Contexte et objectifs
Extreme Networks a rendu disponible le 10 septembre 2026 son produit Agent ONE Coworker à l’ensemble des clients de la plateforme Platform ONE. Le service s’appuie sur 18 mois de données de production collectées depuis le lancement de la première génération d’IA générative intégrée à la plateforme. Selon les retours des bêta‑testeurs, le temps moyen de résolution passe de plusieurs heures à quelques minutes, et la durée d’intégration des nouveaux ingénieurs est réduite d’environ 50 %.
Architecture du contexte et du graphe de connaissances
Le premier échec identifié par le CTO Nabil Bukhari était la mauvaise qualité des données : chaque domaine (fabric, switching, Wi‑Fi, SD‑WAN) stocke un champ « client ID » avec une sémantique différente. En injectant ces valeurs non normalisées dans un LLM, le modèle ne pouvait plus distinguer les entités. La solution d’Extreme consiste en une couche de contexte dédiée, couplée à un graphe de connaissances qui relie utilisateurs, appareils, applications, services et conditions réseau. Cette cartographie explicite permet au modèle de raisonner sur les relations, par exemple identifier pourquoi la salle de conférence du troisième étage a connu une dégradation à 14 h un mardi.
Mécanisme d’interaction ambient et échelle d’honnêteté
Le deuxième problème était comportemental : les administrateurs ignoraient les chatbots et revenaient aux procédures manuelles. Agent ONE Coworker adopte donc une approche « ambient », avec un « Nudge » affiché en bas de l’interface Platform ONE. Le nudge apparaît après une pré‑investigation automatisée et clignote lorsqu’un incident est détecté. Les statistiques internes montrent une hausse de 900 % des interactions durant les huit premiers jours d’utilisation. Deux types de nudges existent : un pour les incidents critiques (non snoozable) et un pour combler les lacunes de compétences, proposant les trois actions les plus fréquentes dans ExtremeCloud IQ.
Le troisième point était l’honnêteté du modèle. Extreme a introduit une « awareness scale » qui force l’agent à déclarer explicitement son incapacité à répondre, puis à proposer une alternative, comme l’ouverture d’un ticket de support avec les preuves collectées. Cette transparence évite les réponses inventées typiques des modèles généraux.
Impacts mesurés et limites
Les premiers chiffres indiquent une réduction du temps de résolution de plusieurs heures à quelques minutes et une amélioration de l’onboarding de 50 %. Cependant, la solution reste dépendante d’une couche de contexte correctement alimentée ; toute incohérence dans le graphe de connaissances risque de réintroduire des erreurs. De plus, le mode « Operator », prévu pour début 2027, introduira une automatisation plus poussée mais devra gérer les mêmes exigences de gouvernance et de SOP (Standard Operating Procedure) pour éviter les dérives. Enfin, la confiance reste graduelle : les équipes doivent accepter le passage d’un assistant réactif à un acteur autonome, ce qui implique des processus de validation et de formation continue.
