L'environnement d'exécution neuro-symbolique
Les modèles de langage prédisent des tokens. Les organisations fonctionnent avec des connaissances, des règles et de la responsabilité. L'environnement neuro-symbolique est la couche où la proposition du modèle rencontre les contraintes du domaine, étape par étape, à l'exécution.
Les grands modèles de langage ont changé la manière dont les humains interagissent avec les machines. Ils n'ont pas résolu le problème central des systèmes d'entreprise.
Les organisations ne travaillent pas avec du texte. Elles travaillent avec des connaissances — des structures, des procédures, des contraintes juridiques et une responsabilité sur le résultat. Un modèle de langage n'a rien de tout cela. Il prédit le prochain token, extrêmement bien.
L'IA d'entreprise a donc besoin d'une couche supplémentaire. Nous l'appelons environnement d'exécution neuro-symbolique : un runtime qui combine deux modes de raisonnement fondamentalement différents et bascule continuellement de l'un à l'autre pendant l'exécution d'une tâche.
Les deux moitiés
La moitié neuronale prend en charge ce que les modèles statistiques font bien : comprendre la langue, lire des documents désordonnés, extraire des entités, produire des hypothèses, planifier un travail en plusieurs étapes et dialoguer. Elle est rapide, généraliste, tolérante à l'ambiguïté — et elle produit une réponse fausse, fluide et bien structurée exactement sur le même ton qu'une réponse juste.
La moitié symbolique détient ce qui doit être exact : l'ontologie du domaine, les règles et contraintes, les nomenclatures et référentiels, les politiques, les relations typées entre entités et les chaînes de justification. Elle est étroite, fragile hors de son périmètre, et — surtout — vérifiable. Une assertion symbolique tient ou ne tient pas, et l'on peut en imprimer la raison.
Aucune ne suffit. Un système purement neuronal est éloquent et irresponsable. Un système purement symbolique est responsable et incapable de lire un e-mail. Toute l'ingénierie intéressante est dans l'entrelacement.
La boucle
À l'exécution, une tâche ne suit pas le schéma « modèle, puis vérification ». Elle oscille.
- Intention. La couche neuronale transforme une demande — un message, un document, un élément de file — en intention structurée : ce qui est demandé, sur quelles entités, pour le compte de qui.
- Ancrage. Le matériau pertinent est récupéré : documents, enregistrements, décisions antérieures, règles applicables. C'est là qu'est la place de la recherche — comme étape, non comme architecture.
- Proposition. Le modèle propose l'action suivante : un classement, un appel d'outil, un projet de réponse, un plan.
- Validation symbolique. La proposition est confrontée au modèle du domaine. Les entités citées existent-elles ? Le classement est-il valide dans la version en vigueur de la nomenclature ? Les contraintes tiennent-elles ? Les sources citées soutiennent-elles réellement l'affirmation ?
- Évaluation des politiques. Indépendamment de la justesse, la proposition est-elle permise ? Cet agent, cet outil, ces données, cet utilisateur, ce seuil, cette juridiction.
- Exécution ou escalade. Si la validation passe et que l'action est permise, l'outil s'exécute. En cas d'échec, le refus — avec son motif — retourne au modèle comme entrée d'une proposition révisée. Si la proposition est valide mais lourde de conséquences, elle s'arrête et attend un humain.
- Vérification. Après exécution, le résultat est de nouveau contrôlé : l'effet correspond-il à l'intention, la sortie est-elle bien formée, l'enregistrement satisfait-il désormais les invariants attendus.
- Trace. Chaque étape est consignée comme preuve, non comme ligne de journal : la proposition, le contrôle réussi, la règle appliquée, la personne qui a approuvé.
L'échec de l'étape 4 n'est pas une anomalie : c'est le mécanisme. Une proposition rejetée assortie d'un motif exploitable par la machine est une meilleure entrée pour le modèle que le prompt initial — c'est pourquoi la boucle converge là où un passage unique aurait halluciné.
Ce que cela apporte
L'explicabilité devient structurelle plutôt que narrative. Le système ne demande pas au modèle de s'expliquer : l'auto-explication d'un modèle est une génération de plus, avec la même fiabilité que la réponse. L'explication, c'est la trace : les règles déclenchées, les sources contrôlées, les contraintes satisfaites.
La reproductibilité devient possible parce que les étapes décisives sont déterministes. L'échantillonnage du modèle influe sur les propositions considérées, non sur celles qui sont acceptées. Rejouez le même cas demain, avec le même modèle du domaine et les mêmes politiques : vous obtenez la même décision — et quand elle change, vous pouvez désigner ce qui a changé.
La confiance découle des deux précédentes, plus la capacité de borner le comportement. Une organisation peut affirmer et démontrer qu'une classe d'actions est inatteignable — parce que c'est la couche de politiques, et non le prompt, qui décide.
Ce que cela n'apporte pas
Le dire clairement importe plus que l'argumentaire commercial.
Cette architecture ne rend pas un système sûr par construction, et ce n'est pas de la vérification formelle. Les contrôles ne valent que ce que vaut le modèle du domaine qui les porte, et le construire est un travail réel qu'aucun éditeur n'effectue à votre place en démonstration. La couverture est partielle : certaines affirmations sont contrôlables contre la structure, d'autres non — et un runtime qui prétend le contraire est pire que celui qui route l'invérifiable vers un humain.
Cela n'élimine pas non plus l'hallucination. Cela en change le coût. Une proposition infondée qui échoue à un contrôle et ne devient jamais une action est un événement interne. La même proposition dans un système « retrouver puis générer » est une réponse sur laquelle quelqu'un agit.
Voilà l'affirmation honnête : non pas la certitude, mais la différence entre une génération non vérifiée et une décision contrôlée, bornée et attribuable.
Pourquoi nous y voyons l'étape suivante
Les plateformes d'agents se disputent aujourd'hui la facilité d'assemblage d'un agent. Cette compétition prendra fin, car assembler un agent devient plus simple chaque trimestre et cessera d'être un facteur de différenciation.
Ce qui reste difficile, c'est d'exploiter des agents dans une organisation qui a des auditeurs, des régulateurs, une responsabilité et des salariés. C'est un problème de runtime, et c'est sur cette couche que se jugera, selon nous, la prochaine génération de plateformes.
Dernier article de la série : Pourquoi Open Cradle — ce que cela implique pour un produit, et pourquoi une nouvelle couche d'infrastructure est inévitable.