Agentic Mesh: l'avenir de la collaboration IA évolutive
Les discussions théoriques autour des agents IA dominent le marché, mais les implémentations en production restent à la traîne. McKinsey a introduit l'agentic mesh pour combler cet écart, mais les déploiements réels se heurtent encore à de graves goulets d'étranglement en matière d'intégration, d'isolement des agents et de fiabilité opérationnelle.1
Ci-dessous, nous analysons ces points de défaillance réels et montrons comment une architecture maillée pilotée par les événements permet une mise à l'échelle contrôlée au niveau de l'entreprise.
Défis des systèmes agentiques
À mesure que les équipes passent des tests et de l'expérimentation avec des agents IA au déploiement de cas d'utilisation réels et évolutifs, plusieurs défis apparaissent :
- Lacunes d'intégration : pendant l'expérimentation, les équipes utilisent des solutions préconstruites qui accélèrent le développement, mais ces solutions manquent souvent d'une approche cohérente lors de la mise à l'échelle. Il en résulte des problèmes d'intégration et de coordination qui créent des lacunes de couverture. Par exemple, nous avons constaté qu'en essayant de faire évoluer des chatbots alimentés par l'IA, différents systèmes de données clients et d'interactions ne parviennent pas à se synchroniser.
- Isolation des agents : la plupart des agents travaillent aujourd'hui de manière indépendante avec des informations locales. Par exemple, un agent planificateur, récupérateur et exécuteur connecté via des APIs peut 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 clé.
- Limites opérationnelles : les applications d'agents IA peuvent entraîner des résultats imprévisibles et un comportement non déterministe, générant des réponses incohérentes ou ne parvenant pas à fournir des solutions précises.
Présentation de l'architecture de maillage agentique
Le maillage IA imagine un « Internet des agents », où plusieurs agents peuvent raisonner, collaborer et agir de manière autonome sur un réseau distribué de systèmes et d'outils.
Contrairement aux pipelines RAG ou aux APIs de microservices, il crée un système de référence pour le comportement des agents : chaque invocation d'outil, erreur et résultat est distribué via le maillage d'événements et conservé par la couche de coordination.
Cette histoire partagée s'accumule en 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 soutient la mise à l'échelle en permettant aux organisations d'ajouter ou de remplacer des capacités de manière incrémentale, sans perturber les flux de travail existants.
2. Raisonnement parallèle des agents :
Le maillage permet de répartir le raisonnement sur plusieurs agents. Cela accroît la complexité, mais permet à des agents spécialisés de traiter des parties d'une tâche plus vaste au lieu de dépendre d'un seul LLM.
Cette division du travail facilite la mise à l'échelle des systèmes d'IA, car les charges de travail peuvent être réparties entre des agents fonctionnant 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. Cela signifie que 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 ni 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, le A2A de Google définit un format de message commun et un mécanisme de découverte pour la collaboration inter-frameworks, tandis que le MCP d'Anthropic fournit un moyen universel pour les agents de récupérer des données. À l'instar de l'USB, ces standards permettent l'interopérabilité afin que les équipes puissent mélanger des outils et des modèles de différents fournisseurs sans travail d'intégration supplémentaire.
5. Autonomie gouvernée :
Les agents du maillage agissent de leur propre initiative, mais dans des garde-fous, des politiques intégrées et d'autres contraintes. Autrement dit, chaque action autonome est régie à l'avance par des règles.
Capacités opérationnelles : comment le maillage fonctionne-t-il en pratique ?
Chacune de ces capacités s'étend à l'ensemble du maillage (et n'est pas liée à une seule plateforme) et rejoint souvent 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 tient à jour un annuaire 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 capacités » standardisées décrivant ce qu'ils savent faire, qui peuvent être interrogées par d'autres agents ou par des opérateurs humains.
En imposant une taxonomie commune et des standards de métadonnées, les organisations peuvent aussi appliquer des politiques de gouvernance, par exemple en réservant certaines tâches sensibles à des agents certifiés.
Registre des actifs d'IA :
Le registre des actifs fournit un référentiel pour tous les actifs d'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 ce qui se trouve dans le référentiel est versionné, auditable et soumis à la gouvernance.
Les actifs essentiels comprennent souvent :
- Prompts et instructions testés contre les jailbreaks ou les biais.
- Configurations d'agents précisant quels outils, APIs et modèles sont autorisés.
- Paramètres de LLM définissant les modèles et paramètres disponibles.
- Définitions d'outils et serveurs MCP avec contrôles d'accès intégrés.
- Exemples d'entrée/sortie de référence qui constituent des références fiables pour l'apprentissage et l'évaluation.
Gestion du feedback :
Les boucles de feedback 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, voire 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. Les outils de conformité et de gestion des risques sont directement intégrés au maillage pour garantir cela.
Par exemple,
- Les 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 contrôles par des agents de confidentialité ou de sécurité, tandis que les pistes d'audit journalisent 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 comprennent généralement :
- Tests au niveau des étapes (par exemple, la bonne API/outil a-t-elle été invoquée ?).
- Tests au niveau des workflows (par exemple, le processus global a-t-il produit le résultat attendu ?).
- Tests adversariaux (par exemple, injection de prompt, mauvaise utilisation, 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 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 à l'émission de badges de sécurité temporaires : les agents obtiennent exactement les permissions dont ils ont besoin, et celles-ci expirent rapidement.
L'utilisation de standards comme OAuth 2.0, les JWTs et l'accès à moindre privilège sécurise les interactions et limite l'impact si un composant est compromis.
Pourquoi est-ce important ?
Ensemble, ces capacités transforment des agents faiblement 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 spécialiste Salesforce via le maillage, les flux d'identité et de données étant gérés par des protocoles partagés.
C'est ce qui distingue un maillage agentique des systèmes traditionnels de gestion de workflows. Les orchestrateurs classiques peuvent connecter des APIs et des tâches, mais ils manquent généralement de la gouvernance intégrée, du feedback continu et des mécanismes de conformité qu'offre le maillage.
Cas d'utilisation du maillage agentique
Les concepts de maillage agentique gagnent du terrain, mais les implémentations réelles de niveau production restent 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'utilisation pratiques :
Kubernetes et contrôle d'ingress
Au lieu de s'appuyer uniquement sur des contrôleurs d'ingress 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 sur les APIs et les flux d'événements.
Domaines d'application :
- Contrôle d'ingress : les agents appliquent l'authentification, la terminaison TLS et des règles de politique pour protéger les APIs contre les accès non autorisés.
- Orchestration consciente du 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 contribuer 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 : appliquez des limites de débit fines, des quotas et des contrôles de pics pour éviter la surcharge.
- Équilibrage de charge : répartissez les appels API entrants et le trafic des flux d'événements entre les serveurs pour maintenir des services réactifs.
- Prévention des goulets d'étranglement : détectez et limitez les requêtes API ou de flux de données excessives pour garantir des performances constantes.
- Optimisation de la résilience et de la disponibilité : améliorez la tolérance aux pannes en redirigeant les requêtes API/événements échouées.
Exemple réel :
L'entreprise ferroviaire Eurostar utilise un maillage agentique pour optimiser ses systèmes backend. Elle gère l'accès des clients aux APIs de manière granulaire pour un contrôle du trafic et une répartition de la charge plus sûrs.5
Gestion centralisée des API
Un maillage agentique aide les organisations à centraliser les APIs, les flux d'événements et les agents IA au sein d'une plateforme unifiée.
Domaines d'application :
- Prise en charge de plusieurs passerelles : intégrez des APIs de diverses plateformes comme AWS, Azure et Apigee.
- Authentification de niveau entreprise : assurez un contrôle d'accès adéquat 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 à sécuriser l'accès aux données en temps réel et aux flux d'événements, en offrant une intégration et un contrôle fluides. Considérez-le comme un hub centralisé où différents systèmes, comme les APIs et les courtiers d'événements, peuvent communiquer et partager des données efficacement.
Domaines d'application :
- Sécurité centralisée : veillez à ce que toutes les données et APIs soient sécurisées et conformes aux normes organisationnelles.
- Médiation de protocoles : convertissez différents types de flux de données (par exemple, Kafka, MQTT) en formats courants et faciles à utiliser comme REST ou WebSocket.
- Découverte des API et des événements : fournissez un portail unique permettant aux développeurs de trouver et d'utiliser les données et les APIs.
- Gestion unifiée : gérez 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 : un autre effet de mode ?
Le maillage agentique promet une voie transformatrice permettant à des agents IA autonomes de collaborer au sein d'un écosystème structuré. Cependant, il existe un risque qu'il devienne un énième framework technique, dominé par des solutions d'infrastructure comme les service meshes et les fabriques 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 des 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 avant tout de composants d'infrastructure.
Pour éviter de le réduire à un énième 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 sur l'infrastructure sous-jacente.
Il est essentiel de veiller à ce que les domaines métier assument la responsabilité de leurs agents, sans dépendre des fournisseurs de middleware. Si les organisations adoptent la propriété par domaine, la gestion responsable et la gouvernance fédérée, le maillage agentique peut devenir un puissant outil 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 20 Août 2026}
}Liens de référence
Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]
Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux 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 Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.
À lire ensuite
IA pour l'orchestration des workflows: plus de 15 outils agentiques et GenAI
Les 7 couches de la pile d'IA agentique
Les 14 Meilleurs Émulateurs Android
Comparez plus de 20 plateformes et bibliothèques d'IA responsable
40+ Cas d'utilisation de l'IA agentique avec des exemples concrets
Comparer les 20 meilleurs outils d'orchestration de conteneurs
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.