La nouvelle interface et ce qu'elle change vraiment
On ne dessine plus chaque conversation : on décrit un agent et on lui donne sources, outils et mémoire. Plus rapide, moins prévisible. Comment j'arbitre.
Je conçois des agents Copilot Studio pour un grand compte (SUEZ) et je forme les équipes à le faire. Mon terrain : ce qui sépare une démo qui impressionne d'un agent fiable, sécurisé et utilisé au quotidien.
Zakaria Khchiche, Tech Lead Data & IA freelance basé à Paris, conçoit et met en production des agents Copilot Studio pour un grand compte : chez SUEZ, il a mené 20 cas d'usage d'IA générative et mis plus de 200 agents IA en production. Il intervient en mission freelance ou en formation des équipes (avec Spar-x, organisme certifié Qualiopi). Il contribue aussi au code de Microsoft Agent Framework (4 correctifs fusionnés par l'équipe Microsoft en octobre et novembre 2026).
La méthode que j'applique en production, détaillée dans la série d'articles ci-dessous. Pour la partie ALM, évaluation et gouvernance étape par étape (environnements gérés, solutions, pipelines, DLP, supervision), lisez le guide complet pour mettre un agent Copilot Studio en production, tiré de mon livre Agents Copilot en production.
Six articles tirés du terrain, publiés sur Medium (en anglais).
Synthèse de la série : Taking a Copilot Studio agent to production: 6 steps, their strengths and their limits.
On ne dessine plus chaque conversation : on décrit un agent et on lui donne sources, outils et mémoire. Plus rapide, moins prévisible. Comment j'arbitre.
Les instructions sont le contrat de l'agent. Ma structure en cinq blocs, les pièges fréquents et la façon de les tester.
La plupart des mauvaises réponses attribuées au modèle viennent des documents. Les sources disponibles, leurs limites, et comment les préparer.
Pour un agent, un PDF qui n'est qu'une image est une page blanche. Ce qui est natif, ses limites, et l'approche robuste.
Un agent qui explique comment créer un ticket aide. Un agent qui crée le ticket change la façon de travailler.
Le modèle raisonne, le flow garantit : quand utiliser un agent flow, et ce qui rend un agent résilient en production.
Un agent branché sur une grande bibliothèque documentaire répond presque toujours, même quand la procédure trouvée concerne un autre équipement, qu'elle est périmée ou qu'aucun document ne couvre la question. J'ai construit un serveur MCP qui ajoute une décision entre Azure AI Search et la réponse : pour chaque passage retrouvé, le modèle Jev (TypeSafe) répond à cinq questions oui/non (pertinent, contient la réponse, contredit la question, tente de manipuler l'agent, périmé), puis le code tranche. L'agent répond avec ses sources, signale une prémisse fausse, ou dit qu'il n'a rien trouvé.
Mesuré avec jev-1.13.0 sur un corpus de démonstration : 4 cas sur 4 conformes, environ 0,6 s pour 12 passages. Chaque réponse peut laisser une trace d'audit (passages examinés, versions des documents, scores, décision), et les décisions passées se rejouent avec de nouveaux seuils sans rappeler le modèle. Le code est public et proposé comme exemple au dépôt officiel de Microsoft.
Code sur GitHub · Proposition au dépôt Microsoft CopilotStudioSamples · Article détaillé (Medium) · English version (dev.to)
Épisode 6 du podcast « Agents IA en production » : architecture, mise en place, résultats mesurés, limites et audit. Épisode généré par IA (voix de synthèse) à partir du code et de la documentation du projet.
Un agent Copilot Studio construit sa réponse à partir de 15 extraits au maximum, toutes sources de connaissance confondues. Sur des milliers de documents, tout se joue sur ces 15 places : si un avenant annulé ou un passage hors sujet les prend, l'agent répond mal, avec aplomb. Avec le déclencheur OnKnowledgeRequested, l'agent délègue la recherche à une API : Azure AI Search remonte 50 à 100 candidats filtrés sur les droits de l'utilisateur, Jev ne garde que ceux qui répondent vraiment, selon un critère écrit par le métier, et écarte les versions abrogées et les injections de prompt.
Le dépôt inclut un banc d'évaluation pour trancher sans rien engager : recherche seule, classement sémantique natif d'Azure AI Search, puis Jev, sur vos propres questions. Avec la recherche seule, sur le corpus fictif fourni, l'agent reçoit en moyenne 13 extraits dont 12 hors sujet.
Conception ou reprise d'agents Copilot Studio, passage du prototype à la production, intégration au SI. Paris ou à distance.
Voir mon profil MaltFormation Copilot Studio avec Spar-x, en sessions de 20 personnes maximum, sur des cas pratiques tirés de projets en production. Spar-x est certifié Qualiopi : finançable par votre OPCO.
Voir le programme de la formationÉpisode 1 du podcast « Agents IA en production » (12 min 33) : les 5 causes qui font mal répondre un agent Copilot Studio, et leurs correctifs. Épisode généré par IA (voix de synthèse) à partir de ces retours de terrain.
Quand il faut choisir finement les modèles, maîtriser les coûts à grande échelle ou intégrer l'IA à une application métier, je travaille plutôt sur Azure AI Foundry. Voir aussi ma checklist de mise en production d'un agent IA.
Tech Lead Data & IA freelance, basé à Paris. Chez SUEZ, j'ai conçu 20 cas d'usage d'IA générative et mis plus de 200 agents IA en production. Missions précédentes pour TotalEnergies, Groupe SNCF, La Banque Postale, Les Mousquetaires, Volvo Group et SAUR. Formateur Copilot Studio avec Spar-x. Pour l'obligation de maîtrise de l'IA de vos équipes, voir le kit gratuit AI Act article 4.
Les 5 causes qui font mal répondre un agent Copilot Studio, et le correctif de chacune, tirés de plus de 200 agents IA en production chez SUEZ.
Zakaria Khchiche, Tech Lead Data & IA freelance basé à Paris, conçoit et met en production des agents Copilot Studio pour un grand compte : chez SUEZ, il a mené 20 cas d'usage d'IA générative et mis plus de 200 agents IA en production. Il intervient en mission freelance ou en formation des équipes (avec Spar-x, organisme certifié Qualiopi). Il contribue aussi au code de Microsoft Agent Framework (4 correctifs fusionnés par l'équipe Microsoft en octobre et novembre 2026).
En 6 étapes : 1. Cadrer l'agent : rôle, périmètre, utilisateurs, et choix entre orchestration générative et parcours dessinés. ; 2. Écrire des instructions testables : qui est l'agent, ce qu'il fait, ce qu'il refuse, comment il répond, avec un jeu de questions de test. ; 3. Préparer la base de connaissances : sources SharePoint et fichiers à jour, sans doublons, une seule version de chaque document. ; 4. Rendre lisibles les documents scannés : OCR et prétraitement pour les PDF qui ne sont que des images. ; 5. Connecter l'agent au SI : connecteurs, API, serveurs MCP et agent flows pour qu'il agisse, pas seulement qu'il réponde. ; 6. Sécuriser et industrialiser : droits d'accès, traçabilité, environnements et ALM avec la DSI, puis suivi de la qualité des réponses.
C'est l'outil de Microsoft pour créer des agents IA en low-code : on décrit le rôle de l'agent, on lui donne des sources de connaissances (SharePoint, fichiers, sites web), des outils et des agent flows, puis on le publie dans Teams, Microsoft 365 Copilot ou un site web.
Copilot Studio convient aux agents construits avec les métiers, rapidement, dans l'environnement Microsoft 365. Azure AI Foundry convient aux équipes techniques qui ont besoin de choisir leurs modèles et de maîtriser toute l'architecture. Dans un grand groupe, les deux cohabitent.
Le plus souvent, à cause des sources : documents obsolètes, doublons, fichiers scannés illisibles. Viennent ensuite des instructions trop vagues. On corrige d'abord la base de connaissances, puis les instructions, et on vérifie avec un jeu de questions de test.
Non pour créer un agent simple. Pour le connecter au SI (API, serveurs MCP, Dataverse) et l'industrialiser, il faut des compétences techniques ou un accompagnement.
Oui, une formation pratique animée avec Spar-x, organisme certifié Qualiopi, finançable par votre OPCO, en sessions de 20 personnes maximum. Chaque participant construit un agent sur ses propres cas.