Autoloop de Kore.ai n’est pas un énième outil d’optimisation qui reformule et teste : c’est un moteur opérationnel conçu pour assurer la fiabilité de réseaux d’agents complexes à grande échelle. Au lieu de s’appuyer uniquement sur un score global unique et des correctifs générés par un modèle, Autoloop associe des diagnostics déterministes à des réparations ciblées au niveau de la compilation. Les traces d’exécution suivent une interaction utilisateur à travers les transferts, les changements d’état, les appels d’outils et les décisions de routage, afin que les équipes puissent identifier précisément le composant à l’origine d’une défaillance. Cette visibilité permet au système d’appliquer une correction chirurgicale — modification d’une règle de routage, correction d’un contrat ou petite retouche d’un blueprint — puis de relancer une suite complète de vérifications qui contrôle les sept objectifs configurés avant d’accepter le changement.
La proposition de valeur est concrète : à mesure que les écosystèmes d’agents se développent, les vérifications manuelles et les correctifs fondés sur des essais-erreurs montrent leurs limites. Dans les grandes entreprises, les agents fonctionnent rarement de manière isolée. Ils partagent des états de vérification, appellent des outils internes et dépendent de règles de routage et de contrats qui n’apparaissent pas dans les transcriptions de conversation. Un réviseur humain peut ne pas remarquer une omission silencieuse dans l’état — sans journal ni erreur évidente — alors que cette omission peut autoriser des actions non autorisées ou entraîner une défaillance en aval. StateTrace d’Autoloop met au jour ces transferts silencieux, tandis que ses mécanismes de réparation compatibles avec ABL (Agent Blueprint Language) permettent au système de modifier le composant concerné plutôt que de réécrire les prompts ou d’appliquer des palliatifs superficiels.
Sur le plan opérationnel, Autoloop impose une progression par étapes pour vérifier la préparation de chaque parcours : compilation, exhaustivité des contrats, simulation, tests de robustesse et validation du comportement. Les changements proposés doivent franchir des étapes de validation couvrant l’ensemble des objectifs : réalisation de la tâche, exactitude et ancrage dans les sources, respect des règles métier, efficacité en matière de jetons et de coûts, expérience utilisateur, robustesse, ainsi que garde-fous et sécurité. Ce modèle évite qu’une amélioration sur un axe ne dégrade les résultats sur un autre. Il peut, par exemple, empêcher une modification de prompt qui réduit le coût en jetons, mais compromet la vérification de l’identité et, par conséquent, le respect des règles métier.
Autoloop propose trois modes de fonctionnement : Autopilot applique automatiquement les changements vérifiés, Copilot les soumet à l’approbation d’un humain et Advisor recommande des correctifs sans les appliquer. Cette conception tient compte des limites de gouvernance : certaines réparations — portant sur l’identité, les politiques juridiques ou le routage financier — doivent être approuvées par une personne, tandis que les optimisations à faible risque peuvent être automatisées. Le système signale également les obstacles impossibles à résoudre automatiquement — outils manquants, jeux de données indisponibles ou décisions de politique — afin que les équipes sachent quand une intervention humaine ou de nouvelles fonctionnalités sont nécessaires.