Agentic RAG : passer de la recherche à l'action dans la connaissance d'entreprise

Pourquoi le RAG traditionnel n'est pas à la hauteur des flux de travail d'entreprise

La génération augmentée par récupération a constitué une avancée majeure pour ancrer les résultats du LLM dans un contenu factuel, mais le modèle standard, qui consiste à récupérer les éléments pertinents puis à générer une réponse, atteint un plafond dans les environnements d'entreprise. Les véritables questions d’entreprise trouvent rarement une réponse dans un seul passage de document. Un employé qui demande comment demander une prolongation de congé a besoin d'informations provenant du document de politique RH, du contexte sur son type de congé spécifique, du flux de travail d'approbation de son service et potentiellement du statut actuel de sa demande existante dans le système SIRH. Standard RAG récupère quelques morceaux et espère que le modèle pourra synthétiser une réponse. En pratique, cela produit des réponses qui sont partiellement correctes mais manquent des étapes procédurales critiques, ou pire, indiquent avec confiance une politique obsolète parce que l'étape de récupération a fait apparaître une version de document remplacée.

Agentic RAG : récupérer, raisonner et agir dans un seul pipeline

Agentic RAG étend le paradigme de récupération en donnant à l'agent la possibilité de récupérer de manière itérative, de raisonner sur les lacunes de ses connaissances actuelles, de récupérer à nouveau à partir de différentes sources et, finalement, d'agir au nom de l'utilisateur. Au lieu d’une seule étape de récupération, l’agent exécute une boucle de raisonnement. Première récupération : extraire la politique de congé. Etape de raisonnement : la politique référence différentes règles pour différents types de congés, mais l'utilisateur n'a pas précisé son type de congé. Décision : vérifier dans le système SIRH l'enregistrement des congés actifs de l'utilisateur. Deuxième récupération : extrayez les détails des congés de l'employé depuis Workday. Étape de raisonnement : le salarié est en congé FMLA, qui bénéficie d'une procédure de prolongation spécifique. Troisième récupération : extrayez la procédure d'extension FMLA. Action : générez le formulaire de demande de prolongation pré-rempli avec les détails de l'employé et soumettez-le via le workflow d'approbation approprié. Ce modèle multi-sauts transforme un système de questions-réponses en un moteur d'exécution de flux de travail. L'utilisateur a posé une question et a reçu une action terminée, pas seulement une réponse dont il aurait besoin pour agir lui-même.

Modèles du monde réel : récupération multi-sauts et génération augmentée par des outils

Nous déployons du RAG agentique sur plusieurs modèles d'entreprise récurrents. Le premier est la politique à l'action : l'agent récupère les documents de politique pertinents, les croise avec le contexte spécifique de l'employé à partir des systèmes RH et informatiques, et exécute le workflow approprié. La seconde est la résolution de diagnostic : pour les scénarios de support informatique, l'agent récupère les guides de dépannage, interroge les systèmes de surveillance pour connaître l'état actuel, exécute les commandes de diagnostic via des intégrations d'outils approuvées et applique des correctifs. Le troisième est la synthèse des connaissances : pour des questions complexes qui couvrent plusieurs domaines de connaissances, l'agent effectue une récupération parallèle dans différentes collections de documents, réconcilie les informations contradictoires en vérifiant la fraîcheur et l'autorité du document, et produit une réponse synthétisée avec des citations. Dans chaque modèle, l’ingrédient critique est la boucle de raisonnement qui se situe entre les étapes de récupération. L'agent ne se contente pas de récupérer et de générer. Il récupère, évalue s'il dispose d'un contexte suffisant, identifie les lacunes et récupère stratégiquement davantage jusqu'à ce qu'il dispose de l'image complète nécessaire pour agir en toute confiance.