Concevoir un agent IA métier fiable : Architecture Gold/Silver Retrieval

I – Présentation

Les agents conversationnels basés sur les LLM ont atteint un niveau impressionnant de fluidité. Pourtant, dès qu’on les expose à un périmètre métier réel, une limite apparaît rapidement : la fiabilité. Dans de nombreux projets, l’approche consiste à injecter toujours plus de données dans le prompt ou dans un système RAG.

Le résultat est souvent contre-intuitif : le plus de données en prompt -> plus d’erreurs (hallucinations).

Dans cet article, l’idée est de vous présenter une solution d’architecture d’Agent IA que j’ai créée, permettant d’obtenir des résultats intéressants pour ce cas d’usage.

II – Architecture classique

Les données sont souvent traitées comme un seul et même bloc de texte. Or, ces informations n’ont pas par le même rôle :

• certaines servent à raisonner,
• d’autres servent uniquement à répondre à des questions directes.

Mélanger ces deux niveaux est l’une des causes principales :

• des hallucinations,
• des contradictions,
• des réponses ambiguës.

Cela dépend bien sûr du cas d’utilisation. Si la solution vise uniquement à répondre à des questions factuelles, on peut se permettre de ne pas distinguer les différents types d’informations.

En revanche, si l’on souhaite une solution capable de raisonner, de comparer et de mettre en relation différentes parties de l’information, il est indispensable de classifier les données et de construire un graphe de connaissance propre et structuré.

 

III – Solution proposée

1) Classification des données

L’architecture Gold/Silver Retrieval repose sur une séparation stricte des connaissances selon leur rôle dans le système, les données Silver sont utilisées dans le cadre d’un RAG classique, tandis que les données Gold sont exploitées dans un contexte de GraphRag.

Les données Gold – le socle du raisonnement

Les données Gold définissent le cœur du métier : règles, contraintes, dépendances, relations entre concepts, donc tout ce qui peut expliquer le métier

Elles ne sont jamais utilisées comme du simple texte, elles sont :

• normalisées,
• transformées en concepts explicites,
• structurées sous forme de graphe de connaissance.

Ce graphe devient la source de vérité de l’agent IA, un agent IA expert dans son domaine.

Les données Silver – the response knowledge

Les données Silver regroupent principalement des données complémentaires pour un métier exemples :

Elles suivent une approche RAG classique : indexation vectorielle, recherche sémantique, enrichissement de la réponse générée. Leur rôle est de répondre, jamais raisonner.

2) Orchestration intelligente

La véritable valeur d’une architecture Gold/Silver ne réside pas uniquement dans la séparation des couches de données, mais avant tout dans leur orchestration intelligente.

Cette orchestration constitue le cœur du système décisionnel. Elle permet d’aligner le raisonnement du modèle avec les règles métier, tout en organisant une utilisation contrôlée et pertinente des données.

Lorsqu’une question est soumise au système, celui-ci engage un processus en plusieurs étapes :

1. Analyse de la nature de la question, afin d’en déterminer le type :
   • factuelle (recherche d’une information précise),
   • métier (nécessitant des règles, des contraintes ou une logique de domaine),
   • hybride (combinant faits et raisonnement métier).
2. Selection du chemin d’exécution approprié, en fonction de cette typologie.
3. Application d’une règle fondamentale : Le raisonnement ne s’effectue jamais directement sur les données Silver.

Dans cette architecture, les données Silver conservent un rôle strictement informationnel.
Elles fournissent les faits, les valeurs et les éléments de contexte nécessaires à la réponse,
mais ne servent jamais de support au raisonnement.

Le raisonnement est exclusivement guidé par : les règles métier, les relations sémantiques et
la structure du graphe de connaissance (couche Gold).

Cette séparation garantit : la cohérence des réponses, la maîtrise du comportement du modèle et la
reproductibilité du raisonnement.

Grâce à une orchestration adéquate, le LLM reçoit d’une part, les règles métier issues du graphe de
connaissance, qui définissent comment raisonner, et d’autre part, les données Silver pertinentes, qui définissent sur quoi répondre.
Le graphe agit ainsi comme un cadre cognitif, orientant le
raisonnement du modèle sans lui imposer de contenu factuel.

 

IV – Exemple : un conseiller bancaire

Une analogie permet de clarifier ce fonctionnement. Le système se comporte comme un conseiller
bancaire :

• les règles métier et le graphe de connaissance représentent sa formation professionnelle, lui
  indiquant jusqu’où il peut aller dans ses réponses et selon quelles logiques il doit raisonner ;
• les données Silver correspondent aux informations client et produits, nécessaires pour
  répondre concrètement à des questions directes.

Le conseiller ne déduit pas ses règles à partir des données clients ; il applique ses règles métier aux
données.

 

V – Conclusion

L’innovation de cette architecture ne réside donc pas dans la simple séparation des couches, mais
dans la capacité du système à :

• analyser finement les requêtes,
• orchestrer dynamiquement le raisonnement,
• et garantir une séparation stricte entre logique métier et données opérationnelles.

Cette approche permet de construire des Agents IA robustes, explicables et alignés avec les
exigences métier, tout en exploitant pleinement le potentiel des LLM.

 

Ecrit par Brahim KERDAD