Enjeux
Ce projet portait plusieurs enjeux structurants pour notre client :
- Fiabiliser les réponses en limitant les hallucinations et en veillant à ce que chaque information puisse être rattachée à une source vérifiable.
- Différencier les cas d’usage veille économique et préparation commerciale, qui n’attendent ni les mêmes données ni le même format de restitution.
- Préserver la gouvernance des données, en respectant les droits d’accès, la classification des contenus et le cloisonnement entre sources.
- Sécuriser l’usage de l’IA générative par des garde-fous robustes face aux tentatives de détournement, notamment les prompt injections et les jailbreaks.
- Préparer la suite avec une architecture pensée pour accueillir de nouveaux cas d’usage sans remise en cause de l’existant. Les architectures multi-agents et les workflows d’orchestration dans Azure AI Foundry sont justement conçus pour ce type d’extension modulaire.
L’objectif à ce stade : passer d’un prototype incertain à un POC robuste, capable de démontrer la valeur d’un assistant métier plus fiable et gouverné.
Solution
Nous avons retenu Azure AI Foundry pour bâtir un RAG multi-agents piloté. L’accompagnement s’est structuré en quatre étapes clés.
Etape 1 : Cadrage des cas d’usage et architecture multi-agents
Nous avons commencé par un travail d’écoute approfondi des usages métier pour concevoir une architecture reposant sur plusieurs agents complémentaires :
- Un Agent CRM spécialisé dans l’interrogation des données structurées entreprises, comme la raison sociale, le secteur, la localisation, les interlocuteurs ou l’historique.
- Un Agent Presse dédié à la veille économique, capable de restituer des tendances sectorielles et des signaux faibles à partir des contenus indexés.
- Un Agent Entreprise dédié à la compréhension du périmètre entreprises, notamment pour mieux traiter la recherche et l’analyse autour des prospects.
- Un Agent Routeur chargé d’identifier l’intention de l’utilisateur afin de valider la demande et de la rediriger vers le bon agent métier.
- Un Agent Compilateur qui orchestre les contributions utiles et restitue une réponse unique, cohérente, formatée selon le besoin.
Cette séparation des rôles permet de structurer le POC autour de responsabilités claires. Elle s’inscrit dans la logique d’orchestration d’agents spécialisés aujourd’hui prise en charge par Azure AI Foundry pour coordonner différents agents selon les tâches et le contexte.
Etape 2 : Construction d’une base de connaissances métier
Nous avons structuré deux index Azure AI Search dédiés :
- Un index CRM intégrant l’ensemble du parc entreprises et indexant les champs clés, comme le SIRET, le secteur, la géographie, les interlocuteurs et les interactions, afin d’en faire la source de référence côté données structurées.
- Un index Presse alimenté par extraction automatique des PDF et enrichi de métadonnées, comme la thématique, la géographie, la date et la source, avec des mécanismes de recherche sémantique et vectorielle pour transformer la veille brute en connaissance exploitable. Azure AI Search prend en charge à la fois la recherche vectorielle et l’amélioration de pertinence par ranking sémantique.
Une ontologie métier vient harmoniser la terminologie entre les deux index pour garantir la cohérence des recherches et des restitutions.
Etape 3 : Conception des prompts et orchestration
Chaque agent a été doté de prompts métier précis, pensés comme un véritable cadre comportemental :
- L’Agent Routeur analyse l’intention de l’utilisateur pour déterminer le bon parcours de traitement et solliciter l’agent le plus pertinent.
- L’Agent Presse guide l’utilisateur à préciser son périmètre, par exemple la région ou la période, avant de produire une synthèse structurée.
- L’Agent CRM intègre des mécanismes de désambiguïsation, comme le SIRET, le secteur ou la localisation, pour restituer le bon contexte d’entreprise.
- L’Agent Entreprise renforce la compréhension du périmètre sociétés, notamment dans une logique de prospection et de qualification des prospects.
- L’Agent Compilateur agrège les éléments utiles et produit une réponse factuelle, traçable et alignée sur le besoin métier.
L’orchestration des appels et la boucle RAG complète — recherche, contextualisation, génération puis contrôle des sources — sont conçues dans une logique centralisée et gouvernée. Cette approche est cohérente avec les capacités d’orchestration multi-agents et de workflows structurés documentées autour d’Azure AI Foundry.
Etape 4 : Guardrails, validation et prochaines étapes
La sécurité a été pensée comme un pilier du POC, pas comme un correctif :
- Des instructions agents immuables visent à limiter les dérives comportementales.
- Des mécanismes de validation des sorties peuvent être mobilisés pour filtrer les réponses avant restitution.
- Un cloisonnement strict des accès est prévu : chaque agent ne consulte que son périmètre de données.
- Un audit des traitements, des sources mobilisées et de la pertinence des résultats fait partie des principes de conception du dispositif.
La gestion des risques liés aux injections de prompts et aux jailbreaks est un enjeu reconnu dans les environnements Azure dédiés à l’IA générative, avec des outils de détection et de filtrage adaptés à ces menaces.
À date, le POC est encore en cours de réalisation et les utilisateurs métiers finaux n’y ont pas encore accès. La mise en place d’un référentiel de tests partagé avec le client, puis l’implication des utilisateurs finaux dans les phases d’acceptation, constituent les prochaines étapes de validation du dispositif.
Bénéfices
À ce stade, le POC permet déjà de poser les bases d’un assistant métier plus fiable et gouverné :
- Une meilleure maîtrise des réponses générées, avec un objectif clair de traçabilité des sources.
- Une architecture plus lisible, grâce à la spécialisation des agents par rôle et par source.
- Un cadre de gouvernance renforcé, avec un cloisonnement des accès pensé dès la conception.
- Une base technique réutilisable pour de futurs cas d’usage, grâce à une approche modulaire cohérente avec les modèles multi-agents d’Azure AI Foundry.
Les bénéfices opérationnels côté utilisateurs métiers, notamment les gains de productivité en préparation d’analyses ou de rendez-vous, ne peuvent être confirmés à date puisque le POC est toujours en cours et n’a pas encore été ouvert aux utilisateurs finaux.
Au-delà du résultat technique attendu, ce POC doit permettre au client de sécuriser ses choix d’architecture sur un sujet IA stratégique et de préparer une éventuelle montée en charge sur des bases plus robustes.
Vous traversez des défis similaires ?
ActinVision vous accompagne dans la conception de POC et le déploiement progressif d’architectures RAG maîtrisées avec Azure AI Foundry, en s’appuyant sur des approches d’orchestration multi-agents, de recherche hybride et de guardrails adaptées aux contextes métier.
Vous souhaitez bénéficier de notre expertise ?
