Intégrer les populations synthétiques dans une architecture d'agents.

Les architectures d'agents excellent à décomposer un problème, orchestrer des outils et rédiger des synthèses. Elles échouent sur un point précis : l'ancrage comportemental. Quand un agent doit évaluer comment des clients, des administrés ou des équipes réagiront à une décision, il n'a d'autre ressource que de le demander au LLM qui le porte. Or un LLM livré à lui-même a une dérive structurelle : il moyenne. Il produit la réaction la plus probable et écrase la variance interne des groupes ; les combinaisons rares et les voix minoritaires disparaissent, précisément ce que la décision a besoin de voir. Multiplier les agents ne corrige rien : dix agents qui interrogent le même modèle moyennent dix fois.

Le problème n'est pas la capacité de raisonnement de l'architecture. C'est l'absence d'une couche d'évidence : un substrat que les agents peuvent interroger et qui possède, lui, des propriétés statistiques contrôlées et des écarts mesurés. C'est exactement le rôle d'une population synthétique.

Le principe d'architecture est une séparation des couches. La couche de raisonnement, les agents, décompose la décision, formule les hypothèses, orchestre les analyses et rédige les restitutions. La couche d'évidence, la population synthétique, fournit la matière comportementale : des individus modélisés jusqu'à plusieurs millions, générés sous contraintes statistiques multidimensionnelles, structurés en typologies granulaires, interrogeables individuellement. Les agents ne spéculent plus sur les réactions : ils les recueillent, par des entretiens conduits sur la population, et les restituent avec leur trace.

Cette séparation change la nature des garanties. La qualité du raisonnement reste celle des agents ; la qualité de l'évidence devient mesurable indépendamment : écarts aux distributions de référence documentés dans un rapport de calibration, variance comparée aux références d'enquêtes, traçabilité de chaque insight jusqu'aux entretiens individuels. Une architecture d'agents ancrée est auditable là où une architecture d'agents nue ne l'est pas.

Trois patterns couvrent l'essentiel des cas. Le pattern outil, d'abord : la population est exposée aux agents comme un outil appelable, via une API, au même titre qu'une base documentaire ou un moteur de calcul ; l'agent décide quand interroger la population, formule ses requêtes, reçoit les résultats tracés. C'est le pattern le plus rapide à déployer et le plus courant. Le pattern skill, ensuite : la population et ses modèles cognitifs sont intégrés comme une capacité du LLM lui-même, détenus en licence exclusive ou en pleine propriété par l'organisation ; c'est le pattern des acteurs qui font de la simulation un actif stratégique interne. Le pattern service dédié, enfin : la simulation devient une étape à part entière du pipeline de décision, orchestrée entre les agents de cadrage en amont et les agents de restitution en aval ; c'est le pattern des architectures de gouvernance où chaque étape doit être isolable et auditable.

Le choix se fait sur trois critères : la fréquence d'interrogation (l'outil suffit aux usages ponctuels, le skill et le service dédié servent les usages continus), l'exigence de propriété (le skill répond aux stratégies d'actif propriétaire), et l'exigence d'auditabilité (le service dédié isole la simulation pour les fonctions de contrôle).

Quelle que soit l'intégration, la population s'expose aux agents par trois familles de services. La génération : instancier une population cohérente selon les typologies pertinentes pour la décision, calibrée sur les données publiques et les segments propriétaires de l'organisation. L'interrogation : conduire des entretiens dynamiques sur la population, collectivement ou individu par individu, avec des relances contextualisées, en moyenne 7 à 12 par personne, conduites en parallèle sur plusieurs centaines à plus d'un millier de fils de calcul. La projection : calculer les trajectoires comportementales à plusieurs mois ou années sous les scénarios formulés par les agents, avec la trace complète des raisonnements.

La discipline d'interface compte autant que les services : chaque réponse retournée aux agents porte ses métadonnées de traçabilité, l'identifiant des entretiens sources, les typologies mobilisées, les écarts de calibration de la population interrogée. C'est ce qui permettra, en bout de chaîne, de remonter d'une recommandation d'agent jusqu'aux entretiens qui la fondent.

Le flux de travail type s'organise en boucle. Les agents de cadrage transposent la décision en question simulable et en scénarios contrastés. La population est instanciée à l'échelle pertinente. Les agents soumettent chaque scénario à la population par entretiens ; les insights remontent avec leurs traces. Les agents de synthèse confrontent les scénarios, identifient les points de bascule et rédigent la restitution, chaque conclusion citant ses entretiens sources. Si un insight surprend, les agents peuvent relancer l'entretien, descendre dans une typologie, tester une variante : la boucle est itérative, et chaque itération se compte en minutes de calcul, pas en semaines de terrain.

La règle d'or de l'ancrage : aucune affirmation comportementale dans la restitution finale qui ne provienne de la couche d'évidence. Ce qui relève du raisonnement des agents, décomposition, hypothèses, arbitrages de présentation, est assumé comme tel ; ce qui relève des réactions humaines est systématiquement sourcé dans les entretiens. Cette discipline éditoriale est ce qui distingue une aide à la décision ancrée d'une rédaction éloquente.

Le risque propre aux chaînes d'agents est le blanchiment de provenance : à force de résumés de résumés, la restitution finale ne sait plus d'où viennent ses affirmations. La parade est architecturale : la traçabilité se propage comme une métadonnée obligatoire à chaque maillon. Chaque insight conserve ses identifiants d'entretiens ; chaque synthèse conserve les identifiants des insights qu'elle agrège ; la restitution finale est contestable ligne à ligne. Les directions des risques et de la conformité peuvent auditer la chaîne complète, du dossier restitué jusqu'aux entretiens individuels, et vérifier les écarts de calibration de la population mobilisée. C'est la condition pour que l'architecture d'agents soit admissible dans les processus de décision régulés.

Trois exigences de gouvernance structurent le déploiement. La donnée d'abord : aucune donnée nominative n'entre dans la couche d'évidence, les populations sont reconstruites à partir d'agrégats anonymes et de segments, nativement conformes au RGPD ; les données propriétaires de l'organisation servent à la calibration après anonymisation stricte et ne réentraînent aucun modèle. La souveraineté ensuite : la couche d'évidence s'héberge sur une infrastructure maîtrisée, en France pour les déploiements standards, à demeure, jusqu'à l'isolation complète air-gapped, pour les acteurs régulés ; l'architecture d'agents peut ainsi satisfaire des exigences que les dépendances aux hyperscalers étrangers interdisent. La responsabilité enfin : l'architecture éclaire la décision, elle ne la prend pas ; le positionnement au regard de l'AI Act est celui d'un instrument d'aide à la décision traçable, dont la décision finale reste humaine.

Le premier anti-pattern est l'agent qui simule sa propre population : demander au LLM de jouer les répondants, sans contraintes statistiques ni écarts mesurés. Chaque réponse semble plausible ; la population entière est fausse, tirée vers la moyenne. Le deuxième est la population sans preuves : une couche d'évidence dont les propriétés ne sont ni mesurées ni documentées n'ajoute que l'apparence de la rigueur ; sans rapport de calibration, l'ancrage est une hypothèse habillée. Le troisième est la délégation : brancher la chaîne d'agents directement sur l'exécution de la décision. Une organisation qui déléguerait ses décisions à une architecture d'agents, si bien ancrée soit-elle, commettrait une faute méthodologique et politique majeure. L'architecture augmente la lucidité du décideur ; elle ne remplace pas sa responsabilité.