Fiche concept

Databricks Mosaic AI Agent Framework

À jour au 2026-07-24T14:00:00Z

Édité par Cédric-Olivier Mâry, éditeur et directeur de la publication — 27 ans d'écosystème SAP. Comment ces pages sont produites, et où intervient l'automatisation.

Qu'est-ce que Databricks Mosaic AI Agent Framework ?

Mosaic AI Agent Framework n'est le bon choix que si l'agent doit lire des tables Delta, appeler des modèles ML ou interroger Vector Search dans la même boucle de raisonnement — sinon une chaîne LangChain directe est moins chère.

Databricks Mosaic AI Agent Framework est l'environnement d'exécution natif de la plateforme Databricks Intelligence pour construire des agents : l'échafaudage permettant de concevoir, évaluer, déployer et gouverner des agents d'IA multi-étapes qui enchaînent appels d'outils, récupération d'information, raisonnement par modèle de langage et requêtes directes sur les données, le tout à l'intérieur d'un espace de travail où le catalogue de la plateforme gouverne lui-même la traçabilité, le contrôle d'accès et les journaux d'audit sur chaque table, chaque modèle et chaque fonction que l'agent touche. La proposition de valeur du framework est étroite et spécifique : c'est l'environnement approprié pour un agent dont la boucle de raisonnement doit lire des tables Delta Lake, appeler des modèles de machine learning déjà enregistrés dans l'espace de travail, ou interroger un index vectoriel, sans devoir d'abord copier ces données ou ces modèles ailleurs.

Les trois piliers qui en font une plateforme et non une simple bibliothèque

Le premier pilier est une intégration profonde avec la couche de suivi d'expérimentation de l'espace de travail : chaque agent est enregistré avec une signature d'entrée et de sortie typée, exactement comme n'importe quel autre artefact de modèle, ce qui rend possible l'exécution de passes d'évaluation reproductibles, la comparaison de versions côte à côte, et la remontée d'une décision de production jusqu'aux données d'entraînement ou de configuration qui l'ont façonnée. Ce n'est pas un détail cosmétique — c'est ce qui transforme « l'agent s'est comporté bizarrement sur cette requête » d'une question sans réponse possible en une question traçable.

Pourquoi c'est important

Les fonctions Unity Catalog gouvernent l'accès aux outils comme elles gouvernent les notebooks et les tables Delta, donc les permissions de l'agent héritent automatiquement de la gouvernance data existante.
La Mosaic AI Gateway rend les endpoints d'agents indiscernables d'API REST classiques, permettant à BDC Connect ou SAP AI Core de les appeler sans connaître la topologie interne.
Pour un raisonnement conscient des process SAP, l'architecture correcte est un Joule Agent orchestrateur qui appelle un agent Mosaic comme outil spécialiste — pas un remplacement de Joule.

Points clés

Databricks Mosaic AI Agent Framework n'est maîtrisé que lorsqu'il change une décision d'achat nommée.
Commencer par le contrat sémantique et le modèle de contrôle avant de démontrer l'outil.
Utiliser les signaux SAP, analystes, études, KG et actualités actuels comme preuves, pas comme décoration.
Séparer les faits vérifiés des tendances directionnelles et des hypothèses modélisées.
Définir le propriétaire, la métrique, le seuil, le circuit de support et le plan de retour arrière avant de passer à l'échelle.
Pour les cas d'usage IA, mesurer la fiabilité, le coût, la latence, la sécurité et la validation humaine.
Laisser un actif opérationnel réutilisable : mémo, checklist, tableau de contrôle et journal d'exceptions.
Une réponse premium est courte, explicite sur les arbitrages, et défendable en comité de pilotage.

Termes employés sur cette page

Decision owner: La personne responsable qui assume l'arbitrage et finance l'action suivante.
Semantic contract: La définition partagée des termes métier, métriques, entités et règles d'accès utilisée par les outils et les équipes.
Control plane: La couche qui applique la politique, l'accès, le lineage, le monitoring et l'escalade à travers le modèle opérationnel.
Evidence grade: Un libellé qui distingue le fait vérifié, le signal directionnel, l'hypothèse modélisée et l'observation de terrain.
Adoption metric: Le comportement mesurable qui prouve que le concept a changé le travail réel après la mise en production.
Agent reliability: La constance, le coût, la sûreté et la conformité aux politiques d'un agent au fil de multiples exécutions.

Sources

Fiche complète réservée aux abonnés. Ce que la fiche complète ajoute : le cadre de décision complet · la comparaison SAP · Snowflake · Databricks · Fabric · les pièges courants et leur correctif · l'aide-mémoire · les schémas d'architecture · les blocs de code · les chiffres à citer.

Ouvrir dans l'application →