La plupart des assistants IA restent inactifs jusqu'à votre question. Vous saisissez une question, ils répondent, puis attendent. En conformité commerciale, ce modèle a un problème fondamental : les risques n'attendent pas que quelqu'un les interroge.
Chez Atlas Verified, nous avons créé des agents cloud autonomes qui surveillent continuellement les chaînes, consultent les bases gouvernementales et révèlent les risques à une fréquence définie — sans saisie d'instruction. Ils fonctionnent en arrière-plan dans chaque organisation de notre plateforme et livrent des renseignements structurés directement au tableau de bord.
Cet article présente la conception des agents IA permanents : leurs différences avec l'IA conversationnelle, l'importance des résultats structurés et les défis d'orchestration à grande échelle.
Du réactif au proactif
L'IA conversationnelle est intrinsèquement réactive. L'utilisateur pose une question, le modèle raisonne, appelle quelques outils et répond. Cela fonctionne pour les recherches ponctuelles et l'analyse documentaire. Mais la surveillance de conformité exige un renseignement proactif.
Imaginons : la certification biologique d'un fournisseur est suspendue par l'USDA pendant la nuit. Une de ses expéditions est déjà en transit. Une nouvelle désignation OFAC ajoute un transitaire à la liste des sanctions. Une alerte FDA concerne une matière première que vous importez actuellement.
Aucun de ces événements n'attend qu'un responsable se connecte et pose la bonne question. Lorsqu'il pense à vérifier, la possibilité d'agir de manière proactive peut être passée. Les marchandises sont au port. Les documents sont déposés. L'exposition est réelle.
Les agents cloud inversent la relation. Au lieu que l'utilisateur pilote l'IA, celle-ci s'active selon un calendrier, contrôle tous les éléments importants et transmet les constats.
Architecture avec un agent par quadrant
Lors des premiers prototypes, nous avons essayé un agent unique couvrant tout : évolutions réglementaires, statut des fournisseurs, suivi des expéditions et traitement documentaire. Ses résultats étaient dispersés et décousus. Il poursuivait une piste intéressante et négligeait des catégories entières de renseignement.
La solution a été de diviser le problème en domaines ciblés, que nous appelons quadrants :
Renseignement. Alertes réglementaires, tendances de marché et risques transversaux. Cet agent surveille les changements des bases gouvernementales affectant l'organisation — nouvelles alertes FDA, mises à jour OFAC, changements tarifaires et de statut biologique.
Fournisseurs. Santé du réseau fournisseurs. Cet agent examine les statuts de vérification, lacunes de conformité, expirations de certification et risques de concentration. Si 80% de votre approvisionnement biologique dépend d'un seul organisme certificateur, il le signale.
Expéditions. Surveillance des expéditions actives. Cet agent suit les positions des navires, surveille les écarts d'itinéraire, contrôle les retards et l'exhaustivité documentaire. Il fait ressortir les conteneurs restant au port plus longtemps que prévu ou les navires s'écartant des routes déclarées.
Espace de travail. Santé opérationnelle. Cet agent examine le traitement documentaire, les vérifications en attente, l'activité des équipes et l'utilisation de la plateforme. Il révèle les documents dont le traitement a échoué et requiert une intervention, ou les vérifications en attente depuis trop longtemps.
Chaque agent utilise une instruction système ciblée et un ensemble limité d'outils pertinents. Cela produit des résultats bien meilleurs qu'un agent omniscient unique, pour la même raison qu'une équipe de spécialistes surpasse un généraliste : la profondeur de la concentration.
Partager une couche d'outils avec l'agent conversationnel
Une décision architecturale majeure a été de faire utiliser aux agents cloud exactement la même couche d'outils qu'à notre agent conversationnel. Les mêmes contrôles OFAC, recherches USDA, suivis de navires, requêtes commerciales et analyses documentaires alimentent les deux systèmes.
Cela apporte des avantages techniques importants :
Aucune duplication d'outils. Lorsque nous ajoutons une source ou améliorons un adaptateur, les agents conversationnels et cloud en bénéficient immédiatement. Une implémentation, un ensemble de tests, un périmètre de maintenance.
Résultats cohérents. Un contrôle de sanctions par un agent cloud et un contrôle demandé en conversation appellent la même fonction avec la même logique. Les résultats sont directement comparables et recoupables.
Le défi est que les outils interactifs ne fonctionnent pas toujours de la même manière par lots. Un agent conversationnel peut demander des précisions pour une requête ambiguë. Un agent cloud ne le peut pas. Nous lui donnons donc des instructions plus précises et des limites de récursion plus élevées — il a plus de temps pour se corriger, car personne n'attend sa réponse en temps réel.
Résultats structurés : du texte libre aux cartes du tableau de bord
C'est ici que les agents cloud diffèrent le plus des agents conversationnels. Ces derniers produisent un texte narratif, parfois avec des cartes structurées. Un agent cloud doit produire exclusivement des résultats structurés affichables directement sur le tableau de bord.
Chaque exécution produit un tableau de cartes de renseignement. Chaque carte possède un type et un schéma définis :
Compteurs affichent les indicateurs clés avec tendances — expéditions actives totales, fournisseurs aux certifications bientôt expirées, vérifications en attente.
Signaux de risque mettent en évidence les préoccupations de conformité nécessitant une attention — fournisseur à certification suspendue, correspondance de sanctions, alerte FDA.
Alertes communiquent les informations urgentes — évolutions réglementaires, nouvelles désignations OFAC, mises à jour tarifaires affectant les expéditions actives.
Graphiques et tableaux présentent les analyses — tendances des volumes d'expédition, répartition des corridors commerciaux, taux d'achèvement des vérifications.
Cartes géographiques montrent le renseignement géographique — positions des navires, activité portuaire, répartition des fournisseurs.
Le défi technique est de contraindre un LLM à produire systématiquement des résultats structurés valides. Les modèles veulent raconter, expliquer et nuancer. Obtenir un tableau JSON propre de cartes avec les bons types, champs et données exige une conception soigneuse des instructions et une validation des résultats.
Lorsque les résultats de l'agent ne correspondent pas au schéma attendu, nous analysons ce qui est utilisable et écartons les cartes malformées au lieu de faire échouer toute l'exécution. Un renseignement partiel vaut mieux qu'aucun.
Agents personnalisés : surveillants autonomes définis par l'utilisateur
Au-delà des quatre agents système, les utilisateurs peuvent créer leurs agents cloud. Un agent personnalisé possède un nom, une instruction système rédigée par l'utilisateur et un calendrier. Il utilise la même couche d'outils et les mêmes types de cartes, mais son orientation est entièrement définie par l'utilisateur.
Un utilisateur peut créer un agent surveillant les perturbations d'un corridor précis, contrôlant quotidiennement certains fournisseurs dans les listes de sanctions ou suivant les prix d'une matière première avec des sources commerciales. Les possibilités dépendent seulement des accès de la couche d'outils.
Rendre cela sûr et utile a nécessité plusieurs décisions techniques :
Périmètre organisationnel. Chaque agent personnalisé appartient à une organisation et ne peut accéder qu'à ses données. Il ne peut franchir les frontières organisationnelles, même si l'instruction de l'utilisateur le lui demande.
Filtrage des capacités des outils. Les agents personnalisés accèdent aux mêmes outils de vérification et de recherche que les agents système, mais héritent des limites d'autorisation de l'organisation. Ils ne peuvent accéder à des outils ou données inaccessibles à l'utilisateur dans l'interface conversationnelle.
Gestion des calendriers. Les agents personnalisés suivent des calendriers définis par l'utilisateur, dans les contraintes de la plateforme. Cela évite qu'une organisation consomme des ressources disproportionnées en planifiant des dizaines d'agents chaque heure.
Orchestration à grande échelle
Exécuter quotidiennement des agents autonomes dans de nombreuses organisations crée des défis d'orchestration absents d'un système conversationnel.
Déduplication. Si le planificateur se déclenche alors qu'un agent de l'organisation A s'est déjà exécuté dans la fenêtre de déduplication, il est ignoré. Cela évite les doubles exécutions dues aux nouvelles tentatives, chevauchements ou incidents de planification. Chaque paire agent-organisation constitue une unité unique de planification.
Isolation des défaillances. Si l'agent d'une organisation échoue — erreur d'outil, résultats LLM impossibles à analyser ou service dépendant indisponible — cela ne doit pas affecter les autres organisations. Chaque exécution est une tâche indépendante. Les erreurs sont consignées, l'exécution marquée en échec et le planificateur poursuit.
Cycle de vie des cartes. Les cartes de renseignement ont une durée de vie. Les anciennes expirent et sont remplacées à la prochaine exécution. Le tableau de bord affiche ainsi toujours des renseignements actuels, sans accumuler les constats périmés. Quand l'agent produit de nouvelles cartes, les précédentes de ce quadrant sont remplacées atomiquement.
Budget de ressources. Les exécutions consomment des jetons LLM, appels d'API externes et connexions à la base. Nous suivons les jetons par exécution et organisation pour gérer les coûts et identifier les consommations disproportionnées. Un agent incontrôlé faisant 50 appels quand 10 suffiraient est signalé.
Relier les agents cloud et la conversation
Les agents cloud et l'agent conversationnel forment une boucle de retour, au-delà de systèmes isolés.
L'agent conversationnel peut interroger les résultats des agents cloud. À la question « qu'ont trouvé mes agents ? » ou « y a-t-il des risques de conformité à connaître ? », il récupère les dernières cartes et les présente dans la conversation. Il peut expliquer un signal de risque, ajouter du contexte ou aider à agir sur un constat.
Cela crée un processus naturel : les agents révèlent les problèmes pendant la nuit, l'utilisateur consulte le tableau de bord le matin et ouvre une conversation pour approfondir un constat. L'agent conversationnel connaît déjà les découvertes et peut poursuivre le travail.
Le chemin inverse fonctionne aussi : les schémas des interactions utilisateur nous aident à ajuster les instructions des agents cloud. Si les utilisateurs demandent souvent un risque que les agents ne révèlent pas, c'est un signal pour réorienter leur attention.
Ce que nous avons appris
Construire des agents autonomes nous a enseigné des leçons qui ne sont pas évidentes avec les agents conversationnels :
Les résultats structurés sont plus difficiles que le texte libre. Obtenir systématiquement du JSON valide et conforme au schéma représente un défi différent de la rédaction d'un bon paragraphe. Les modèles veulent expliquer ; il faut canaliser cette énergie analytique dans les champs structurés.
Le périmètre est essentiel. Un agent ciblé sur un domaine clair produit de meilleurs renseignements qu'un agent général ayant accès à tout. L'architecture par quadrant a été notre plus grande amélioration de qualité.
Des résultats partiels valent mieux qu'une exécution échouée. Dans un système par lots, vous ne pouvez demander à l'utilisateur quoi faire en cas de problème. Une dégradation contrôlée — produire les cartes possibles et signaler les lacunes — est essentielle.
Les utilisateurs veulent le contrôle. Les agents personnalisés se sont révélés l'une des fonctions les plus demandées. Les professionnels connaissent leurs risques spécifiques mieux que tout système généraliste. Leur permettre de programmer des surveillants autonomes en langage naturel a créé une valeur importante.
La boucle de retour compte. Les agents cloud et conversationnels ont plus de valeur ensemble que séparément. Le renseignement proactif fixe les priorités ; l'IA conversationnelle apporte la profondeur. Concevoir ce flux bidirectionnel dès le départ a amélioré les deux systèmes.
Perspectives
Les agents cloud représentent un changement fondamental de notre conception de l'IA en conformité. La question devient « que devrait contrôler l'IA sans qu'on le lui demande ? », au-delà de « que peut-elle répondre sur demande ? »
À mesure que nous ajoutons des sources et que la réglementation se complexifie, la surveillance autonome gagne en valeur. La journée d'un professionnel ne devrait pas commencer par six bases gouvernementales et trois services de suivi à consulter manuellement. Elle devrait commencer par un tableau de bord montrant exactement les changements nocturnes et les points nécessitant son attention.
C'est ce que livrent les agents cloud. Et rendre cela fiable, évolutif et utile est l'un des défis techniques les plus gratifiants de notre travail.
Les agents cloud d'Atlas Verified surveillent de manière autonome les chaînes, consultent les bases gouvernementales et révèlent les risques de conformité — pour que les professionnels se concentrent sur les décisions plutôt que la collecte.