Databricks passe en disponibilité générale le Supervisor Agent d'Agent Bricks, une couche d'orchestration gérée conçue pour coordonner des agents IA spécialisés depuis un point d'entrée unique. Le composant résout un problème opérationnel documenté dans les déploiements d'agents à grande échelle : la fragmentation cognitive des utilisateurs confrontés à des dizaines d'agents métier distincts.
La prolifération des agents IA dans les entreprises reproduit un schéma déjà observé lors de la prolifération des tableaux de bord BI dans les années 2010 : chaque équipe construit son outil, les référentiels se multiplient, et la charge liée à la navigation entre les outils finit par annuler une partie des gains de productivité attendus. Databricks documente ce phénomène sous le nom d'« agent roulette » — le temps perdu par les utilisateurs à déterminer quel agent contient quelle information, à vérifier si un agent existant couvre déjà un besoin avant d'en créer un nouveau, ou à croiser des informations issues d'agents dont les données de référence ne sont pas synchronisées.
Le Supervisor Agent est la réponse architecturale à ce problème : une couche de méta-orchestration qui abstrait la complexité de l'écosystème d'agents sous une interface unique. Il s’attaque aux problème de la prolifération d’agents IA sans mécanisme de routage centralisé. Le Supervisor Agent analyse l'intention de l'utilisateur, détermine en temps réel quel agent ou quelle combinaison d'agents est la mieux placée pour y répondre, puis distribue les requêtes entre agents Genie Spaces pour les données structurées, agents Knowledge Assistant pour les données non structurées, et les serveurs MCP (Model Context Protocol) pour les outils, le tout gouverné nativement par Unity Catalog. Ce modèle de fonctionnement se distingue du routage statique — dans lequel les règles de distribution sont prédéfinies et figées — par sa capacité à traiter des requêtes ambiguës ou transversales qui nécessitent de combiner des sources de données et des outils hétérogènes.Le pattern superviseur dynamique route les requêtes
Les trois catégories d'agents orchestrées par le Supervisor sont fonctionnellement distinctes. Les Genie Spaces sont les agents Databricks spécialisés dans l'interrogation de données structurées — tables Delta Lake, entrepôts SQL, référentiels de données gouvernés — via une interface en langage naturel qui génère et exécute des requêtes SQL sans que l'utilisateur n'ait à écrire de code. Les Knowledge Assistant agents traitent les données non structurées — documents, bases de connaissances, contenus textuels — via des mécanismes de recherche sémantique et de génération augmentée par récupération (RAG). Les serveurs MCP exposent des outils et des actions externes que l'agent peut invoquer — API tierces, systèmes de workflow, actions métier. Le Supervisor analyse la requête entrante et orchestre la séquence de délégations nécessaire pour produire une réponse complète, potentiellement en combinant plusieurs agents dans une même interaction. Pour les architectes data, ce modèle présente un avantage de maintenance significatif : chaque agent spécialisé peut être développé, évalué et amélioré indépendamment des autres, sans nécessiter de modifier la logique de routage centrale.
L'authentification On-Behalf-Of et la gouvernance des agents
Le problème de gouvernance des agents IA en entreprise est structurellement différent de celui des applications classiques. Dans une application traditionnelle, les droits d'accès sont attribués à l'application elle-même, qui opère avec un compte de service dont les permissions sont définies une fois. Dans un système multiagents, ce modèle crée un risque de conformité documenté : si l'agent opère avec un compte de service disposant d'accès larges, il peut potentiellement exposer à un utilisateur des données qu'il n'est pas autorisé à consulter directement. Les équipes IT et sécurité sont confrontées à l'alternative entre restreindre les agents au point de les rendre inutiles, ou leur attribuer des permissions trop larges au risque de créer des fuites de données non conformes.
Le mécanisme d'authentification On-Behalf-Of (OBO) implémenté dans le Supervisor Agent résout ce problème en faisant de l'agent un proxy transparent de l'utilisateur humain plutôt qu'un acteur autonome. Chaque requête d'accès aux données ou d'exécution d'outil est validée contre les permissions existantes de l'utilisateur dans Unity Catalog — les mêmes permissions qui s'appliquent lorsque l'utilisateur accède directement aux données. Ce modèle élimine la nécessité de dupliquer les politiques de permissions dans un système parallèle spécifique aux agents, et garantit que le périmètre d'action de l'agent reste en permanence synchronisé avec les politiques de gouvernance de l'organisation. Le cas Franklin Templeton illustre la valeur de cette approche dans un contexte réglementé : l'intégration native d'Unity Catalog permet de déployer un agent d'analyse de fonds qui combine documents publics et données de performance, avec la garantie que chaque insight est ancré dans des sources approuvées et que l'accès est contrôlé selon les politiques existantes.
L'ALHF intègre la boucle d'amélioration continue
Un agent de production n'est jamais figé : sa qualité se dégrade si les données de référence évoluent sans que l'agent soit mis à jour, si de nouveaux cas d'usage émergent que la configuration initiale ne couvre pas, ou si les retours des utilisateurs révèlent des patterns de routage sous-optimaux. Le Supervisor Agent intègre un mécanisme d'Agent Learning on Human Feedback (ALHF) qui permet d'incorporer des corrections et des directives directement dans le comportement du Supervisor sans cycle de développement. Les équipes peuvent ajouter des questions de référence, des directives de style ou des règles de routage que le Supervisor intègre pour améliorer la qualité de ses réponses et la précision de sa distribution entre sous-agents.
Ce mécanisme est particulièrement pertinent pour impliquer des experts métier dans l'amélioration des agents : une équipe marketing peut fournir des directives sur le ton et le style des réponses sans nécessiter l'intervention d'un ingénieur, et le Supervisor intègre ces directives directement. Chaque interaction est tracée dans une expérience MLflow intégrée, ce qui permet de mesurer l'impact des modifications sur la qualité des réponses et d'identifier rapidement les lacunes.
Dans le contexte plus large de la plateforme Databricks, le Supervisor Agent complète la stratégie Agent Bricks — la couche de construction et de déploiement d'agents qui couvre la création d'agents spécialisés (Genie Spaces, Knowledge Assistants), leur gouvernance (Unity Catalog, OBO), leur évaluation (MLflow) et désormais leur orchestration (Supervisor Agent). Cette intégration verticale — de la donnée brute à l'agent de production en passant par la gouvernance — est le positionnement différenciant de Databricks sur le marché des plateformes d'agents IA en entreprise, face à des approches qui requièrent d'assembler des composants issus de fournisseurs distincts.
