La chose la plus difficile à enseigner à un système de recherche est la retenue. La plupart des agents IA, lorsqu'ils sont chargés de trouver des informations, continuent de récupérer des contextes jusqu'à atteindre une limite de jetons ou un délai d'expiration. Databricks a décidé d'en former un qui s'arrête lorsqu'il a réellement terminé.
Le résultat est KARL, un agent de génération enrichie par récupération basé sur l'apprentissage par renforcement, qui égale les performances de Claude Opus 4.6 tout en coûtant 33 % moins cher et en affichant une latence 47 % plus faible.
Apprendre à un agent à s'arrêter
L'idée fondamentale derrière KARL est que l'inefficacité de la recherche est généralement un problème de timing. Les systèmes RAG traditionnels récupèrent plus de contexte que nécessaire, traitent des informations redondantes et consomment des ressources informatiques pour cela. KARL utilise l'apprentissage par renforcement pour reconnaître quand la récupération supplémentaire ne procure plus de valeur, puis arrête la recherche au lieu de continuer par défaut.
Databricks associe cela à la compression de contexte, une technique qui permet à l'agent de condenser ce qu'il a déjà récupéré avant de décider s'il doit en récupérer davantage.
Ce que Agent Bricks apporte à la situation
KARL s'inscrit dans un cadre plus vaste appelé Agent Bricks, introduit par Databricks et lancé en septembre 2026 comme plateforme pour construire des agents spécifiques à un domaine et auto-optimisés. L'idée est que les entreprises n'ont pas besoin de régler manuellement chaque modèle qu'elles déployent. Agent Bricks gère automatiquement cette optimisation, en ajustant le comportement des agents pour s'adapter à des types de tâches spécifiques définis en langage naturel.
Depuis le lancement, plus de 100 000 agents ont été créés sur la plateforme. Le cadre prend en charge les principaux fournisseurs de modèles, notamment Claude et les variantes de GPT, avec une gouvernance gérée via Unity Catalog de Databricks.
Databricks a également intégré une fonction de réévaluation dans son produit AI Search. La réévaluation consiste à renoter un ensemble initial de documents récupérés en fonction de leur pertinence avant de les transmettre au modèle linguistique. Les gains de précision sur les benchmarks professionnels ont atteint en moyenne 15 points de pourcentage.
Précision à la frontière sans prix frontières
Les chiffres de référence cités internement par Databricks montrent une amélioration de la précision passant d’environ 32 % à plus de 90 % sur certains types de tâches lors de l’utilisation de techniques d’agents spécialisées telles que la pensée parallèle et les architectures multi-LLM.
En égalant Claude Opus 4.6 sur les tâches de recherche et de raisonnement tout en réduisant ses coûts d’un tiers, Databricks se place dans une position intéressante sur le marché des entreprises. L’entreprise ne vend pas un modèle fondamental. Elle vend l’infrastructure qui rend les modèles fondamentaux utilisables à grande échelle.