Pourquoi le contrôle des analyses agentiques longues est nécessaire
Les grands modèles de langage modernes rendent la science des données de plus en plus autonome : l'agent élabore lui-même un plan, exécute les étapes, vérifie les hypothèses. Mais lorsqu'une telle analyse dure longtemps et se divise en branches parallèles, il est difficile pour l'analyste de comprendre ce que fait exactement l'agent et pourquoi. Les interfaces classiques n'affichent que des journaux succincts ou les résultats d'étapes isolées, sans offrir une vision d'ensemble.
Les chercheurs identifient deux exigences clés : l'observabilité — la capacité de voir comment évoluent les raisonnements et les preuves de l'agent — et la contrôlabilité — la possibilité d'intervenir et d'orienter le processus dans la bonne direction. Sans cela, une analyse longue se transforme en « boîte noire ».
Limites des solutions existantes
Les outils interactifs tentent déjà d'ouvrir le déroulement du travail : ils affichent les étapes, permettent d'arrêter l'exécution ou d'apporter des modifications. Cependant, la plupart d'entre eux sont conçus pour un dialogue pas à pas discret. En réalité, l'analyse agentique se déroule souvent en branches parallèles, et la structure des décisions évolue en cours de route. L'approche traditionnelle « étape par étape » ne suffit donc pas.
Dans un article publié sur arXiv le 18 août 2026, un groupe d'auteurs — Yangtian Liu, Yan Miao, Shuhan Liu et d'autres — propose le concept de supervision interactive (interactive oversight) pour les scénarios agentiques de longue durée.
Comment fonctionne AdaLens
AdaLens est un système interactif de surveillance et de gestion des exécutions en cours. L'idée principale est de représenter l'ensemble de l'analyse sous forme de ligne narrative (storyline), où l'on voit clairement :
- le plan analytique et son évolution ;
- l'avancement actuel de l'exécution ;
- les résultats intermédiaires ;
- quelles colonnes de données sont utilisées et à quel degré.
Grâce à cela, l'analyste ne voit pas des journaux épars, mais une image cohérente du raisonnement de l'agent.
Le contrôle dans AdaLens repose sur les mêmes éléments analytiques : il est possible de rediriger une direction peu utile, d'approfondir une piste prometteuse, d'arrêter des branches superflues ou d'ajuster le plan. Les actions s'effectuent directement pendant le travail de l'agent — sans attendre la fin.
Évaluation et perspectives
Les auteurs ont évalué AdaLens sur deux études de cas et lors d'une étude utilisateur. Ils ont examiné comment les analystes suivent une analyse agentique longue et l'orientent à l'aide de la ligne narrative. Les résultats confirment que cette approche améliore la compréhension du processus et permet d'intervenir à temps.
L'article est disponible via le DOI : https://doi.org/10.48550/arXiv.2608.17834 (version v1, 18 août 2026). Il semble que, dans un avenir proche, de tels systèmes pourraient devenir l'interface standard pour les flux de travail agentiques complexes.
