Agentic Mesh: L'avenir de la collaboration IA évolutive
Bien que beaucoup ait été écrit sur les architectures d'agents, les implémentations réelles en production restent limitées. Cet article met en lumière le maillage IA agentique, un concept introduit dans un rapport McKinsey. 1
Nous examinerons les défis qui émergent dans les environnements de production et démontrerons comment notre architecture proposée permet un passage à l'échelle contrôlé des capacités de l'IA.
Les défis des systèmes agentiques
À mesure que les équipes passent des tests et expérimentations avec des agents IA au déploiement de cas d'usage évolutifs et réels, plusieurs défis émergent :
- Lacunes d'intégration : Durant l'expérimentation, les équipes utilisent des solutions préconstruites qui accélèrent le développement, mais ces solutions manquent souvent d'une approche cohérente lors du passage à l'échelle. Il en résulte des problèmes d'intégration et de coordination qui créent des lacunes de couverture. Par exemple, nous avons constaté que lors des tentatives de mise à l'échelle de chatbots IA, différents systèmes de données clients et d'interactions ne parviennent pas à se synchroniser.
- Isolement des agents : Aujourd'hui, la plupart des agents fonctionnent indépendamment avec des informations locales. Par exemple, un agent Planificateur, un Récupérateur et un Exécuteur connectés via des APIs peuvent manquer d'un contexte unifié. À mesure que les organisations évoluent vers des écosystèmes multi-agents, l'absence de mémoire partagée et de coordination devient un défi majeur.
- Limitations opérationnelles : Les applications d'agents IA peuvent conduire à des résultats imprévisibles et à un comportement non déterministe, générant des réponses incohérentes ou ne parvenant pas à fournir des solutions précises.
Présentation de l'architecture du maillage agentique
Le maillage IA envisage un « Internet des agents », où plusieurs agents peuvent raisonner, collaborer et agir de manière autonome à travers un réseau distribué de systèmes et d'outils.
Contrairement aux pipelines RAG ou aux APIs microservices, il crée un système d'enregistrement du comportement des agents : chaque invocation d'outil, erreur et résultat est distribué via le maillage d'événements et préservé par la couche de coordination.
Avec le temps, cet historique partagé s'accumule pour former une base de connaissances plus riche, permettant aux agents de s'aligner autour d'un contexte commun et de collaborer plus efficacement.
Comment fonctionne un maillage agentique :
1. Composabilité :
Tout agent, outil ou modèle (par exemple, un nouveau LLM) peut être connecté au maillage sans nécessiter de modifications des autres composants.
Cette conception modulaire favorise le passage à l'échelle en permettant aux organisations d'ajouter ou de remplacer des capacités progressivement, sans perturber les workflows existants.
2. Raisonnement parallèle des agents :
Le maillage permet de répartir le raisonnement entre plusieurs agents. Cela augmente la complexité mais permet à des agents spécialisés de prendre en charge des parties d'une tâche plus vaste au lieu de s'appuyer sur un seul LLM.
Cette division du travail facilite le passage à l'échelle des systèmes d'IA, car les charges de travail peuvent être réparties entre des agents s'exécutant en parallèle.
3. Découplage en couches :
Le maillage sépare les fonctions clés (par exemple, la logique, la mémoire, l'orchestration et les interfaces) en couches distinctes. Ainsi, le raisonnement d'un agent peut fonctionner indépendamment de son stockage de données ou de son interface utilisateur.
4. Neutralité vis-à-vis des fournisseurs :
Le maillage n'est lié à aucun fournisseur ou plateforme unique. Les composants peuvent être remplacés ou mis à jour indépendamment, avec une préférence pour les standards ouverts tels que le Model Context Protocol (MCP) et Agent2Agent (A2A) plutôt que des APIs propriétaires.
Par exemple, A2A de Google définit un format de message commun et un mécanisme de découverte pour une collaboration inter-framework, tandis que MCP d'Anthropic offre un moyen universel pour les agents de récupérer des données. À l'instar de l'USB, ces standards permettent l'interopérabilité, de sorte que les équipes peuvent mixer des outils et des modèles de différents fournisseurs sans travail d'intégration supplémentaire.
5. Autonomie gouvernée :
Les agents dans le maillage agissent par eux-mêmes, mais dans le cadre de garde-fous, de politiques intégrées et d'autres contraintes. En d'autres termes, chaque action autonome est pré-gouvernée par des règles.
Capacités opérationnelles : Comment le maillage fonctionne-t-il en pratique ?
Chacune de ces capacités s'étend à l'ensemble du maillage (non liée à une plateforme unique) et fait souvent écho à des concepts issus des environnements cloud ou microservices, tels que les registres de services ou les journaux d'audit.
Ci-dessous, nous décrivons chaque capacité et son fonctionnement en pratique :
Découverte des agents et des workflows :
Le maillage conserve un répertoire central de tous les agents et workflows disponibles. Cela garantit que les équipes peuvent facilement trouver, réutiliser et intégrer les capacités existantes plutôt que de les reconstruire de zéro. Les agents peuvent également publier des « cartes de capacité » standardisées décrivant ce qu'ils peuvent faire, lesquelles peuvent être interrogées par d'autres agents ou des opérateurs humains.
En imposant une taxonomie commune et des standards de métadonnées, les organisations peuvent également appliquer des politiques de gouvernance telles que la restriction de certaines tâches sensibles aux seuls agents certifiés.
Registre des actifs IA :
Le registre des actifs fournit un dépôt pour tous les actifs IA critiques qui façonnent le comportement des agents. Cela inclut les prompts, les définitions d'outils, les configurations de modèles, les datasets et les politiques. Tout dans le dépôt est versionné, auditable et soumis à la gouvernance.
Les actifs essentiels incluent souvent :
- Prompts et instructions testés contre les jailbreaks ou les biais.
- Configurations d'agent spécifiant quels outils, APIs et modèles sont autorisés.
- Paramètres LLM définissant les modèles disponibles et leurs paramètres.
- Définitions d'outils et serveurs MCP avec contrôles d'accès intégrés.
- Exemples d'entrée/sortie de référence qui forment des références de confiance pour l'apprentissage et l'évaluation.
Gestion des retours d'information :
Les boucles de retour sont intégrées au maillage afin que chaque exécution de workflow devienne une source d'apprentissage. Des métriques telles que la latence, la précision, les taux d'erreur ou même les évaluations humaines sont collectées et réinjectées dans le système.
Conformité et gestion des risques :
Chaque workflow agentique doit fonctionner dans le cadre de règles et de contraintes définies. Des outils de conformité et de gestion des risques sont directement intégrés au maillage pour garantir cela.
Par exemple,
- Des agents de conformité peuvent auditer les actions par rapport aux normes organisationnelles ou réglementaires avant que les résultats ne soient finalisés.
- Les politiques peuvent exiger que les tâches sensibles incluent des vérifications de la part d'agents de confidentialité ou de sécurité, tandis que les pistes d'audit enregistrent chaque action pour un examen ultérieur.
Systèmes d'évaluation :
Les pipelines d'évaluation fonctionnent comme des tests d'intégration pour les workflows agentiques. Ils visent à garantir que les workflows restent robustes même lorsque les LLMs sous-jacents changent ou que les conditions externes évoluent.
Chaque fois qu'un déploiement ou une mise à jour de modèle a lieu, ils exécutent des suites de tests structurées pour valider la justesse.
Ils incluent généralement :
- Tests au niveau des étapes (par ex., la bonne API/outil a-t-elle été invoquée ?).
- Tests au niveau du workflow (par ex., le processus global a-t-il produit le résultat attendu ?).
- Tests adversariaux (par ex., injection de prompt, utilisation abusive, déni de service).
Observabilité :
Dans un maillage agentique, l'observabilité garantit que chaque interaction d'agent et chaque workflow peuvent être tracés, journalisés et analysés. Cette capacité offre une visibilité de bout en bout sur la manière dont les agents collaborent, quels outils sont invoqués et quelles ressources sont consommées.
En centralisant les métriques et les journaux d'événements, les organisations peuvent détecter les anomalies, contrôler les coûts et vérifier que les résultats restent conformes aux politiques de gouvernance.
Des standards émergents comme OpenTelemetry pour les agents contribuent à rendre l'observabilité interopérable entre les différents runtimes.
Authentification et autorisation :
Dans un maillage agentique, chaque appel d'agent à agent ou d'agent à service doit être authentifié et autorisé. Pensez-y comme à l'émission de badges de sécurité temporaires : les agents n'obtiennent que les permissions exactes dont ils ont besoin, et celles-ci expirent rapidement.
L'utilisation de standards comme OAuth 2.0, JWTs et l'accès au moindre privilège sécurise les interactions et limite l'impact si un composant est compromis.
Pourquoi est-ce important ?
Prises ensemble, ces capacités transforment des agents peu connectés en un maillage cohérent et bien gouverné. Les workflows deviennent supervisés, auditables et adaptatifs, tout en conservant la flexibilité d'intégrer de nouveaux agents, outils ou modèles selon les besoins.
Par exemple, un agent conçu par Atlassian pourrait découvrir et invoquer de manière transparente un agent spécialisé Salesforce via le maillage, avec des flux d'identité et de données gérés par des protocoles partagés.
C'est ce qui distingue un maillage agentique des systèmes traditionnels de gestion de workflows. Les orchestrateurs conventionnels peuvent connecter des APIs et des tâches, mais ils manquent généralement des mécanismes de gouvernance intégrés, de retour d'information continu et de conformité que fournit le maillage.
Cas d'usage du maillage agentique
Les concepts de maillage agentique gagnent du terrain, mais les implémentations réelles en production sont encore limitées. La plupart des exemples actuels sont des déploiements précoces ou des preuves de concept. Cela dit, plusieurs fournisseurs commencent à présenter des cas d'usage pratiques :
Kubernetes et contrôle d'entrée
Au lieu de s'appuyer uniquement sur des contrôleurs d'entrée statiques, dans un système de maillage agentique, les agents IA peuvent étendre les environnements natifs Kubernetes en permettant aux agents de gérer le trafic, d'appliquer la sécurité et d'optimiser les charges de travail à travers les APIs et les flux d'événements.
Domaines d'application :
- Contrôle d'entrée : Les agents appliquent l'authentification, la terminaison TLS et les règles de politique pour protéger les APIs contre les accès non autorisés.
- Orchestration sensible au cluster : Les agents augmentent ou réduisent les charges de travail et ajustent les stratégies de routage en fonction de la disponibilité des ressources.
Exemple réel :
Optimisation des systèmes backend
Un maillage agentique peut aider à optimiser les systèmes backend en permettant aux agents de gérer le trafic, d'appliquer des politiques et d'équilibrer les charges de travail en temps réel.
Domaines d'application :
- Gestion du trafic : Appliquer des limites de débit, des quotas et des contrôles de pics fins pour éviter la surcharge.
- Équilibrage de charge : Répartir les appels API entrants et le trafic des flux d'événements entre les serveurs pour maintenir des services réactifs.
- Prévention des goulots d'étranglement : Détecter et limiter les requêtes API ou de flux de données excessives pour garantir des performances constantes.
- Résilience et optimisation de la disponibilité : Améliorer la tolérance aux pannes en redirigeant les requêtes API/événements ayant échoué.
Exemple réel :
La compagnie ferroviaire Eurostar utilise un maillage agentique pour optimiser ses systèmes backend. Ils gèrent l'accès des clients aux APIs de manière granulaire pour un contrôle du trafic et une répartition de charge plus sécurisés.5
Gestion centralisée des API
Un maillage agentique aide les organisations à centraliser les APIs, les flux d'événements et les agents IA sur une plateforme unifiée.
Domaines d'application :
- Support de passerelles multiples : Intégrer des APIs provenant de diverses plateformes comme AWS, Azure et Apigee
- Authentification de niveau entreprise : Assurer un contrôle d'accès approprié pour gérer qui peut interagir avec les APIs et les agents.
Exemple réel :
SKF, une entreprise manufacturière, utilise une plateforme de maillage agentique pour centraliser et gérer ses APIs. 5
Gestion et exposition des données en temps réel et des flux d'événements
Un maillage agentique aide les organisations à gérer et sécuriser l'accès aux données en temps réel et aux flux d'événements, en offrant une intégration et un contrôle transparents. Considérez-le comme un hub centralisé où différents systèmes, tels que les APIs et les courtiers d'événements, peuvent communiquer et partager des données efficacement.
Domaines d'application :
- Sécurité centralisée : Garantir que toutes les données et APIs sont sécurisées et conformes aux normes organisationnelles.
- Médiation protocolaire : Convertir différents types de flux de données (ex. Kafka, MQTT) en formats communs et faciles à utiliser comme REST ou WebSocket.
- Découverte d'API et d'événements : Fournir un portail unique permettant aux développeurs de trouver et d'utiliser les données et les APIs.
- Gestion unifiée : Gérer tous les types d'APIs et de flux de données, y compris REST et WebSocket, en un seul endroit.
Ajouter comme source préféréeL'avenir du maillage agentique : juste un autre effet de mode ?
Le maillage agentique promet une manière transformatrice pour les agents IA autonomes de collaborer au sein d'un écosystème structuré. Cependant, il existe un risque qu'il ne devienne qu'un simple cadre technique, dominé par des solutions d'infrastructure telles que les maillages de services et les tissus d'intégration :
- Un schéma similaire est apparu avec le concept de data mesh. Lorsque Zhamak Dehghani l'a introduit, l'idée a révolutionné la gestion des données en mettant l'accent sur la propriété, la gouvernance et le traitement des données comme un produit. Pourtant, les fournisseurs ont rapidement rebaptisé leurs solutions existantes en Data Mesh.6
- La même tendance est désormais visible avec le maillage agentique. Alors que la conversation se concentre sur des aspects techniques comme la communication/orchestration sécurisée, il s'agit principalement de composants d'infrastructure.
Pour éviter de le réduire à une simple version Service Mesh 2.0 ou Data Fabric 2.0 avec IA, la véritable opportunité consiste à se concentrer sur la création de valeur, et non uniquement sur l'infrastructure sous-jacente.
Il est essentiel de veiller à ce que les domaines métier prennent la responsabilité de leurs agents, sans se contenter de s'appuyer sur des fournisseurs de middleware. Si les organisations adoptent la propriété de domaine, la gestion responsable et la gouvernance fédérée, le maillage agentique peut devenir un outil puissant de transformation.
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şimşek, Hazal},
title = {{Agentic Mesh: L'avenir de la collaboration IA évolutive}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/agentic-mesh}},
note = {AIMultiple. Consulté le 12 Août 2026}
}Liens de référence
Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.
Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.
À lire ensuite
Top 10+ des frameworks et outils d'orchestration agentique
10+ Tendances et exemples d'IA agentique
Comparaison de 10 méthodes de planification de tâches Python
Agents IA SAP: études de cas Joule Studio
L'IA dans les services publics: les 20 principaux cas d'usage et études de cas
Conformité de l'IA: 6 principaux défis et échecs réels
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.