Les entreprises modernes ne conservent pas leurs connaissances en un seul lieu. Les faits critiques concernant les clients, les contrats et la performance financière résident dans des bases de données structurées, où les données sont organisées en lignes et en colonnes. Pendant ce temps, les histoires qui se cachent derrière ces chiffres — rapports d'incidents, documents de politique générale et journaux opérationnels — résident dans des fichiers texte non structurés, des feuilles de calcul et des PDF. Pendant des décennies, les systèmes d'intelligence artificielle ont lutté pour combler ce fossé. Un type de système, connu sous le nom de génération augmentée par récupération (RAG), excelle à trouver des réponses au sein de vastes bibliothèques de texte mais ne peut effectuer les calculs précis requis par une base de données. Un autre type, capable de traduire des questions humaines en requêtes de base de données, peut traiter des chiffres mais ne peut ni lire un manuel de procédures ni comprendre la séquence d'événements dans un rapport narratif. Cette séparation force les entreprises à choisir entre précision et contexte, les laissant souvent avec des réponses incomplètes à des questions complexes qui nécessitent les deux.

Une nouvelle approche, détaillée dans une recherche récente de Harshil Lodhiya de Sliced Health, propose une solution unifiée qui traite la connaissance de l'entreprise comme un écosystème unique et interconnecté plutôt que comme une collection de silos isolés. Le chercheur introduit un système appelé « Self-Optimizing Enterprise RAG+SQL Knowledge Agent ». Il ne s'agit pas simplement d'un outil qui recherche du texte ou écrit du code ; c'est une architecture middleware conçue pour agir comme un chef d'orchestre central pour diverses sources d'information. Il prend une question en langage naturel, la décompose en tâches spécifiques, puis orchestre une séquence d'actions : la récupération de documents pertinents, la traversée d'une carte de relations entre les événements et l'exécution de requêtes de base de données précises. Crucialement, le système ne s'arrête pas à la génération d'une réponse. Il surveille continuellement ses propres performances, apprenant de chaque interaction pour améliorer sa sélection d'outils, sa récupération d'informations et la validation de son travail. Le résultat est un système capable de répondre à des questions telles que : « Quels clients affectés par la panne de la semaine dernière possèdent également un support premium dans leurs contrats ? » en lisant simultanément le rapport d'incident, en vérifiant les comptes affectés dans la base de données et en vérifiant les termes du contrat, tout en garantissant que la réponse finale est sûre, exacte et entièrement sourcée.

L'innovation centrale réside dans la manière dont le système planifie son travail avant de commencer. Au lieu de demander à un seul modèle d'intelligence artificielle de deviner la réponse, l'agent décompose d'abord la question de l'utilisateur en un plan de preuves typé. Ce plan est une séquence structurée d'opérations, semblable à une liste de contrôle pour un enquêteur qualifié. Pour une requête complexe, l'agent pourrait d'abord identifier l'incident spécifique dans un journal, puis utiliser cette information pour trouver les noms de clients concernés, et enfin utiliser ces noms pour filtrer une base de données pour les détails des contrats. Chaque étape de ce plan se voit assigner un outil spécifique : un pour lire du texte, un autre pour naviguer dans un graphe de relations, et un troisième pour écrire et exécuter des commandes de base de données. En séparant la phase de planification de la phase d'exécution, le système garantit que chaque pièce d'information collectée est pertinente et que la logique qui les relie est auditable. Cette structure empêche le système d'halluciner des faits ou de faire des sauts non étayés, car chaque affirmation dans la réponse finale doit être appuyée par une pièce de preuve spécifique collectée durant le processus.

Pour gérer la nature vaste et variée des données d'entreprise, le système emploie une stratégie de récupération hybride qui combine trois méthodes distinctes. Il utilise la recherche vectorielle dense pour trouver du texte sémantiquement similaire à la question, même si les mots ne correspondent pas exactement. Il emploie la correspondance lexicale pour trouver des termes exacts, ce qui est vital pour des codes ou des noms spécifiques. Plus important encore, il utilise une approche basée sur les graphes pour comprendre les relations. Dans ce graphe, les événements, les documents et les enregistrements de base de données sont liés entre eux. Si une question porte sur la chaîne d'événements ayant conduit à une défaillance, le système peut traverser ce graphe pour suivre le chemin causal de l'erreur initiale jusqu'à l'impact final, plutôt que de simplement rechercher des mots-clés. Cela permet à l'agent de reconstruire des récits complexes, tels que la séquence d'événements derrière un lot de paiements échoué, en reliant les points entre une entrée de journal, une violation de politique et une ligne de base de données spécifique.

La sécurité et l'exactitude sont imposées par des étapes de validation rigoureuses qui interviennent avant qu'une réponse finale ne soit présentée à un utilisateur. Lorsqu'le système génère une requête de base de données, il ne se contente pas de l'exécuter. Il vérifie d'abord la requête par rapport à une version élaguée du schéma de la base de données, garantissant qu'il n'accède qu'aux tables et colonnes que l'utilisateur est autorisé à voir. La requête est ensuite testée dans un bac à sable (sandbox) en lecture seule, un environnement sécurisé où elle peut être exécutée sans risque de modifier ou de supprimer des données. Le système vérifie que la requête est syntaxiquement correcte et que les résultats font sens dans le contexte de la question. Si une requête échoue à la validation ou si les preuves récupérées sont insuffisantes, le système est conçu pour s'abstenir de donner une réponse plutôt que de deviner. Il expliquera alors quelles informations manquent ou pourquoi il ne peut pas procéder, une caractéristique cruciale pour maintenir la confiance dans des environaux à enjeux élevés comme la finance ou la conformité.

L'aspect le plus dynamique de cette architecture est sa capacité d'auto-optimisation. Le système fonctionne comme un problème de contrôle en boucle fermée, ajustant constamment son comportement en fonction des retours du monde réel. À mesure que le système traite des milliers de requêtes, il collecte des données de télémétrie concernant le coût, la vitesse et l'exactitude de ses décisions. Il suit quels modèles ont le mieux performé pour des types de tâches spécifiques, quels modes de récupération ont produit les documents les plus pertinents, et où les seuils de validation nécessitaient un ajustement. En utilisant ces données, le système met automatiquement à jour ses politiques internes. Si un modèle d'intelligence artificielle particulier devient plus lent ou moins précis au fil du temps, le système apprend à lui confier moins de tâches. Si un certain type de récupération de documents échoue systématiquement à trouver la bonne information, le système ajuste ses poids de recherche pour prioriser d'autres méthodes. Ce cycle d'apprentissage continu garantit que l'agent ne reste pas statique mais évolue parallèlement au paysage changeant des données d'entreprise, des besoins des utilisateurs et des technologies disponibles.

La recherche trace un blueprint pratique pour construire un tel système en utilisant des technologies existantes et robustes. Elle suggère d'utiliser des bases de données relationnelles standards pour stocker les métadonnées et les structures de graphes, aux côtés de bases de données vectorielles pour gérer les plongements (embeddings) de texte. L'architecture est modulaire, permettant aux organisations d'adopter des composants individuels, tels que la traduction de requêtes sensible au schéma ou le raisonnement sur les graphes d'événements, avant d'intégrer la boucle complète d'auto-optimisation. Cette flexibilité signifie que même des implémentations partielles peuvent apporter une valeur significative en améliorant l'exactitude de tâches spécifiques, comme la génération de rapports de base de données ou la synthèse de journaux d'incidents. L'objectif ultime n'est pas de remplacer les analystes humains, mais de leur fournir un assistant puissant et fiable capable de naviguer dans la complexité des connaissances de l'entreprise moderne, transformant des données fragmentées en informations cohérentes et exploitables.

Les conclusions suggèrent que traiter la réponse aux questions d'entreprise comme un problème de contrôle multi-outils, plutôt que comme une simple recherche de texte, offre une voie vers une intelligence artificielle fiable en entreprise. En combinant les forces de la récupération de texte, du raisonnement par graphe et de l'exécution de base de données au sein d'un cadre unique et autocorrecteur, le système répond aux limites fondamentales des approches précédentes. Il reconnaît qu'aucun modèle ou méthode unique ne peut résoudre tous les problèmes et se concentre plutôt sur l'orchestration d'un ensemble diversifié d'outils pour produire un résultat unifié. La recherche démontre qu'avec une conception soignée, incluant une validation stricte, un contrôle d'accès et une optimisation continue, il est possible de construire des agents qui sont non seulement intelligents, mais aussi sûrs, transparents et capables de s'améliorer au fil du temps. Cette approche représente une étape importante vers la réalisation du potentiel de l'intelligence artificielle pour véritablement comprendre et interagir avec la réalité complexe et multiforme de l'entreprise moderne.