Ingénierie IA sur Azure AI Foundry

Ce que « en production » veut dire ici

Un agent que nous livrons tourne dans votre locataire Azure, en réseau privé, derrière votre fournisseur d’identité, avec une authentification qui respecte les permissions de l’utilisateur. Il a un jeu d’évaluation, un plafond de coût, une journalisation et un propriétaire nommé chez vous. S’il ne tourne que sur un portable, ce n’est pas terminé.

Ce que nous construisons

La recherche sur vos propres données. Ancrage sur SharePoint, Microsoft Fabric, SQL, Dataverse ou vos API métier, avec une recherche qui respecte les permissions du document : l’agent ne peut pas remonter à un employé ce qu’un autre n’avait pas le droit d’ouvrir. C’est le point que la plupart des RAG sautent.

Des agents qui agissent. Pas seulement qui répondent. Ouvrir le billet, rédiger l’enregistrement, déclencher le flux, avec la frontière de ce qu’ils peuvent faire écrite et appliquée, pas sous-entendue dans une consigne.

L’évaluation avant le déploiement. Un jeu de test bâti sur vos cas réels, mesuré à chaque changement. C’est ce qui sépare « ça avait l’air bien en démonstration » d’un système défendable en revue.

Garde-fous et observabilité. Filtrage de contenu, journalisation des requêtes et réponses, limites de débit, et un tableau de bord réellement consulté.

Le modèle de coût. Consommation de jetons prévue par cas d’usage, alertes budgétaires, et le palier de modèle réellement nécessaire. La plupart des charges n’ont pas besoin du plus gros, et le payer quand même est un coût récurrent silencieux.

Comment un agent tourne réellement sur Azure Six étapes, dans cet ordre, chacune étant une ressource de votre propre abonnement. Aucun hôte d’orchestration tiers n’apparaît ici, et c’est toute la différence entre un outil de flux et un système déployé. L’étape d’évaluation est celle que la plupart des projets pilotes sautent, et c’est pour cela qu’ils ne se défendent pas en revue.

1
Déclencheur
On appelle l’agent, ou un événement l’appelle. Dans les deux cas l’appelant est authentifié avant tout le reste.
- Porte d’entrée API Management Publie le point d’accès, applique la limite de débit, et garde l’agent hors de l’internet public en direct.
- Événements Event Grid La voie par lots : un document arrive là où on l’attendait, et l’exécution démarre seule.
2
Récupération
Le modèle reçoit vos propres documents, et seulement la part que cet utilisateur avait déjà le droit d’ouvrir.
- Ancrage Azure AI Search Recherche vectorielle et hybride avec filtrage par permissions, la partie que la plupart des implémentations sautent et par où elles fuient.
- Extraction Document Intelligence Transforme la facture, le formulaire ou le document clinique en champs structurés avant qu’on demande quoi que ce soit à un modèle.
- Source Microsoft Fabric La couche gouvernée à partir de laquelle l’index est construit, plutôt que quarante exports qui se contredisent.
3
Appel de modèle
Un appel, en réseau privé, dans votre locataire. Vos requêtes et vos données n’entraînent pas le modèle.
- Plateforme Azure AI Foundry Déploiement et versionnement des modèles, flux de requêtes, quotas et le budget de jetons qui rend la facture prévisible.
- Modèle Azure OpenAI models Le palier choisi contre la charge. La plupart des charges n’ont pas besoin du plus gros modèle, et le payer quand même est un coût récurrent silencieux.
4
Évaluation
Chaque changement est mesuré contre un jeu de test bâti sur vos propres cas, avant d’atteindre qui que ce soit.
- Banc d’évaluation Azure AI Foundry Le jeu d’évaluation est ce qui dure le plus longtemps ici : il survit au modèle pour lequel il a été écrit.
5
Garde-fou
Ce que l’agent a le droit de faire, et ce qu’il n’a pas le droit de faire, écrit et appliqué plutôt que sous-entendu dans une consigne.
- Filtrage de contenu Azure AI Foundry Appliqué sur la requête et sur la réponse, les cas bloqués étant journalisés plutôt qu’avalés en silence.
- Classification Microsoft Purview Les étiquettes de sensibilité décident de ce qui peut sortir du locataire et de ce qui ne le peut pas, avant que la réponse soit assemblée.
- Humain Approbateur nommé Pour toute action qui modifie un enregistrement ou engage une dépense, une personne reste responsable de la décision.
Rejeté, retour à l’étape 3 Si l’évaluation ou le garde-fou rejette la réponse, l’exécution revient à l’appel de modèle avec l’échec consigné, ou remonte à l’approbateur nommé. Elle ne passe jamais en silence, et le taux de rejet est une mesure du tableau de bord.
6
Sortie
Le résultat est réécrit là où le travail se fait déjà, pas dans une fenêtre de conversation que personne ne relit.
- Action Functions Ouvre le billet, rédige l’enregistrement, met à jour l’application métier que l’équipe utilise déjà.
- Acheminement Service Bus Met l’action en file, pour qu’une panne en aval retarde le travail au lieu de le perdre.

Sur toutes les étapes ci-dessus

Identité Microsoft Entra ID L’agent porte sa propre identité de charge de travail, avec une information d’identification fédérée. Pas un secret partagé, et jamais le compte d’une personne.
Observabilité Azure Monitor Journalisation des requêtes et des réponses, latence et taux d’échec, sur un tableau de bord que votre équipe lit vraiment.
Coût Cost Management Un modèle de coût en jetons par cas d’usage et une alerte budgétaire posée avant la mise en service. Un chiffre imprévisible est un chiffre qui surprend votre direction financière.

Les éléments foncés sont là où une personne ou une politique peut arrêter l’exécution, et là où elle repart si elles le font.
Chaque boîte est une ressource de votre propre abonnement, déployée comme du code et reconstructible depuis lui.

Comment se déroulent les huit semaines

Semaines 1 et 2, le cas d’usage resserré. Un seul flux de travail, et une définition mesurable de « bon » contre une base de référence relevée avant de construire. Nous identifions aussi ce qui ne doit pas être automatisé, souvent le livrable le plus utile des deux.

Semaines 3 à 5, la construction. Recherche, orchestration, permissions, interface. Du logiciel qui fonctionne chaque semaine, pas un rapport d’avancement.

Semaines 6 et 7, évaluation et durcissement. Jeu de test, modes de défaillance, revue de sécurité, modèle de coût, comportement en charge.

Semaine 8, production et transfert. Déploiement, supervision, documentation, séance de travail avec l’équipe propriétaire.

Ce que vous gardez

Le code applicatif et l’infrastructure en code, dans votre dépôt.
Le jeu d’évaluation, l’actif le plus durable : il survit au modèle.
Le modèle de coût et la configuration de supervision.
Un écrit de ce que l’agent a le droit de faire, utilisable en revue de risque.

Pour qui c’est

Des organisations avec un flux de travail précis, répétitif, à forte densité documentaire, et des données déjà accessibles. La santé, les opérations industrielles et les services financiers sont les terrains les plus rentables. Les cas fréquents sont décrits dans agents d’IA.

Pour qui ce n’est pas

Si l’objectif est « il nous faut une stratégie d’IA » sans cas d’usage candidat, commencez par l’audit de deux semaines. Huit semaines sans cible, c’est une façon coûteuse de découvrir un problème de données.

Si la donnée n’existe pas ou n’est pas gouvernée, réglez ça d’abord, par Microsoft Fabric. Aucune requête bien tournée ne compense une couche de données absente.

Et si personne ne sait qui peut ouvrir quoi sur vos sources, l’agent exposera ce désordre : cybersécurité et Entra ID d’abord.

Pages liées

Landing zone Azure, là où ces charges s’exécutent.
Microsoft Fabric, la couche d’ancrage.
Architecture de conformité, l’IA sous SOC 2 et la Loi 25.
Tous les services Azure.

Questions fréquentes

En quoi est-ce différent d’une preuve de concept ?

Une preuve de concept répond à « le modèle en est-il capable ? », et en 2026 la réponse est presque toujours oui. La production répond à « est-ce que ça tient avec de vraies données, de vraies permissions, un vrai coût et de vrais modes de défaillance ? ». Cette deuxième question, c’est tout le mandat.

Nos données servent-elles à entraîner le modèle ?

Non. Les modèles appelés par Azure AI Foundry dans votre locataire ne s’entraînent ni sur vos requêtes ni sur vos données. Nous configurons le réseau privé pour que les appels ne traversent pas l’internet public, et la journalisation des requêtes pour que vous puissiez voir ce qui a été demandé et répondu.

Combien coûte un agent en exploitation ?

Cela dépend du modèle, de la taille du contexte et du volume, et c’est pourquoi nous bâtissons un modèle de coût par jeton pendant le mandat et posons des alertes budgétaires avant la mise en ligne. Un chiffre que vous ne pouvez pas prévoir est un chiffre qui va surprendre votre direction financière.

Que se passe-t-il quand le modèle donne une mauvaise réponse ?

Cela arrivera. C’est pour ça que nous construisons un jeu d’évaluation à partir de vos propres cas avant d’écrire l’agent, que nous évaluons par rapport à lui à chaque changement, et que l’interface est conçue pour que l’humain reste responsable de la décision. Un agent sans banc d’évaluation n’est pas terminé.

Pouvez-vous travailler avec notre plateforme de données actuelle ?

Oui. Nous ancrons les agents sur SharePoint, Microsoft Fabric, SQL, Dataverse et vos API métier. Si la couche de données est le vrai blocage, nous le disons : la plupart des projets d’IA qui échouent sont des projets de données déguisés, et aucune quantité de requêtes bien tournées ne compense un catalogue absent.

Une question sur ce mandat ?

Trois champs. Un architecte le lit et répond en un jour ouvrable.