Introduction

Les agents IA autonomes ont fait leur entrée dans les entreprises suisses. Mais une question critique demeure : comment auditer ce qu'ils ont fait, pourquoi ils l'ont fait, et reproduire exactement leur raisonnement ?

C'est précisément le problème que résout ActiveGraph, une nouvelle architecture présentée dans un paper arXiv de mai 2026 par Yohei Nakajima, le créateur du célèbre framework BabyAGI.

Le problème : les agents IA actuels sont des boîtes noires

La plupart des frameworks d'agents IA actuels suivent le même pattern :

1. Une boucle de conversation avec le LLM
2. Des outils que l'agent peut appeler
3. Des règles et guardrails ajoutés progressivement
4. Un système de logging "bolté" par-dessus pour l'observabilité
5. Une mémoire persistée sous forme de résumés ou d'embeddings

Dans cette architecture, le log est un sous-produit : un artefact d'audit écrit parallèlement à la vraie computation, jamais le substrat de celle-ci.

Pour les entreprises suisses soumises à la nLPD (nouvelle LPD), à la FINMA, ou simplement soucieuses de gouvernance, ce modèle pose trois problèmes majeurs :

• Impossibilité de replay déterministe : on ne peut pas rejouer exactement ce qui s'est passé
• Pas de lineage complet : difficile de tracer quel appel modèle a produit quel artefact
• Forking impossible : on ne peut pas explorer des alternatives "et si j'avais fait X différemment ?"

ActiveGraph : quand le log DEVIENT l'agent

ActiveGraph inverse complètement cette architecture. Dans ce runtime :

Le log d'événements append-only est la source de vérité. Le graphe de travail est une projection déterministe de ce log.

Concrètement :

• Toutes les actions de l'agent (règles, appels outils, contenus produits) sont des événements dans un seul log append-only
• Le comportement de l'agent n'est rien d'autre qu'un ensemble de réactions qui se déclenchent quand le log grandit
• Aucun orchestrateur ne thread l'état entre les étapes — seulement des comportements réactifs qui s'enchaînent

Cette décision de design unique produit trois propriétés que les systèmes de mémoire par retrieval-and-summarization ne fournissent pas :

1. Replay déterministe

N'importe quelle exécution peut être rejouée byte-for-byte depuis son log. Le replay n'effectue aucun nouvel appel modèle — les réponses sont cachées de manière content-addressed.

Pour les entreprises suisses : capacité à reproduire exactement un raisonnement pour audit, conformité, ou debugging.

2. Forking cheap

On peut brancher une exécution à n'importe quel événement sans ré-exécuter le prefix partagé. Cela permet d'explorer des contre-factuels : "et si j'avais utilisé un autre modèle ?", "et si j'avais posé cette question différemment ?"

Pour les entreprises suisses : exploration de scénarios alternatifs sans coût computationnel majeur.

3. Lineage end-to-end

De l'objectif haut niveau jusqu'à l'appel modèle individuel qui a produit chaque artefact, toute la structure causale est reconstructible depuis le log seul.

Pour les entreprises suisses : traçabilité complète exigée par la nLPD et les standards de gouvernance IA.

Cas concret : due diligence investissement

Le paper présente un exemple travaillé de due diligence investissement où :

• L'agent reçoit un objectif : "Analyse cette startup pour investissement potentiel"
• Il exécute des recherches, lit des documents, compare des métriques
• Tout le causal chain depuis l'objectif jusqu'au memo final est récupérable depuis le log

Un auditeur (ou un régulateur FINMA) pourrait :

1. Rejouer l'analyse complète
2. Vérifier chaque décision intermédiaire
3. Forker l'exécution pour tester d'autres hypothèses
4. Exporter le lineage complet comme deliverable

Implications pour les entreprises suisses

Conformité nLPD

La nouvelle Loi sur la Protection des Données (nLPD, en vigueur depuis janvier 2023) exige une transparence sur le traitement des données. ActiveGraph fournit nativement :

• Traçabilité de chaque donnée traitée par l'agent
• Explicabilité des décisions automatisées
• Reproductibilité des traitements pour audit

Gouvernance IA interne

Pour les entreprises déployant des agents IA en production :

• Debugging : comprendre pourquoi un agent a pris une décision erronée
• Versioning : fork et compare différentes versions du comportement
• Training : utiliser les logs comme dataset pour fine-tuning

Secteurs régulés (finance, santé)

Pour la finance (FINMA) et la santé :

• Audit trail complet et immuable
• Replay pour investigations réglementaires
• Lineage pour validation des décisions automatisées

Limites et considérations

Le paper reconnaît plusieurs limites :

• Complexité accrue : l'architecture event-sourced est plus complexe qu'une boucle conversationnelle simple
• Storage : le log append-only peut devenir volumineux
• Latence : le replay déterministe ajoute une couche d'indirection

Pour les petites PME suisses, ces compromis peuvent ne pas être justifiés. Mais pour les entreprises de taille moyenne à grande, ou celles dans des secteurs régulés, le trade-off est clair.

Conclusion : vers des agents IA enterprise-grade

ActiveGraph représente une évolution majeure dans la maturité des agents IA pour l'entreprise. En faisant du log le substrat même de l'agent (et non un sous-produit), il transforme les agents IA de boîtes noires expérimentales en systèmes auditables et gouvernables.

Pour les entreprises suisses qui évaluent le déploiement d'agents IA en production, cette architecture mérite une attention particulière — surtout si la conformité, l'auditabilité, et la gouvernance sont des critères décisionnels.

---

Vous souhaitez explorer comment déployer des agents IA traçables dans votre entreprise ? Chearn propose des formations sur mesure en IA pour les professionnels suisses, avec un focus sur la gouvernance et la conformité.

Contactez-nous pour discuter de vos besoins.