AutoSynthData de ServiceNow transforme les échecs d'agents en données d'entraînement

Le pipeline s'appelle AutoSynthData. Il exploite les échecs du modèle cible et les succès d'un modèle enseignant plus puissant pour déterminer ce que le modèle doit apprendre ensuite. Il génère ensuite de nouvelles tâches qui sollicitent ces capacités et les valide, selon le billet technique publié le 2 octobre.

Ce point est crucial car le problème des agents d'entreprise est largement un problème de récupération. Un agent qui ne trouve pas la bonne politique, l'enregistrement d'actif ou la note de travail au bon moment échoue. Un seul échec ne suffit pas pour entraîner le modèle.

Les auteurs de ServiceNow, Esakkivel Esakkiraja, Shruthan Radhakrishna, Denis Akhiyarov et Sagar Davasam, décrivent l'écart simplement : un modèle peut être largement capable et avoir quand même du mal avec un environnement particulier, un flux de travail qu'il gère mal, une combinaison d'outils qu'il abuse, ou une contrainte qu'il ne respecte pas. Le billet fixe trois conditions pour une tâche générée : faisabilité, réalisme et difficulté. Il en fixe trois autres pour le vérificateur qui note le résultat, en commençant par la cohérence. La couche de vérification est la pièce maîtresse : sans un contrôle fiable, les tâches synthétiques n'enseignent rien. ServiceNow illustre la méthode sur EnterpriseOps Gym, un benchmark publié avec un papier cette année. C'est l'un de plusieurs efforts de recherche arrivant dans la même fenêtre qui attaquent le même problème sous différents angles : comment ancrer les systèmes d'entreprise dans un contexte sur lequel ils peuvent réellement agir.

La qualité de récupération devient une variable mesurable

Le 30 septembre, deux prépublications soumises à arXiv ont visé la couche de représentation sous-jacente à la récupération d'entreprise. Merieme Askour et Ayoub Merimi proposent une théorie de la suffisance du contexte dans la personnalisation de l'IA générative. Ils soutiennent que lorsque le contexte est bon marché à fournir, plus n'est pas mieux.

Leur cadre identifie quatre états : insuffisance, suffisance, saturation et interférence. Il définit une Frontière de Suffisance Contextuelle pour localiser l'ensemble minimal pertinent. Dans une expérience factorielle complète avec un recommandeur génératif chez un grand détaillant d'ameublement, le contexte pertinent a amélioré l'adéquation. Le contexte irrélévant, lui, l'a réduite et a déstabilisé la récupération.

Le deuxième papier, de Terry Dorsey et Kevin Huggins, introduit la Simplification de Représentation d'Entreprise et un modèle neutre en représentation appelé Complexité de Représentation d'Entreprise. Les auteurs affirment que l'information d'entreprise accumule des structures façonnées par les applications, les projets et les frontières organisationnelles. Cette complexité de représentation doit être maintenue et interprétée par les humains et les systèmes d'IA. Leur affirmation clé pour les praticiens de la récupération : les réductions de la complexité au niveau des tâches réduisent l'étendue représentationnelle qu'un système d'IA doit identifier, relier et interpréter. La recherche en text-to-SQL fournit des preuves que la réduction de la complexité du schéma et du raisonnement peut améliorer la précision. Les auteurs précisent que ERC n'est pas une métrique universelle de complexité, de performance ou de coût.

Aucun des deux papiers ne livre un produit. Tous deux pointent pourtant le même diagnostic. Jeter plus de contexte sur un système de récupération n'est pas la même chose que lui donner un contexte suffisant. La différence se manifeste par des réponses instables en production.

L'identité est l'autre moitié du problème d'ancrage

The Hacker News a publié un cadre le 28 septembre pour la gestion de l'identité et de l'accès des agents d'IA. Il nomme un mode d'échec que les équipes de récupération découvrent souvent tard. Les plateformes IAM expriment l'accès prévu, tandis que les applications et l'infrastructure révèlent ce que l'agent a réellement exécuté.

Entre les deux se trouve ce que l'article appelle la matière sombre de l'identité : les agents, les identifiants, les comptes locaux aux applications et les chemins d'authentification que les données d'identité centrales ne signalent jamais. L'article cite le Top 10 d'OWASP pour les applications de grands modèles de langage, qui nomme l'agence excessive comme LLM06. Il énumère cinq échecs courants, y compris l'absence de propriété, les secrets à longue durée et la délégation non bornée.

L'angle de la récupération est direct. Un agent accordé de larges permissions peut extraire des données qu'il n'était pas censé voir. L'attribution statique de rôles ne peut pas borner ce comportement. Les constats de configuration décrivent la possibilité ; la télémétrie décrit ce qui s'est produit.

Les fournisseurs cloud poussent la tuyauterie plus bas dans la pile

Microsoft a rendu Azure Container Apps Express généralement disponible, a rapporté InfoQ le 1 octobre. Cela s'accompagne de la disponibilité générale d'Azure Container Apps Sandboxes, la couche de calcul isolée sur laquelle Express s'exécute. Express prend une image de conteneur, une région et toute la configuration dont l'application a besoin. Il provisionne ensuite le calcul, l'ingress et le scaling lui-même. Il s'exécute sur CPU à consommation avec facturation par seconde et se met à l'échelle zéro lorsqu'il est inactif.

Microsoft décrit Express comme centré sur le développeur et sur l'agent. Sa documentation indique qu'il est construit entièrement sur Sandboxes. Celles-ci se provisionnent depuis des pools préchauffés pour un démarrage en moins d'une seconde. Elles isolent chaque charge de travail dans sa propre microVM isolée matériellement et supportent la suspension et la reprise avec une restauration en moins d'une seconde. Les développeurs peuvent utiliser Sandboxes directement. Microsoft positionne cette voie pour les plateformes d'agents et les services d'exécution de code sécurisés. La réaction sur Reddit suggérait que le primitif était déjà en usage avant l'annonce. Un commentateur, MuhBlockchain, a affirmé que ACA Sandboxes soutiennent des services Azure de base, y compris Foundry Hosted Agents. C'est un détail que les propres documents de Microsoft ne mentionnent pas.

CoreWeave s'est engagé dans la même direction un jour plus tôt. Il a dévoilé CoreWeave Forge le 30 septembre lors de son événement Fully Connected à San Francisco. C'est une plateforme logicielle intégrée pour développer, exécuter et améliorer des modèles et agents d'IA, selon Data Center Knowledge. Forge est disponible en éditions Free, Pro et Enterprise. Il inclut CoreWeave Notebooks, Agent Lens pour l'observabilité des agents de production, et RL Rollouts.

Corey Sanders, vice-président senior du management produit de CoreWeave, a déclaré lors d'un briefing médias que l'entreprise était passée d'un focus sur le meilleur fournisseur d'infrastructure centrée sur l'IA à la livraison de services d'IA. Ces services permettent aux clients de construire des applications sur sa plateforme. L'analyste d'IDC Dave McCarthy a dit à Data Center Knowledge que CoreWeave a besoin d'un public d'entreprise plus large et d'un écosystème logiciel plus important pour construire une entreprise durable.

D'où vient la demande

La base d'utilisateurs de l'IA générative en Chine a dépassé 700 000 000 à la fin de juin, a rapporté le China Internet Network Information Centre. C'est une hausse de 16 % par rapport à 602 000 000 à la fin de 2025, lorsque la pénétration était de 42,8 %. Le South China Morning Post, qui a couvert la publication le 29 septembre, a noté que 76 % des utilisateurs interrogés ont déclaré utiliser l'IA générative pour chercher des réponses. 48 % l'utilisent pour traiter des images ou des vidéos, et 38 % pour le traitement de texte.

Ce sont des chiffres consommateurs, pas d'entreprise. Mais ils fixent la ligne de base d'attentes contre laquelle les systèmes de récupération d'entreprise sont désormais mesurés. Ils expliquent pourquoi les fournisseurs de toute la pile se pressent pour que les sorties des agents ressemblent moins à des devinettes.

Les contraintes d'infrastructure sous-jacentes sont réelles. Les générateurs de peigne de fréquence optique, qui produisent de nombreuses longueurs d'onde à partir d'un seul laser au lieu d'un laser par canal, sont présentés comme un moyen de réduire la puissance, le coût et les points de défaillance. Cela s'applique à mesure que les centres de données d'IA dépassent 16 longueurs d'onde par fibre, a rapporté Data Center Knowledge le 24 septembre. Frank Smyth, fondateur et CTO de Pilot Photonics, a dit que les lasers à peigne permettent potentiellement de packer beaucoup plus de longueurs d'onde beaucoup plus serrées sans peur d'interférence. Marcello Girardi, CEO et cofondateur de Solinide, a posé la limite pratique franchement : quatre longueurs d'onde est un problème résolu pour les tableaux de lasers. La difficulté commence à huit, et à 16 le nombre de composants vous limite. Steven Estrella de Quintessent a ajouté qu'avec la pénurie actuelle de lasers DFB CW en phosphure d'indium, réduire le nombre de lasers requis est plus important que jamais.

Les acheteurs d'entreprise réfléchissent aussi à l'endroit où l'inférence s'exécute. Le Private Cloud Outlook 2 026 de VMware, cité par Data Center Knowledge le 21 septembre, indique que 83 % des entreprises ont terminé ou prévoient de rapatrier des charges de travail du cloud public. Cela est poussé par des préoccupations de sécurité, de coût, de conformité et de performance. Les installations de colocation modernes supportent des armoires de 35 kW avec refroidissement par air et des armoires de 70 à 150 kW avec refroidissement liquide optionnel. C'est là que l'inférence sur des données corporatives confidentielles a tendance à se situer.

Aucun de cela ne résout le problème de récupération tout seul. Mais la direction de voyage au cours de la dernière semaine est constante : l'industrie traite le contexte, la représentation et l'identité comme des variables d'ingénierie plutôt que comme des prompts à ajuster. C'est un problème plus difficile que de câbler un entrepôt vectoriel. C'est celui qui décide si un agent peut être confié le travail.