(et pourquoi tous les agents Copilot ne fonctionnent pas de la même manière)

Depuis quelques mois, je vois les entreprises accélérer fortement leurs projets autour des agents Microsoft Copilot.

La promesse est séduisante :

créer des assistants spécialisés
automatiser certaines tâches
améliorer la productivité des utilisateurs
connecter les systèmes métiers

Mais dans la plupart des organisations que je rencontre, je vois la même erreur stratégique.

Les entreprises pensent que la qualité d’un agent dépend principalement :

de ses instructions
de ses connaissances
de ses outils

En réalité, la qualité des réponses dépend tout autant du contexte dans lequel l’agent est utilisé.

Et ce contexte ne se limite pas aux instructions de l’agent.

Il dépend aussi :

du contexte conversationnel
des attentes formulées par l’utilisateur
des connaissances accessibles
et du type d’agent utilisé.

Car dans Microsoft Copilot, tous les agents ne fonctionnent pas de la même manière.

Les couches de contexte dans Microsoft 365 Copilot

Pour comprendre comment fonctionne un agent, il faut d’abord comprendre les différentes couches de contexte utilisées par Copilot.

Copilot ne répond jamais uniquement à partir d’un prompt isolé.
Il s’appuie sur plusieurs couches d’information.

Voici une représentation simplifiée.

flowchart TD

A[Utilisateur] --> B[Conversation active]

B --> C[Contexte explicite fourni par l'utilisateur]
B --> D[Objectif de la demande]
B --> E[Attentes de résultat]

F[Agent Copilot]

F --> G[Instructions de l'agent]
F --> H[Sources de connaissances]
F --> I[Actions et connecteurs]

J[Microsoft Graph]

J --> K[Documents]
J --> L[Emails]
J --> M[Teams]
J --> N[SharePoint]

C --> O[Génération IA]
D --> O
E --> O
G --> O
H --> O
I --> O
K --> O
L --> O
M --> O
N --> O

Dans cette architecture, l’agent n’est qu’une des sources de contexte utilisées pour produire la réponse.

Cela signifie qu’un agent parfaitement conçu peut produire des résultats très différents selon :

la manière dont l’utilisateur pose sa question
les données disponibles
le contexte conversationnel.

Le point critique que beaucoup ignorent

Il existe un détail extrêmement important dans l’écosystème Copilot.

Aujourd’hui, certaines fonctionnalités de personnalisation comme :

les instructions personnalisées
la mémoire Copilot

ne sont pas utilisées par les agents.

Cela signifie que lorsqu’un utilisateur invoque un agent, celui-ci travaille principalement avec :

les instructions définies dans l’agent
la conversation en cours
les connaissances configurées.

Le modèle ne bénéficie pas automatiquement :

des préférences de l’utilisateur
de sa mémoire Copilot
de son historique conversationnel global.

Cela crée une situation paradoxale.

Les organisations pensent déployer des agents très intelligents, alors que dans les faits le contexte disponible peut être très limité.

Pourquoi deux utilisateurs obtiennent des réponses différentes

Ce phénomène est très courant dans les entreprises.

Deux utilisateurs interrogent le même agent.

Et pourtant les réponses peuvent être radicalement différentes.

Voici pourquoi.

flowchart LR

A[Agent Copilot] --> B[Utilisateur A]
A --> C[Utilisateur B]

B --> D[Prompt clair]
B --> E[Contexte détaillé]
B --> F[Attentes précises]

C --> G[Prompt vague]
C --> H[Peu de contexte]
C --> I[Attentes floues]

D --> J[Réponse précise]
E --> J
F --> J

G --> K[Réponse générique]
H --> K
I --> K

L’agent n’est pas incohérent.

Il répond simplement au contexte disponible.

Les deux grandes catégories d’agents Copilot

Dans Microsoft 365, il faut distinguer deux types principaux d’agents :

les agents déclaratifs (Agent Builder)
les agents développés avec Copilot Studio

Ces deux approches reposent sur des philosophies très différentes.

Les agents déclaratifs (Agent Builder)

Les agents déclaratifs sont les plus simples à créer.

Ils reposent essentiellement sur :

des instructions
des connaissances
quelques actions.

Ils sont généralement créés via Agent Builder ou des interfaces simplifiées.

Voici leur architecture logique.

flowchart TD

A[Utilisateur] --> B[Conversation]

B --> C[Prompt utilisateur]

C --> D[Agent déclaratif]

D --> E[Instructions]
D --> F[Sources de connaissances]
D --> G[Actions simples]

E --> H[Génération IA]
F --> H
G --> H

Dans ce modèle, l’agent dépend énormément :

de la qualité des instructions
de la qualité des connaissances
du prompt utilisateur.

Cela fonctionne très bien pour :

recherche documentaire
assistants simples
FAQ internes.

Mais cela peut atteindre ses limites pour des scénarios métier complexes.

Les agents Copilot Studio

Les agents construits dans Copilot Studio sont beaucoup plus structurés.

Ils permettent de définir :

une logique conversationnelle
des actions avancées
des connecteurs
des orchestrations
des variables
des flux conversationnels.

Mais surtout, Copilot Studio introduit une notion essentielle :

les rubriques (topics).

Le rôle clé des rubriques (topics)

Les rubriques permettent de structurer les scénarios conversationnels.

Chaque rubrique correspond à un cas d’usage précis.

flowchart TD

A[Utilisateur] --> B[Agent Copilot Studio]

B --> C[Détection d'intention]

C --> D{Choix de rubrique}

D --> E[Topic RH]
D --> F[Topic Support IT]
D --> G[Topic Finance]

E --> H[Collecte d'informations]
F --> I[Diagnostic problème]
G --> J[Analyse données]

H --> K[Réponse structurée]
I --> K
J --> K

Cette architecture permet à l’agent de :

poser des questions
collecter du contexte
structurer la conversation.

Autrement dit, l’agent construit activement le contexte.

C’est une différence majeure avec les agents déclaratifs.

Comparaison des deux approches

Voici une synthèse simple.

flowchart LR

A[Agents déclaratifs] --> B[Instructions simples]
A --> C[Connaissances]
A --> D[Dépend fortement du prompt]

E[Agents Copilot Studio] --> F[Rubriques structurées]
E --> G[Logique conversationnelle]
E --> H[Collecte active du contexte]
E --> I[Actions avancées]

Les deux approches sont utiles.

Mais elles ne servent pas les mêmes objectifs.

L’erreur stratégique que je vois le plus souvent

Dans beaucoup d’organisations, la démarche est la suivante :

construire des agents
connecter des sources de données
espérer que tout fonctionne.

Mais on oublie une étape essentielle :

former les utilisateurs à travailler avec l’IA.

Car même avec un agent sophistiqué :

une demande vague donnera une réponse vague
un contexte absent donnera une réponse aléatoire.

Ce que je recommande aux entreprises

Voici l’approche que je recommande généralement.

flowchart TD

A[Former les utilisateurs] --> B[Instructions personnalisées Copilot]

B --> C[Utilisation de la mémoire Copilot]

C --> D[Structurer les conversations]

D --> E[Déployer des agents simples]

E --> F[Déployer des agents Copilot Studio avancés]

Autrement dit :