Architecture IA et LLM

PlaidCloud n’a pas une seule fonctionnalité d’IA. Il offre quatre façons d’accéder à un modèle (l’assistant intégré au produit, Microsoft 365 Copilot, les agents de codage externes et une étape LLM dans un workflow), et toutes les quatre passent par le même chemin gouverné. Le modèle lui-même est interchangeable : Claude, GPT, Gemini, Grok, une ressource Azure OpenAI dans votre propre abonnement, ou un modèle que vous hébergez vous-même.

Cette section explique cette architecture : ce qui s’exécute où, ce qui franchit la frontière, et pourquoi.

Les quatre surfaces

Surface	Qui l’utilise	Comment le modèle accède aux données	Pour commencer
Assistant IA intégré	Toute personne travaillant dans PlaidCloud	Les agents propres à PlaidCloud appellent des outils internes en votre nom	Weave AI Chat
Microsoft 365 Copilot	Des équipes entières, dans Teams et Outlook	Un agent publié authentifie la personne, puis appelle le serveur MCP	Microsoft 365 Copilot
Agents de codage IA	Analystes et développeurs	Leur client se connecte directement au serveur MCP via OAuth	Prise en main
Étape de workflow LLM	Pipelines automatisés	Avec Anthropic, un jeton limité aux seuls objets que vous liez ; avec les autres fournisseurs, aucun accès aux données (voir les règles de l’étape)	Étape LLM

Elles diffèrent par la personne qui pilote et par l’endroit où la conversation a lieu. Elles ne diffèrent pas par ce que le modèle est autorisé à toucher.

Un chemin gouverné unique

Quelle que soit la surface par laquelle arrive une question, les cinq mêmes principes s’appliquent.

1. Le modèle s’exécute en tant que personne, pas en tant que plateforme. Chaque requête porte un identifiant de courte durée, révoqué dès qu’elle est terminée, qui représente l’utilisateur connecté. Aucun compte de service partagé disposant de droits élevés ne se cache derrière l’IA.

2. Les outils sont la seule voie d’accès. Le modèle ne peut pas interroger directement votre Lakehouse. Il appelle un catalogue organisé d’outils (rechercher, décrire, lire, exécuter, upsert), et chaque appel est vérifié indépendamment.

3. Vos propres autorisations la limitent toujours. Une requête d’IA ne peut jamais voir ni modifier ce que vous ne pourriez pas voir ou modifier vous-même. La couche d’IA restreint l’accès ; elle ne l’élargit jamais.

4. Un administrateur fixe le plafond, et il démarre fermé. L’Accès de l’agent d’une connexion LLM commence en lecture seule. Microsoft 365 Copilot commence sans aucun accès : tant qu’un administrateur n’a pas attribué un niveau d’accès à une personne, celle-ci connectée n’obtient aucune donnée. Ce sont deux mécanismes distincts, mais relever l’un ou l’autre ne fait que plafonner ce que l’IA peut tenter ; cela n’élargit jamais ce que vous pouviez déjà atteindre vous-même.

5. Certaines actions sont définitivement interdites. Les paramètres d’identifiants et de connexion, la gestion des identités et des groupes, les modifications du contrôle d’accès, la publication et le code déployable ne peuvent jamais être appelés par un identifiant d’IA, quelles que soient les autorisations accordées par un administrateur, avec n’importe quel fournisseur. Ces actions restent réservées aux humains.

Note

Ces règles sont appliquées dans le serveur, pas dans l’invite. Une tentative d’injection d’invite qui pousse le modèle à demander un outil interdit reçoit le même refus que celui opposé à un modèle bien comporté.

Le parcours d’une question

Prenons la question « Pourquoi le coût informatique alloué pour Atlanta a-t-il augmenté le trimestre dernier ? », posée depuis n’importe quelle surface :

1. Un identifiant est généré pour la personne qui pose la question, avec un périmètre limité et une courte durée.

2. Les outils sont présentés au modèle : restreints à ce dont la question a vraisemblablement besoin sur les surfaces qui font cette restriction, découverts dans le catalogue sur celles qui ne la font pas.

3. L’invite est envoyée au modèle : la question, les éventuelles règles permanentes et les descriptions des outils. Pas encore de données.

4. Le modèle demande des données par des appels d’outils : résoudre le chemin d’analyse, lire le schéma, exécuter la trace d’allocation, lire les lignes d’inducteurs. Chaque appel est soumis à un contrôle des autorisations dès son arrivée.

5. Le modèle répond à partir de ce qui lui est revenu, cite la page de documentation s’il en a consulté une, et fournit un indicateur de confiance ainsi que des réserves.

6. L’identifiant est révoqué. Un jeton capturé ne peut pas être rejoué une fois la requête terminée.

Le détail important se situe à l’étape 4 : le modèle ne possède pas vos données. Il en demande des extraits, et chaque demande est examinée.

À lire ensuite

Fournisseurs LLM et connexionsClaude, GPT, Gemini, Grok, Azure OpenAI : une seule connexion, quatre adaptateurs d'exécution et deux façons de relayer les outils.

Architecture de Microsoft 365 CopilotPourquoi Copilot a besoin d'un package d'agent publié et de son propre client OAuth, et comment fonctionnent les niveaux d'accès refusés par défaut.

Récupération, ancrage et chemins d'analyseCe que fait réellement la RAG ici, et pourquoi vos données métier sont lues en direct plutôt qu'indexées dans un magasin vectoriel.

Utiliser votre propre LLM maîtriséGardez les données propriétaires, de santé (PHI) ou contractuellement confinées dans une infrastructure que vous contrôlez.

Voir aussi

• Des réponses fiables : comment les réponses sont notées et assorties de réserves
• Chemins d’analyse : des noms conviviaux pour les tables sur lesquelles votre équipe pose des questions
• Architecture de la plateforme : la place de l’IA dans l’ensemble de la plateforme