Maillage agentique: l'avenir de la collaboration IA à grande échelle
Les discussions théoriques autour des agents IA dominent le marché, mais les implémentations en production restent à la traîne. McKinsey a introduit le maillage agentique pour combler cette lacune, mais les déploiements réels se heurtent encore à de graves goulots d'étranglement en matière d'intégration, d'isolation des agents et de fiabilité opérationnelle.1
Ci-dessous, nous analysons ces points de défaillance concrets et montrons comment une architecture maillée pilotée par 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'usage évolutifs et concrets, 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 du passage à l'échelle. Par conséquent, des problèmes d'intégration et de coordination apparaissent, entraînant des lacunes de couverture. Par exemple, nous avons constaté que lorsqu'on tente de faire évoluer des chatbots basés sur 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 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 clé.
- Limites opérationnelles : les applications d'agents IA peuvent produire 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 envisage 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 à travers le maillage événementiel et conservé par la couche de coordination.
Cet historique partagé s'accumule en une base de connaissances plus riche, permettant aux agents de s'aligner sur un contexte commun et de collaborer plus efficacement.
Comment fonctionne un maillage agentique :
1. Composabilité :
N'importe quel 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 progressivement, sans perturber les workflows existants.
2. Raisonnement parallèle des agents :
Le maillage permet de répartir le raisonnement entre plusieurs agents. Cela accroît la complexité, mais permet à des agents spécialisés de traiter des parties d'une tâche plus vaste au lieu de s'appuyer sur 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 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. 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 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, l'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 offre 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 combiner des outils et des modèles de différents fournisseurs sans effort d'intégration supplémentaire.
5. Autonomie gouvernée :
Les agents du maillage agissent de manière autonome, 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 sur l'ensemble du maillage (elle n'est pas liée à une seule plateforme) 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 tient un annuaire central de tous les agents et workflows disponibles. Cela permet aux équipes de trouver, réutiliser et intégrer facilement 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 normes 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 IA :
Le registre des actifs fournit un référentiel 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 le contenu du référentiel 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'agents précisant quels outils, APIs et modèles sont autorisés.
- Paramètres du 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 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. Les outils de conformité et de gestion des risques sont directement intégrés au maillage pour le garantir.
Par exemple,
- Les agents de conformité peuvent auditer les actions par rapport aux normes organisationnelles ou réglementaires avant la finalisation des résultats.
- 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 consignent chaque action pour 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-il été invoqué ?).
- Tests au niveau des workflows (par ex., le processus global a-t-il produit le résultat attendu ?).
- Tests adversariaux (par ex., injection de prompt, usage abusif, déni de service).
Observabilité :
Dans un maillage agentique, l'observabilité garantit que chaque interaction d'agent et chaque workflow peut être tracée, journalisée et analysée. Cette capacité offre une visibilité de bout en bout sur la manière dont les agents collaborent, les outils qu'ils invoquent et les ressources qu'ils consomment.
En centralisant les métriques et les journaux d'événements, les organisations peuvent détecter des anomalies, maîtriser 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-y comme à l'émission de badges de sécurité temporaires : les agents obtiennent exactement les autorisations dont ils ont besoin, et celles-ci expirent rapidement.
L'utilisation de standards comme OAuth 2.0, les JWT et l'accès à moindre privilège sécurise les interactions et limite l'impact si un composant est compromis.
Pourquoi cela compte-t-il ?
Prises dans leur 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 fluide un agent spécialiste Salesforce via le maillage, les identités et les flux de données étant gérés par des protocoles partagés.
C'est ce qui distingue un maillage agentique des systèmes traditionnels de gestion des workflows. Les orchestrateurs classiques peuvent connecter des APIs et des tâches, mais ils manquent généralement des mécanismes intégrés de gouvernance, de feedback continu et de conformité fournis par le maillage.
Cas d'usage du maillage agentique
Les concepts de maillage agentique gagnent du terrain, mais les implémentations concrètes de qualité production restent 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'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 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 concret :
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 : 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 afin de maintenir des services réactifs.
- Prévention des goulots 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/événementielles en échec.
Exemple concret :
L'entreprise ferroviaire Eurostar utilise un maillage agentique pour optimiser ses systèmes backend. Elle gère l'accès des clients aux APIs de manière granulaire afin d'assurer 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 :
- Prise en charge de plusieurs passerelles : intégrez des APIs issues de diverses plateformes comme AWS, Azure et Apigee.
- Authentification de niveau entreprise : assurez un contrôle d'accès approprié pour gérer qui peut interagir avec les APIs et les agents.
Exemple concret :
SKF, une entreprise manufacturière, utilise une plateforme de maillage agentique pour centraliser et gérer ses APIs. 5
Gestion et exposition des données et flux d'événements en temps réel
Un maillage agentique aide les organisations à gérer et sécuriser l'accès aux données et aux flux d'événements en temps réel, 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 : garantissez que toutes les données et APIs sont sécurisées et conformes aux normes organisationnelles.
- Médiation de protocoles : convertissez différents types de flux de données (par ex., Kafka, MQTT) en formats communs et faciles à utiliser comme REST ou WebSocket.
- Découverte des API et des événements : fournissez un portail unique pour que les développeurs trouvent et utilisent les données et les APIs.
- Gestion unifiée : traitez 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 nouvel engouement ?
Le maillage agentique promet une voie transformatrice permettant aux agents IA autonomes de collaborer au sein d'un écosystème structuré. Cependant, il existe un risque qu'il devienne un simple framework technique de plus, dominé par des solutions d'infrastructure comme les service meshes et les trames 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. Bien que la conversation se concentre sur des aspects techniques comme la communication et l'orchestration sécurisées, il s'agit avant tout de composants d'infrastructure.
Pour éviter de le réduire à un simple Service Mesh 2.0 ou Data Fabric 2.0 avec l'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 déléguée et la gouvernance fédérée, le maillage agentique peut devenir un puissant levier 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 = {{Maillage agentique: l'avenir de la collaboration IA à grande échelle}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/agentic-mesh}},
note = {AIMultiple. Consulté le 12 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
Meilleurs 25+ logiciels de gestion de la confidentialité: fonctionnalités & prix
Top 10 des systèmes ERP d'IA agentique et 6 solutions
Meilleures fonctions serverless: Vercel vs Azure vs AWS
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.