No. 09 · Technical

L’usine d’IA : orchestration et observation (Nexus)

Un environnement infonuagique sécurisé de type bac à sable, dans lequel les agents évoluent de manière autonome, chaque étape de leurs actions restant traçable, observable et vérifiable tout au long de leur progression.

Lorsqu’on dote des systèmes d’IA de la latitude et des outils nécessaires pour agir de manière autonome, en définissant eux-mêmes leurs prochaines actions selon leur propre raisonnement, on les qualifie alors d’«agents». Cette capacité repose sur l’utilisation d’outils que l’IA peut activer via ses sorties, exécutés sur un système informatique et produisant des résultats. L’IA analyse ensuite ces résultats, évalue ses réussites ou ses erreurs, puis ajuste son comportement dans un cycle continu d’expérimentation. Cette approche s’avère particulièrement efficace. Les processus agentiques permettent de décupler l’efficacité de l’IA, bien au-delà de son usage traditionnel comme simple outil conversationnel. Ainsi, un agent d’IA devient un collaborateur persistant, autonome et hautement performant.


## §01 Réunir les conditions du succès

Aujourd’hui, les agents les plus avancés sont capables d’accomplir un travail substantiel avec une intervention minimale, pouvant fonctionner pendant des heures, voire des jours, avec peu ou pas de supervision. Toutefois, comme pour tout collaborateur, leurs résultats doivent être mesurés et encadrés afin de s’assurer que leurs actions contribuent réellement à l’atteinte des objectifs visés. Une production issue de l’IA qui ne s’appuie pas sur des preuves ne peut être considérée comme fiable, peu importe la qualité apparente du résultat final. L’IA doit donc être en mesure de démontrer sa démarche. C’est pourquoi la formation offerte par l’Alberta AI Academy encourage une approche fondée sur le principe « vérifier avant de faire confiance » à toute sortie générée par l’IA.

Le véritable enjeu consiste à trouver un équilibre entre l’autonomie accordée aux agents et les mécanismes d’observabilité et de traçabilité. Cela permet à l’IA d’agir rapidement tout en fournissant les preuves nécessaires qu’elle suit des processus appropriés. Ces systèmes intègrent une connaissance approfondie des commandes requises pour interagir avec un environnement informatique, et les restreindre excessivement reviendrait à limiter inutilement leur potentiel. Il est donc essentiel de comprendre leurs actions et leurs méthodes, tout en leur laissant, au besoin, la liberté d’explorer.


## §02 Relier les morceaux est la partie difficile

La capacité d’un agent d’IA à résoudre des problèmes constitue un facteur clé de succès dans le développement et l’évolution de solutions technologiques. Concevoir une application logicielle ne se limite pas à produire du code : elle doit s’intégrer dans un écosystème plus large et souvent complexe, composé de systèmes d’exploitation, de structures d’accès et de permissions, de réseaux, de bases de données, ainsi que d’outils et de services tiers. L’un des défis majeurs réside dans l’intégration harmonieuse de ces différentes composantes, une tâche qui s’avère souvent la plus chronophage. Si l’écriture du code est maîtrisée, assurer son bon fonctionnement à travers ces multiples interfaces demeure beaucoup plus exigeant, car les éléments ne s’articulent pas toujours naturellement entre eux. Un développeur expérimenté consacre ainsi une part importante de son temps à concevoir, tester et ajuster ces intégrations, tout en préparant l’application à fonctionner de manière fiable lors de son passage de l’environnement de développement à celui de production, où elle devra répondre aux interactions simultanées d’un grand nombre d’utilisateurs aux comportements imprévisibles. Un code de qualité doit non seulement être logiquement rigoureux et conforme aux politiques et règles en vigueur, mais aussi être pleinement adapté à son environnement d’exécution. Comme le confirmeront tous les développeurs chevronnés, ce travail repose sur une résolution de problèmes continue, une démarche expérimentale et un apprentissage constant. En somme, il exige de la ténacité et une grande persévérance.

Au cours des 18 derniers mois, les équipes de Technologie et Innovation ont analysé et suivi de près l’évolution des agents d’IA appliqués au développement logiciel. Cette période a été marquée par une progression significative de leurs capacités, ainsi que par l’amélioration des outils qui soutiennent leur efficacité. Les praticiens les plus avancés en IA en Alberta ont notamment constaté que les agents bénéficiant d’une plus grande liberté, sans trajectoire de solution prédéfinie, sont souvent en mesure de proposer des approches novatrices face à des problématiques complexes. Dans plusieurs cas, ces agents ont utilisé des méthodes compréhensibles sur le plan conceptuel, mais difficiles à anticiper en raison d’un manque de visibilité sur les détails techniques. Toutefois, toutes les actions menées par ces agents ne produisent pas nécessairement des résultats souhaitables. C’est pourquoi des mécanismes de contrôle ont été introduits, notamment par l’entremise de l’environnement d’exécution afin d’encadrer leurs interventions selon les normes organisationnelles, tout en préservant leur capacité d’exploration.
Par ailleurs, lorsqu’ils sont invités à créer des sous-agents, ces systèmes peuvent générer de nombreuses instances travaillant en parallèle sur une même problématique, chacune explorant un angle différent. Cette approche a démontré son efficacité pour identifier rapidement des solutions viables, ainsi que pour détecter des bogues ou des lacunes dans le code existant, facilitant ainsi leur correction.

Rendre les agents véritablement efficaces repose sur un équilibre entre l’apport du jugement humain et la capacité de savoir s’effacer au bon moment. Un agent nécessite généralement du contexte et des orientations initiales fournies par un orchestrateur humain pour démarrer ses travaux, ainsi qu’aux moments charnières où des décisions importantes doivent être prises. Toutefois, l’expertise humaine peut être à la fois un levier et une contrainte. Si l’on impose à l’agent une directive précise, par exemple « fais A », et que cette direction s’avère inadéquate, l’agent se retrouve limité par cette orientation erronée. À l’inverse, si on lui confie un objectif plus ouvert, comme « explore et teste dix approches en parallèle », et qu’on lui permet d’évaluer lui-même les résultats, des solutions inédites peuvent émerger. Être trop prescriptif quant à la manière de travailler d’un agent revient souvent à restreindre son potentiel à notre propre compréhension du problème. La véritable question devient alors : comment concilier encadrement et liberté d’action ? C’est précisément dans cette optique qu’intervient Nexus.


## §03 Qu’est-ce que Nexus

Nexus est un environnement virtuel hébergé sur Google Cloud Platform où chaque développeur a accès à sa propre machine virtuelle et peut exécuter un nombre illimité d’instances d’agents d’IA dans un bac à sable sécurisé, tout en déléguant l’accès à l’agent pour l’aider à la conteneurisation et au déploiement vers Google Cloud. Il s’accompagne d’un terminal, d’un navigateur, d’un système de fichiers, de l’observabilité et de contrôles de publication, ainsi que d’un modèle de sécurité en surcouche. À titre de couche de protection supplémentaire, toutes les applications sont déployées derrière un point d’accès privé, accessible uniquement par une connexion RPV interne au gouvernement de l’Alberta.

Le système permet aux agents d’opérer comme des utilisateurs de premier plan dans l’environnement infonuagique, en effectuant des déploiements directs vers le cloud à partir d’une simple instruction telle que « publier cette application ». Ils disposent d’un environnement d’exécution intégré qui leur donne accès aux contrôles du système. De plus, les droits d’accès peuvent être réattribués périodiquement, par exemple toutes les quelques heures, afin de garantir qu’aucune permission accordée à un agent ne soit permanente. Ce mécanisme s’apparente à une gestion des identités privilégiées déléguée au nom de l’utilisateur, permettant ainsi à l’agent d’agir en son nom tout en maintenant un contrôle strict sur les accès.

Il s’intègre aussi à une suite appelée Ent Tools, nos outils d’entreprise, qui étendent la capacité de tout agent. Nous avons Brave Search, ElevenLabs, tous les points d’accès API des grands fournisseurs infonuagiques, des modèles à code source ouvert et une grappe de calcul privée. Nous avons une série d’autres API ouvertes : l’heure, la météo et les nouvelles. Nous avons une intégration des médias sociaux afin qu’un agent puisse puiser dans l’information en temps réel sur le monde. Et nous avons des outils d’entreprise en cours de construction pour soutenir les intégrations à SharePoint, à ServiceNow et au PGI 1GX. Au moyen de l’authentification unique, l’utilisateur peut y déléguer son accès. Nous l’étendrons à l’espace Microsoft 365 dans un proche avenir, afin qu’un utilisateur puisse déléguer l’accès à Teams, au courriel, au calendrier et à d’autres services.

L’objectif des outils d’entreprise est d’offrir, de manière sécurisée, des capacités agentiques aux ministères partenaires qui ne disposent pas de services de TI, mais qui souhaitent néanmoins développer des solutions concrètes et à valeur ajoutée. Grâce à un mécanisme de délégation, l’accès à ces ressources est facilité tout en demeurant encadré, surveillé et conforme aux exigences de sécurité.


## §04 L’univers élargi

Nous superposons également la passerelle d’IA Bifrost et des scripts personnalisés pour ajouter la détection et le retrait des renseignements personnels identifiables (RPI). Les utilisateurs qui soumettent des requêtes à des modèles dont le niveau de classification est inadéquat sont automatiquement signalés et informés d’un décalage entre leur choix de modèle et leur cas d’utilisation. Par ailleurs, l’utilisation des outils via la passerelle Enterprise Tools ajoute une couche de sécurité supplémentaire, en permettant une vérification et une analyse approfondies des interactions sortantes.
Les deux plateformes offrent également des mécanismes de contrôle des coûts. Il est possible d’attribuer des budgets quotidiens aux développeurs et aux charges de travail afin de prévenir une utilisation excessive des jetons lors de tâches prolongées. Pour des besoins ponctuels impliquant le traitement de volumes importants de données, des approbations budgétaires peuvent aussi être demandées directement à partir de la console.

L’observabilité joue un rôle clé en permettant au développeur, dans son propre environnement Nexus, de suivre en temps réel les actions des agents de codage. Les utilisateurs administratifs disposent également d’une visibilité étendue, leur donnant la capacité d’observer et de vérifier l’ensemble des agents opérant sur toutes les machines virtuelles. Ces perspectives administratives ont mis en lumière des schémas à la fois intéressants et parfois inattendus. Les agents ont démontré une capacité croissante à explorer activement leurs environnements afin de mieux comprendre les possibilités qui s’offrent à eux, adoptant parfois des comportements surprenants. Grâce à cette observabilité, il a été possible non seulement d’analyser leurs actions, mais aussi de concevoir d’autres agents chargés de les valider. Cette démarche itérative a conduit à des ajustements progressifs de nos approches, à mesure que les agents repoussaient les limites établies et révélaient certaines failles. Cette phase de « rodage » a contribué à renforcer la robustesse de Nexus et à mettre en évidence des lacunes qui étaient initialement invisibles.


## §05 Nexus et les quatre approches

Pour l’Alberta, Nexus nous a permis de mobiliser ces agents afin de relever des défis inédits, et nous avons su en tirer parti. Toutes les charges de travail dont nous avons parlé, par l’entremise de Git Insights, de Git Insights Ministry et de dizaines d’applications, ont été conçues dans Nexus. Depuis sa mise en service il y a à peine trois mois, la plateforme a permis la conception de plus de 600 applications, offrant ainsi la vélocité nécessaire pour soutenir les transformations visées. Nexus représente une évolution déterminante, ayant catalysé une accélération significative des initiatives issues de nos modèles de type « garage d’IA » et « usine d’IA ». Sans Nexus, qui simplifie un processus de construction autrement complexe en une simple instruction « publier cette application », l’élan des développeurs serait freiné par des processus manuels exigeant la création de billets et des délais d’attente pouvant s’étendre sur plusieurs jours, voire semaines, pour l’accès à des composantes d’infrastructure.

Pour l’avenir, Nexus fournit le modèle de référence pour deux des approches de transformation à venir, abordées dans le document blanc sur Les quatre approches de la modernisation par l’IA. Nexus soutient actuellement l’approche 1 (le garage d’IA) et l’approche 2 (l’usine d’IA) qui permettent respectivement la remédiation et le développement direct d’applications. Son évolution ouvre désormais la voie à une troisième approche, fondée sur des couches d’agents orchestrateurs supervisant des centaines d’environnements virtuels, chacun dédié à une application patrimoniale. On peut ainsi envisager un modèle où chaque application d’un ministère est exécutée dans son propre environnement virtuel, sous une orchestration globale assurant une surveillance centralisée. Intégré à chaque application, un agent serait responsable de la gestion de son état de santé, de sa performance, de l’application des correctifs et de la sécurité. Dans un ministère comptant, par exemple, 200 applications, cela se traduirait par 200 agents dédiés, appuyés par des couches supplémentaires d’agents de supervision. Ces derniers analyseraient la télémétrie liée à la disponibilité des applications, à l’état des agents et à leurs activités : déploiements, correctifs, documentation, et autres opérations. Au-dessus de ces niveaux opérationnels, des couches plus abstraites d’agents architectes interviendraient pour coordonner l’intégration et la transformation des systèmes, en vue de leur migration vers de nouveaux environnements et des architectures technologiques cibles.

Nexus jette également les bases de l’approche 4, qui consiste à mettre en place une couche d’orchestration d’agents entièrement sans interface, où les fonctions gouvernementales sont exposées et consommées sous forme d’API. Dans cet environnement, des employés provenant de l’ensemble du gouvernement, formés par l’AI Academy, pourront concevoir leurs propres agents, leur déléguer des accès, puis suivre et superviser leur progression afin d’atteindre leurs objectifs. Cette évolution de Nexus est désormais à portée de main, et nous poursuivons activement nos travaux afin de mieux comprendre les modalités de son déploiement à grande échelle.


## §06 L’arrivée du claw

Cette plateforme permet également à notre direction de la livraison et de l’habilitation de l’IA de poser les bases d’une orchestration « fondée sur le claw », où des agents autodirigés, appelés claws, ou travailleurs autonomes à apprentissage continu, tels qu’OpenClaw ou Hermes sont déployés dans un environnement gouvernemental contrôlé. Il s’agit probablement de l’état cible de l’utilisation des agents au sein du gouvernement. Dans cette configuration, un agent de type claw évolue dans un environnement en réseau où le développement, la gestion des infrastructures, la cybersécurité et la surveillance sont pris en charge par un ensemble d’agents semblables. Ces derniers interagissent de façon collaborative, et parfois même antagoniste, au sein d’un même écosystème. Par exemple, certains agents « au chapeau blanc » peuvent simuler des acteurs malveillants en cybersécurité, reproduisant des dynamiques de type jeu du chat et de la souris. Ce type d’interaction reflète les comportements persistants observés chez les auteurs de menaces, et il devient donc pertinent d’en reproduire les schémas au moyen de plateformes comme OpenClaw ou Hermes. Dans cette perspective, étendre l’utilisation de ce type d’architecture fondée sur des claws par l’entremise de Nexus représente une prochaine étape logique pour les 6 à 12 prochains mois.

La virtualisation et la conteneurisation des charges de travail, combinées à une capacité de déploiement rapide, à une observabilité complète et à une évolutivité à grande échelle impliquant des centaines de développeurs, chacun pilotant des dizaines, voire des centaines d’agents, eux-mêmes responsables de multiples applications, constituent des prérequis essentiels pour exploiter l’IA à l’échelle d’une grande organisation gouvernementale. Il en va de même pour la capacité d’exécuter des agents de manière autonome tout en maintenant un niveau de confiance élevé : il doit être possible de s’assurer qu’ils agissent en conformité avec les objectifs, que les erreurs sont détectées rapidement, que les intégrations avec GitHub sont correctement réalisées, et que les mécanismes de gestion des versions permettent le retour en arrière et la restauration en cas de besoin. Ces éléments contribuent directement à renforcer la confiance dans l’utilisation et la gouvernance de l’IA. Ces pratiques sont intégrées et normalisées au sein des environnements d’exécution, de façon à orienter les agents vers des comportements alignés sur les meilleures pratiques. Dans ce contexte, Nexus a permis de libérer la vélocité nécessaire pour concrétiser une ambition d’accélération majeure, allant jusqu’à multiplier par vingt la capacité de livraison.


## §07 Élargir l’accès à l’IA

La plateforme Nexus nous permet également de nous préparer à une démocratisation de l’accès aux capacités agentiques, y compris pour le personnel non TI, au sein d’un effectif élargi. Sans encadrement, une adoption massive et non gouvernée de l’IA pourrait engendrer des effets cumulés difficiles à maîtriser. Nexus structure ces usages en instaurant un cadre cohérent : chaque constructeur dispose de son propre environnement, chaque environnement est observable, et chaque agent est encadré. L’accès aux modèles est contrôlé par des passerelles telles que Bifrost, tandis que l’accès aux outils est régulé à la manière d’un contrôle aérien, selon les règles établies par la passerelle Enterprise Tools. Toute organisation gouvernementale souhaitant progresser rapidement en matière d’IA agentique devra mettre en place une architecture similaire afin de concilier sécurité et agilité.

Nexus répond à une première dimension essentielle de l’observabilité : la capacité de s’assurer que les agents travaillent et de vérifier leurs activités techniques. Toutefois, cette visibilité demeure limitée pour les clients, les partenaires d’affaires, les experts de domaine, les équipes de mobilisation et les gestionnaires de projet. Pour combler cet écart, une deuxième couche d’observabilité a été développée, et fera l’objet du prochain document, intitulée Velocity.

Tags: ai-factory, nexus, sandbox, gcp, agents, orchestration, observability, claw

Open the interactive version