Les équipes chargées de l'exploitation des réseaux sont confrontées à une multitude d'outils basés sur l'IA qui promettent une gestion simplifiée grâce à des interfaces en langage naturel. Or, beaucoup d'entre eux se résument à des enveloppes conversationnelles autour des fonctionnalités existantes qui, si elles offrent une certaine commodité, n'apportent pas de changements fondamentaux dans la manière dont les réseaux sont gérés et vérifiés. C'est ce que proposait le premier outil AI Assist de Forward Networks lancé en 2024. Cette fois, en 2026, le fournisseur  a adopté une approche différente avec un système IA agentique qui va au-delà de l’interface conversationnelle. Plutôt que de se contenter de répondre à des questions, l’outil planifie et exécute de manière dynamique des workflows en plusieurs étapes dans des environnements hybrides et multicloud, tout en conservant une vérification mathématique de ses recommandations.

Fondée en 2013 par quatre docteurs de Stanford, Forward Networks a passé plus de dix ans à mettre au point une technologie de jumeau numérique du réseau mathématiquement précise avant d'introduire des capacités IA. Ses dernières capacités agentiques s'inscrivent fermement dans la vision fondatrice de l'entreprise, qui consiste à fournir une représentation précise d'un réseau. « Au moment de créer Forward Networks, nous nous sommes posé une question simple mais stratégique : savoir si le réseau se comportait réellement comme prévu, tant au niveau de sa conception que de sa production et de ses changements », a déclaré David Erickson, CEO et cofondateur de Forward Networks. « Pour répondre à cette question, il faut plus que de la visibilité. Il faut un modèle mathématiquement précis du réseau lui-même. »

IA agentique vs IA assistée

Forward AI diffère fondamentalement de la fonction AI Assist lancée en 2024, qui traduit les questions en anglais en requêtes à l'aide d'un modèle de données normalisé. Ce dernier agent construit de manière dynamique des plans d'exécution en plusieurs étapes qui atteignent à la fois le jumeau numérique interne et les systèmes externes tels que ServiceNow. « Il s'agit d'un système conversationnel agentique conçu pour simplifier l'ensemble des opérations », a expliqué Nikhil Handigol, cofondateur et directeur de l'IA chez Forward Networks. La différence pratique apparaît clairement dans les workflows de dépannage. Lorsqu'on lui demande de trier un ticket ServiceNow, l'agent lit le contenu du ticket, rassemble des informations contextuelles sur les entités mentionnées à partir du jumeau numérique, effectue automatiquement des traces de chemin pour les problèmes de connectivité et renvoie un diagnostic. Le flux de travail complet reste visible pour les opérateurs tout au long du processus. C’est donc très différent des simples requêtes en langage naturel où le système traduit une question et renvoie une réponse. L'agent élabore et exécute un plan qui peut impliquer plusieurs sources de données et étapes d'analyse.

Un framework personnalisé pour le contrôle du contexte

Plutôt que d'adopter des outils existants comme LangChain ou CrewAI, Forward Networks a développé son propre framework agentique. Ce choix visait principalement à maintenir un contrôle précis sur l'ingénierie du contexte, considéré par M. Handigol comme le principal défi technique de l'IA agentique. « Nous avons développé notre propre framework parce que nous voulions contrôler entièrement la façon dont l'agent exécute ses tâches », a justifié M. Handigol. « Le problème technique se résume essentiellement à l'ingénierie du contexte. Comment définir et maintenir le contexte nécessaire à l'agent envoyé au LLM pour obtenir les bonnes réponses ? » L'équipe définit l'ingénierie contextuelle comme la fourniture de toutes les informations pertinentes sans bruit excessif. Trop peu d'informations produisent des réponses erronées. Trop d'informations détournent le modèle de la tâche correcte. Le contexte est tiré de la pile de données hiérarchique de Forward Networks. La couche de base contient la configuration brute, l'état et les statistiques collectées directement à partir des terminaux. Le niveau suivant normalise ces données brutes en un modèle interrogeable qui montre tout ce qui est présent dans le réseau et sa configuration. Le niveau supérieur effectue une analyse comportementale. Cette couche peut répondre à des questions sur les chemins arbitraires des paquets à travers le réseau, l'exposition des actifs aux réseaux externes et le rayon d'action latéral en cas de compromission des actifs. Le système met également en corrélation les données réseau avec les systèmes CMDB, IPAM et les systèmes de ticketing.

Les grands modèles de langage sont fondamentalement des systèmes probabilistes qui prédisent le prochain token. Cela crée un risque inhérent d'hallucination qui est dangereux dans les opérations réseau où une seule erreur de configuration peut provoquer des pannes généralisées. Forward AI adopte une double approche pour atténuer ce risque. D’abord, elle base ses recommandations sur un jumeau numérique déterministe plutôt que de se fier uniquement à des prédictions probabilistes. Ensuite, elle rend tout son raisonnement transparent. Toutes les preuves utilisées pour étayer les recommandations sont directement accessibles pendant les conversations. Les opérateurs peuvent ainsi valider le raisonnement de l'agent avant de prendre des mesures. L'entreprise utilise également un framework d'évaluation au cours du développement. À mesure que le code de l'agent évolue, le framework garantit qu'il n'y a aucune régression des capacités existantes tout en validant les améliorations dans de nouveaux domaines.

Une base multi-fournisseurs dans des environnements hybrides

Le jumeau numérique qui sous-tend Forward AI prend en charge des dizaines de fournisseurs de réseaux et couvre les protocoles de la couche 2 à la couche 7. Cela inclut les infrastructures sur site, les principaux fournisseurs de cloud (AWS, Azure et Google Cloud) et les environnements Kubernetes. « Le principal avantage de Forward Networks est que nous sommes multi-fournisseurs », a fait valoir M. Erickson. « Nous prenons en charge tous les fournisseurs de réseaux existants et nous améliorons la vie des clients de tous ces fournisseurs. » Cette prise en charge multi-fournisseurs élimine une source importante de difficultés opérationnelles. Les opérateurs réseau n'ont plus besoin de se connecter à plusieurs interfaces CLI de fournisseurs, d'apprendre la syntaxe des commandes spécifiques à chaque fournisseur et de normaliser manuellement les données provenant de sources disparates. L'étendue de la prise en charge des protocoles et des technologies est essentielle au bon fonctionnement du système agentique. Sans une collecte et une analyse complètes des données, les recommandations présenteraient des lacunes susceptibles d'entraîner des erreurs. « Tout le monde développe une sorte de capacité alimentée par l'IA pour ses propres systèmes », a déclaré M. Handigol. « Ce qui différencie cette capacité d'une autre, c'est la base sur laquelle elle repose. »