Google a annoncé l'expansion de l'observabilité des agents d'IA dans Google Data Cloud, avec des nouveautés dans BigQuery et Looker. L'annonce, publiée sur le blog Google Cloud le 14 novembre, crée un chemin unique pour suivre comment les agents de données raisonnent, quelles données ils touchent et combien ils coûtent — aussi bien les agents propres à Google que les agents personnalisés construits avec des frameworks comme l'Agent Development Kit (ADK) ou LangGraph.
L'idée est de traiter l'observabilité des agents comme une partie de l'exploitation, et non comme un complément : quand un agent passe du prototype à la production, les équipes doivent voir le raisonnement en plusieurs étapes, protéger les données sensibles, contrôler la consommation de jetons et évaluer la qualité des réponses avant qu'un changement de prompt ou de schéma n'atteigne les utilisateurs.
Un seul flux de télémétrie pour tous les agents
Au cœur de l'annonce, un framework unifié de télémétrie, qui fonctionne de la même façon pour chaque agent : capturer la télémétrie, la stocker dans des tables BigQuery appartenant au client et l'analyser là où les équipes travaillent déjà.
- Capture : les agents propres de Conversational Analytics émettent la télémétrie automatiquement, sans configuration. Les requêtes acheminées vers les agents de données BigQuery dans Gemini Enterprise via des flux agent à agent (A2A, désormais en disponibilité générale) envoient des métriques Cloud Monitoring, des spans Cloud Trace et des journaux de conversation directement dans le projet de l'agent. Les agents personnalisés avec ADK ou LangGraph envoient la même télémétrie structurée avec une instrumentation d'une seule ligne dans le SDK.
- Destination : tout aboutit dans les tables BigQuery du client lui-même, sous ses autorisations et ses règles de gouvernance, au lieu de rester enfermé dans un tableau de bord tiers.
- Analyse : des tableaux de bord prêts à l'emploi dans BigQuery Studio et Looker affichent l'usage, les sessions actives, les principales sources de connaissances, la latence et la consommation de jetons. Les équipes peuvent aussi créer leurs propres rapports avec un modèle open source Data Studio ou le Looker Block for Agent Analytics.
Ce qui est déjà disponible et ce qui reste en avant-première
En disponibilité générale : la journalisation des conversations dans BigQuery, l'API Conversational Analytics, les flux A2A, les tableaux de bord de surveillance dans BigQuery Studio et les tableaux de bord System Activity de Looker, dans Looker (Google Cloud core) comme dans Looker original. En avant-première : les évaluations des utilisateurs et la révision des requêtes dans l'onglet Responses & feedback de Looker, les quotas quotidiennes de jetons d'entrée et de sortie et les évaluations natives des agents dans BigQuery, via API et notebook guidé dans Colab.
La télémétrie opérationnelle séparée du contenu
Un point central du design est de séparer la télémétrie opérationnelle du contenu des conversations, pour que chaque couche ait sa propre gouvernance. Les métriques agrégées de Cloud Monitoring et les spans nettoyés de Cloud Trace excluent le contenu central du client : prompts, réponses, pensées internes et SQL généré.
Quand l'audit a besoin du contenu, la journalisation des conversations est facultative, par agent : un agent de service géré par Google transmet les prompts, les réponses et la télémétrie par tour vers une table agent_events du client, via l'API BigQuery Storage Write, en héritant des autorisations IAM, des clés de chiffrement gérées par le client (CMEK) et des VPC Service Controls du jeu de données. Les garde-fous de confidentialité sont fail-closed : avant chaque tour, le système saute l'enregistrement dès que la source de connaissances utilise la sécurité au niveau des lignes, des policy tags de colonne ou le masquage dynamique des données. L'exécution, elle, est fail-open : si l'enregistrement échoue, la session de l'utilisateur continue sans interruption.
Pour les agents personnalisés, le plugin open source BigQueryAgentAnalyticsPlugin d'ADK envoie des arbres complets d'invocation d'outils, de la télémétrie de séries temporelles et des charges multimodales. Et comme les journaux restent dans la table du client, il est possible de diagnostiquer les échecs sans construire de pipelines d'exportation : avec les fonctions d'IA de BigQuery, comme AI.GENERATE et AI.EMBED avec VECTOR_SEARCH, ou avec le SDK Python bigquery-agent-analytics et un notebook Colab de démarrage.
Contrôle des coûts avec des garde-fous FinOps
Chaque tour enregistre les nombres de jetons d'entrée, de sortie, de réflexion, de cache et totaux, ainsi que la latence totale, et Looker System Activity rapporte les jetons estimés d'entrée et de sortie dans les charges de business intelligence. Pour éviter les surprises sur la facture, il est possible de configurer un plafond par requête sur les octets scannés dans BigQuery (big_query_max_billed_bytes), qui utilise des estimations de dry-run pour bloquer les requêtes trop lourdes sans générer de frais à la demande. Les quotas quotidiennes de jetons d'entrée et de sortie, par projet, utilisateur ou agent, sont en avant-première. Google indique aussi qu'un tarif promotionnel d'essai est disponible pour Conversational Analytics.
L'évaluation avant la mise en production
Les journaux montrent comment un agent s'est comporté ; l'évaluation montre si un changement améliore ou dégrade la qualité des réponses. Pour cela, Google a lancé Prism, un outil open source qui teste les agents de Conversational Analytics ancrés dans des tables BigQuery ou des Explores Looker, avec des suites de tests réutilisables, des assertions regex et une découverte multi-régions. Prism peut envoyer les résultats des évaluations directement dans des tables BigQuery partitionnées par jour, à côté des journaux de production, pour une comparaison côte à côte.
Contexte : Google accélère l'infrastructure des agents
L'annonce arrive la même semaine où Google a lancé A2UI 1.0, le protocole ouvert qui permet aux agents IA de répondre avec des écrans interactifs. Ensemble, les deux mouvements montrent la stratégie de Google pour les agents en production : en surface, des interfaces que l'utilisateur voit ; en coulisses, télémétrie, gouvernance et contrôle des coûts pour les équipes qui exploitent ces agents.
Crédit image : schéma du framework unifié d'observabilité des agents, tiré du blog Google Cloud.
Sources : Google Cloud Blog; Unite.AI.
Transparence : cet article a été produit avec l'aide de l'intelligence artificielle, en croisant des publications publiques sur X et des sources sur internet. Nous recommandons de consulter les sources originales pour plus de détails.
Par Muse
