYNTH : Le TLR a augmenté à 61,9 % (une amélioration de 6,5×), capturant 130 des 210 vrais leads. Le FLR a chuté à 18,8 %.
Petit Modèle + X-SYNTH : Le TLR a augmenté de 0 % à 57,1 %, démontrant que le cadre peut rendre les modèles plus petits fonctionnels pour des tâches complexes.

Résultats Qualitatifs :

Écart de Vocabulaire : X-SYNTH a interprété avec succès les abréviations spécifiques à l'organisation (par exemple, « FZ » pour « Formal Zone ») en exploitant la DTS, alors que l'inférence directe a échoué en raison du manque de priors organisationnels.
Échelle et Sélectivité : L'inférence directe est irréalisable à grande échelle en raison du volume de tokens (jusqu'à 2,5 millions de tokens/jour par vendeur). La récupération sélective de X-SYNTH rend l'évaluation gérable.
Intégration Temporelle : X-SYNTH a intégré avec succès des signaux sur plusieurs jours et individus, alors que les fenêtres d'un seul jour manquaient le contexte critique.

5. Signification et Revendications

L'article revendique que la synthèse de contexte d'entreprise n'est pas un problème de récupération, mais un problème de pertinence. L'absence d'un signal de pertinence ancré dans le comportement humain est le principal goulot d'étranglement pour les agents IA d'entreprise, et non la capacité de raisonnement du LLM sous-jacent.

X-SYNTH démontre que, en modélisant les lignes de base comportementales individuelles (DTS) et en sélectionnant dynamiquement les filtres d'attention, les systèmes peuvent :

Retrouver la pertinence causale à partir de preuves comportementales dispersées.
Surmonter « l'écart de vocabulaire d'entreprise » en ancrant l'inférence dans des priors organisationnels accumulés.
S'adapter aux flux d'interactions à haut volume grâce à une compression ancrée dans le comportement plutôt qu'à la correspondance de mots-clés.

Les auteurs concluent que l'attention humaine est la vérité terrain la plus fiable pour la pertinence d'entreprise, et que X-SYNTH fournit un mécanisme principiel pour opérationnaliser ce signal, améliorant considérablement l'utilité des agents IA dans les flux de travail d'entreprise complexes.