Context Graph : des chercheurs apprennent aux agents IA d'entreprise à agir sans qu'on les sollicite

Le 10 juillet 2026, une équipe de chercheurs a publié sur arXiv un article décrivant Context Graph, une structure de données relationnelle vivante qui fait passer les agents IA d'entreprise d'un mode passif, « attendre la question », à un mode proactif. Dans des tests sur trois scénarios métier, le délai moyen pour obtenir l'information voulue est passé de 47 minutes à moins de 30 secondes.

Pourquoi le mode réactif freine l'IA d'entreprise

Les auteurs relèvent un problème de fond des systèmes RAG et des frameworks d'agents actuels : ils attendent une requête. L'employé doit lui-même comprendre qu'il a besoin d'une information, la formuler correctement et s'adresser au système, ce qui crée un retard de quelques minutes à plusieurs heures. Une part importante des signaux critiques se perd en route : la personne ne savait tout simplement pas qu'il fallait poser la question, ou était occupée par une autre tâche au moment de l'événement important.

Context Graph change cette logique en profondeur. Au lieu de répondre à une requête, le système construit un modèle vivant de l'entreprise et envoie lui-même une notification dès qu'un changement significatif apparaît. Le graphe stocke les objets métier (contrats, incidents, affaires, tâches), leurs relations et l'historique de leurs changements d'état. Tout est mis à jour en continu et en temps réel, sans intervention de l'utilisateur.

Comment fonctionnent les trois composants du système

L'architecture de Context Graph comprend trois couches successives, chacune jouant un rôle distinct dans la chaîne qui mène de l'événement à la notification :

• Delta Detection Engine surveille en continu le graphe pour repérer les changements : mises à jour de statut, changements de responsable, nouvelles relations, échéances dépassées. C'est ce composant qui « remarque » qu'il s'est passé quelque chose.
• Proactivity Scorer classe les notifications potentielles selon trois paramètres : l'urgence de l'événement, sa pertinence pour un utilisateur donné et l'adéquation avec son rôle et son contexte (persona-fit). Les auteurs ont établi une formule unique, le Proactivity Score, qui réunit les trois indicateurs en une seule priorité chiffrée.
• Surfacing Layer : un LLM génère le message final destiné à l'employé, avec sa justification et le contexte tiré du graphe. Dans l'implémentation des auteurs, cette couche repose sur l'API Anthropic Claude.

Toute l'implémentation Python repose sur NetworkX et figure intégralement dans le texte de l'article. Elle peut être reproduite de zéro, sans dépendances supplémentaires.

Ce que montrent les trois cas d'entreprise

Le système a été testé sur trois scénarios volontairement « génériques », afin de démontrer l'universalité de l'architecture plutôt que son adaptation à un secteur précis :

• Gestion du cycle de vie des contrats : suivi des statuts, des échéances et des changements de responsable
• Réaction aux incidents dans les équipes d'ingénierie : escalade précoce avant que le développeur « remarque » le problème
• Suivi de l'« hygiène » du pipeline commercial : surveillance des affaires bloquées et des activités manquées

Métriques finales par rapport au mode réactif de référence :

• Precision@5 = 0,83 : parmi les 5 premières notifications, 83 % sont réellement pertinentes
• False positive rate = 0,11 : seules 11 % des notifications sont superflues
• Délai moyen avant la fourniture de l'information : de 47 minutes (mode réactif) à moins de 30 secondes, soit une réduction de plus de 90 fois

Ce que cela signifie

Ce travail fait passer le concept d'« agent proactif » du débat académique à un prototype fonctionnel en open source. Si les résultats se reproduisent en production, les systèmes d'IA d'entreprise pourront fournir le bon contexte au bon moment, sans requête, ce qui est particulièrement précieux là où tarder à s'informer coûte de l'argent : incidents d'ingénierie, contrats échus, pipeline bloqué.

Questions fréquentes

Quel LLM génère les notifications finales ?

Dans la Surfacing Layer, les auteurs utilisent l'API Anthropic Claude, qui génère les notifications avec une explication du contexte et la justification de la priorité pour chaque employé concerné.

Où trouver le code de l'implémentation ?

L'implémentation Python complète de bout en bout, avec NetworkX et l'API Anthropic Claude, figure directement dans le texte de l'article arXiv 2607.07721, accessible gratuitement sur arxiv.org.