Contexte et enjeux
Les agents autonomes passent d’une fonction de réponse à une capacité d’action directe sur les systèmes d’entreprise. Cette évolution crée un risque d’hallucination : les modèles peuvent générer des réponses erronées ou entreprendre des actions non autorisées, ce que Collibra qualifie de « hallucination tax ». Selon le PDG Felix Van de Maele, la suppression du contrôle humain intermédiaire impose de déplacer la gouvernance du stade de conception vers le runtime, c’est‑à‑dire l’exécution en temps réel.
Architecture des composants Collibra
Collibra propose quatre briques : Live Map, Maestro, Guardian Agents et les Agent Contracts. Live Map construit un knowledge graph basé sur Neo4j, agrégant des documents non structurés (ex. SharePoint) et des métadonnées d’entreprise. Le graphe ne sert pas de source unique ; il coexiste avec des vecteurs, des fichiers structurés et des moteurs de recherche sémantique, permettant de « router le bon contexte vers le bon mécanisme de récupération au bon moment ». Maestro orchestre des agents de gouvernance capables d’automatiser jusqu’à 80 % des tâches de stewardship, réduisant ainsi le besoin d’intervention manuelle. Les Agent Contracts décrivent les comportements autorisés selon la sensibilité des données, le contexte d’exécution et le niveau de risque. Guardian Agents interceptent chaque requête d’action, compilent les contrats et bloquent toute opération non conforme avant son déclenchement.
Mécanismes de gouvernance runtime
Le processus s’articule en trois étapes : (1) pré‑construction du contexte via Live Map, qui pré‑traite les relations entre actifs et stocke les résultats pour éviter une nouvelle analyse à chaque requête, améliorant ainsi l’efficacité des tokens du modèle ; (2) application des politiques où Maestro génère des agents de gouvernance qui surveillent les flux d’IA, et (3) validation d’exécution où Guardian Agents évaluent chaque action proposée contre les Agent Contracts. Cette chaîne garantit que les décisions prises par les agents sont à la fois expliquées (grâce au graphe) et conformes (grâce aux contrats).
Analyse des impacts et limites
La réduction du nombre d’appels au modèle, obtenue en réutilisant le contexte pré‑calculé, diminue la consommation de tokens et les coûts associés, un avantage économique notable pour les déploiements à grande échelle. L’automatisation de 80 % des tâches de gouvernance promet une accélération du cycle de mise en production des IA, mais repose sur la qualité du graphe d’entreprise : des métadonnées incomplètes ou erronées peuvent entraîner des décisions de blocage inappropriées ou, au contraire, laisser passer des actions non sécurisées. De plus, la dépendance à Neo4j impose une infrastructure graph‑oriented, ce qui peut compliquer l’intégration dans des environnements déjà fortement investis dans d’autres bases de données. Enfin, la mise en œuvre des Agent Contracts nécessite une définition précise des politiques de confidentialité et de risque, un exercice qui reste largement manuel et sujet à des interprétations divergentes.
