4.7 — L'observabilité (les traces)

🟢 En clair — l’observabilité, c’est la boîte noire de l’agent : un journal qui enregistre les entrées et sorties observables, les outils utilisés, les erreurs et les durées. Elle ne donne pas nécessairement accès au raisonnement interne du modèle.

Quand une IA agit seule pendant que vous dormez, vous devez savoir exactement ce qu’elle a fait. Les ingénieurs utilisent des outils d’observabilité (ex. Langfuse, LangSmith) — les boîtes noires de vos agents :

• Ils enregistrent des traces : requêtes et réponses conservées selon votre politique de données, appels d’outils, statuts, erreurs, durée, nombre de tokens et coût estimé.
• Si l’agent s’est trompé, vous examinez les faits observables : quelle entrée, quel outil, quels arguments, quel résultat et quelle décision finale. Vous corrigez ensuite les instructions, les données, l’outil, les permissions ou le workflow.

💡 Au-delà du diagnostic : les traces servent aussi à maîtriser les coûts (repérer l’agent qui consomme trop) et à fournir des éléments de preuve (qui a fait quoi, quand). Une trace seule ne prouve pas la conformité : il faut aussi des politiques, des contrôles et une conservation adaptée — un sujet clé du Niveau 5.

🖥️ Bonne nouvelle no-code : Make et n8n gardent nativement un historique d’exécution (chaque run, chaque étape, les erreurs) ; Airtable garde l’historique des modifications de chaque cellule. Vous avez donc déjà une première couche de traces, sans rien installer.

✅ En résumé

• Les traces enregistrent les entrées/sorties observables, outils, erreurs, durée et consommation.
• Elles servent à diagnostiquer, maîtriser les coûts et documenter les contrôles ; elles ne révèlent pas automatiquement la pensée interne.
• En no-code, l’historique d’exécution (Make/n8n) et des modifications (Airtable) est déjà une première couche.