AutoSynthData de ServiceNow transforme les échecs des agents en données d'entraînement
ServiceNow a publié le 2 octobre un pipeline d'agents pour l'entreprise qui construit de nouvelles tâches d'entraînement à partir des échecs d'un modèle. Il vise les lacunes de recherche d'information et d'usage des outils qui bloquent les déploiements. Quatre chercheurs de ServiceNow ont détaillé AutoSynthData sur Hugging Face.

Le pipeline s'appelle AutoSynthData. Il s'appuie sur les échecs d'un modèle cible et sur les réussites d'un modèle enseignant plus puissant pour décider ce que le modèle doit apprendre ensuite. Il génère ensuite de nouvelles tâches et les valide, selon la note d'ingénierie publiée le 2 octobre.
Le sujet compte parce que le problème des agents en entreprise est en grande partie un problème de recherche d'information. Un agent qui ne trouve pas la bonne règle, le bon enregistrement d'actif ou la bonne note de travail au bon moment échoue. Un seul échec ne suffit pas pour entraîner un modèle.
Les auteurs de ServiceNow, Esakkivel Esakkiraja, Shruthan Radhakrishna, Denis Akhiyarov et Sagar Davasam, décrivent la lacune sans détour. Un modèle peut être largement compétent et buter sur un environnement précis. Il peut mal traiter un flux de travail, mal combiner plusieurs outils ou ne pas respecter une contrainte. La note pose trois conditions pour une tâche générée : faisabilité, réalisme et difficulté. Elle en pose trois pour le vérificateur qui note le résultat, à commencer par la cohérence. La couche de vérification porte tout le reste. Sans contrôle fiable, les tâches synthétiques n'apprennent rien. ServiceNow illustre la méthode sur EnterpriseOps Gym, un benchmark publié cette année avec un article. C'est l'un des plusieurs travaux de recherche parus dans la même fenêtre. Ils attaquent le même problème sous des angles différents : comment ancrer les systèmes d'entreprise dans un contexte sur lequel ils peuvent réellement agir.
La qualité de la recherche devient une variable mesurable
Le 30 septembre, deux prépublications soumises à arXiv se sont attaquées à la couche de représentation sous la recherche d'information en entreprise. Merieme Askour et Ayoub Merimi proposent une théorie de la suffisance du contexte dans la personnalisation par IA générative. Ils soutiennent qu'une fois le contexte peu coûteux à fournir, en donner davantage n'est pas mieux.
Leur cadre distingue quatre états : insuffisance, suffisance, saturation et interférence. Il définit une frontière de suffisance du contexte pour localiser l'ensemble pertinent minimal. Dans une expérience factorielle complète menée avec un recommandeur génératif chez un grand détaillant de mobilier, un contexte pertinent a amélioré la pertinence des réponses. Un contexte non pertinent l'a dégradée et a déstabilisé la recherche.
Le second article, de Terry Dorsey et Kevin Huggins, introduit l'Enterprise Representation Simplification et un modèle neutre du point de vue des représentations appelé Enterprise Representation Complexity. Les auteurs soutiennent que l'information d'entreprise accumule des structures façonnées par les applications, les projets et les frontières organisationnelles. Ils notent que cette complexité représentationnelle doit être maintenue et interprétée à la fois par les humains et par les systèmes d'IA. Leur thèse principale pour les praticiens de la recherche : réduire la complexité au niveau des tâches réduit l'étendue représentationnelle qu'un système d'IA doit identifier, relier et interpréter. La recherche sur le text-to-SQL apporte la preuve qu'un schéma et un raisonnement moins complexes peuvent améliorer la précision. Les auteurs prennent soin de préciser que l'ERC n'est pas une mesure universelle de complexité, de performance ou de coût.
Aucun des deux articles ne livre de produit. Tous deux pointent pourtant le même diagnostic. Jeter plus de contexte sur un système de recherche n'équivaut pas à lui donner un contexte suffisant. La différence se voit dans les réponses instables en production.
L'identité, autre moitié du problème d'ancrage
Le Hacker News a publié le 28 septembre un cadre pour la gestion des identités et des accès des agents d'IA. Il nomme un mode de défaillance que les équipes de recherche 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 noire de l'identité. Cela couvre les agents, les identifiants, les comptes locaux aux applications et les chemins d'authentification que les données d'identité centrales ne rapportent jamais. Le texte cite le Top 10 de l'OWASP pour les applications de grands modèles de langage, qui classe l'agencéité excessive en LLM06. Il énumère cinq défaillances courantes, dont l'absence de propriétaire, les secrets de longue durée et la délégation sans limite.
Le lien avec la recherche d'information est direct. Un agent doté de permissions larges peut extraire des données qu'il n'était pas censé voir. L'attribution statique des rôles ne borne pas ce comportement. Les constats de configuration décrivent une possibilité ; la télémétrie décrit ce qui s'est produit.
Les fournisseurs cloud poussent la plomberie vers le bas de la pile
Microsoft a rendu Azure Container Apps Express généralement disponible, rapporte InfoQ le 1er octobre. La nouvelle est arrivée en même temps que 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 la configuration dont l'application a besoin. Il provisionne ensuite lui-même le calcul, l'ingress et la mise à l'échelle. Il tourne sur du CPU à la consommation, facturé à la seconde, et redescend à zéro au repos.
Microsoft présente Express comme pensé d'abord pour les développeurs et pour les agents. Sa documentation indique qu'il repose entièrement sur les Sandboxes. Ceux-ci se provisionnent depuis des pools préchauffés pour un démarrage en moins d'une seconde. Ils isolent chaque charge de travail dans sa propre microVM à isolation matérielle et prennent en charge la suspension et la reprise avec une restauration en moins d'une seconde. Les développeurs peuvent utiliser les Sandboxes directement. Microsoft destine cette voie aux plateformes d'agents et aux services d'exécution de code sécurisée. Les réactions sur Reddit suggéraient que la primitive était déjà utilisée avant l'annonce. Un commentateur, MuhBlockchain, affirmait que les ACA Sandboxes sous-tendent des services Azure centraux, dont Foundry Hosted Agents. Les documents de Microsoft ne mentionnent pas ce détail.
CoreWeave a pris la même direction un jour plus tôt. L'entreprise a dévoilé CoreWeave Forge le 30 septembre lors de son événement Fully Connected à San Francisco. Selon Data Center Knowledge, Forge est une plateforme logicielle intégrée pour développer, exécuter et améliorer des modèles et des agents d'IA. Elle existe en éditions Free, Pro et Enterprise. Elle comprend CoreWeave Notebooks, Agent Lens pour l'observabilité des agents en production, et RL Rollouts.
Corey Sanders, vice-président senior de la gestion de produit chez CoreWeave, s'est exprimé lors d'un point presse. Il a déclaré que l'entreprise était passée d'une volonté d'être le meilleur fournisseur d'infrastructure centrée sur l'IA. Elle livre désormais des services d'IA qui permettent aux clients de construire des applications sur sa plateforme. L'analyste IDC Dave McCarthy a déclaré à Data Center Knowledge que CoreWeave a besoin d'un public d'entreprise plus large et d'un écosystème logiciel plus vaste pour bâtir une activité durable.
D'où vient la demande
La base d'utilisateurs d'IA générative en Chine a dépassé 700 000 000 fin juin, rapporte le China Internet Network Information Centre. C'est 16 pour cent de plus que les 602 000 000 de fin 2025, quand la pénétration atteignait 42,8 pour cent. Le South China Morning Post a couvert la publication le 29 septembre. Il note que 76 pour cent des utilisateurs interrogés déclaraient utiliser l'IA générative pour chercher des réponses. 48 pour cent l'utilisaient pour traiter des images ou des vidéos, et 38 pour cent pour le traitement de texte.
Ce sont des chiffres de consommateurs, pas d'entreprise. Mais ils fixent le niveau d'attente auquel les systèmes de recherche d'information en entreprise sont désormais mesurés. Ils expliquent pourquoi les fournisseurs de toute la pile se pressent de rendre les sorties des agents moins proches d'une devinette.
Les contraintes d'infrastructure en dessous sont réelles. Les générateurs de peignes de fréquences optiques produisent de nombreuses longueurs d'onde à partir d'un seul laser au lieu d'un laser par canal. Data Center Knowledge rapportait le 24 septembre qu'ils sont présentés comme un moyen de réduire la consommation, le coût et les points de défaillance. L'argument arrive au moment où les centres de données d'IA dépassent 16 longueurs d'onde par fibre. Frank Smyth, fondateur et CTO de Pilot Photonics, a déclaré que les lasers à peigne permettent potentiellement bien plus de longueurs d'onde, bien plus serrées, sans crainte d'interférence. Marcello Girardi, PDG et cofondateur de Solinide, a posé la limite pratique sans détour. Quatre longueurs d'onde sont un problème résolu pour les réseaux 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 CW DFB en phosphure d'indium, réduire le nombre de lasers nécessaires importe plus que jamais.
Les acheteurs en entreprise repensent aussi l'endroit où tourne l'inférence. Le Private Cloud Outlook 2026 de VMware, cité par Data Center Knowledge le 21 septembre, indique que 83 pour cent des entreprises ont achevé ou prévoient de rapatrier des charges de travail depuis le cloud public. La sécurité, le coût, la conformité et la performance motivent cette décision. Les centres de colocation modernes prennent en charge des armoires de 35 kW avec refroidissement à air et des armoires de 70 à 150 kW avec refroidissement liquide en option. C'est là que l'inférence sur des données d'entreprise confidentielles tend à atterrir.
Rien de tout cela ne résout le problème de la recherche d'information à soi seul. Mais la direction prise au cours de la dernière semaine est cohérente. 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 brancher un magasin vectoriel. C'est celui qui décide si l'on peut confier le travail à un agent.
Sources
14- 01AutoSynthData: Generating Training Data for Enterprise AgentsEN
- 02When More Data Is Not Enough: The Context-Sufficiency Frontier in Generative AI PersonalizationEN
- 03Enterprise Representation Simplification (ERS): Reducing Representational Complexity for Enterprise AIEN
- 04IAM for AI agents: A Practical Enterprise FrameworkEN
- 05Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
- 06CoreWeave Targets Enterprises with Forge PlatformEN
- 07China's generative AI user base crosses 700 million, covering over half the populationEN
- 08The Role of Optical Frequency Comb Generators in AI Data CentersEN
- 09Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
- 10Redefining enterprise intelligence with autonomous AIEN
- 11ShamAN-Q: Shampoo Augmented NanoQuant for Sub-1-bit LLM WeightsEN
- 12ReLaG: A Scalable Framework Generalizing Random Splits to Data with Latent RelationsEN
- 13Conformal Adversarial Generative EnsembleEN
- 14This startup helps food carts switch loud, dirty generators for batteriesEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.