Les approches de Retrieval-Augmented Generation (RAG) et les frameworks agentiques ont déjà fait progresser l’IA en entreprise, mais elles restent souvent réactives : elles attendent une requête humaine avant d’agir. Dans un article publié sur arXiv, les auteurs défendent une autre logique, celle d’agents proactifs capables de signaler des informations actionnables au bon moment, sans sollicitation préalable.
Le cœur de la proposition repose sur un Context Graph, décrit comme une structure relationnelle vivante qui modélise les entités de l’entreprise, leurs relations et l’évolution de leurs états dans le temps. Sur cette base, les auteurs ajoutent trois briques : un Delta Detection Engine pour surveiller les changements d’état, un Proactivity Scorer pour classer les signaux selon leur urgence, leur pertinence et leur adéquation au profil utilisateur, puis une Surfacing Layer pilotée par un LLM pour formuler des notifications explicables et ancrées dans les données.
L’article formalise ces composants et présente une implémentation Python de bout en bout, reposant notamment sur NetworkX et l’API Anthropic Claude. L’évaluation, menée sur trois cas d’usage génériques — gestion du cycle de vie des contrats, réponse aux incidents d’ingénierie et hygiène du pipeline commercial — suggère des résultats prometteurs. Les auteurs rapportent un Precision@5 de 0,83, un taux de faux positifs de 0,11 et une réduction du délai moyen de remontée d’information, de 47 minutes dans une approche réactive à moins de 30 secondes.
Comme souvent avec un préprint arXiv, ces résultats demandent encore à être confirmés dans des environnements de production plus variés. Mais la contribution met en avant une idée structurante pour l’IA d’entreprise : la valeur ne viendrait plus seulement de la qualité des réponses, mais aussi de la capacité des systèmes à détecter, hiérarchiser et pousser les bons signaux avant qu’ils ne deviennent des problèmes ou des opportunités manquées.