Une architecture de référence pour les agents d'IA en production

Les démonstrations échouent au même endroit : le passage d'un prototype convaincant à un système fiable. L'écart vient rarement du modèle. Il tient aux couches qui l'entourent : comment le travail est orchestré, ce que l'agent sait, au nom de qui il agit et comment vous voyez ce qui s'est passé.

Quatre couches, pas une

Les architectures d'agents en entreprise séparent habituellement les modèles, l'orchestration et les protocoles de communication, les connaissances et les données, ainsi que la gouvernance et l'observabilité. Chacune peut évoluer indépendamment, ce qui importe puisque les modèles changent tous les quelques mois.

• Modèles et calcul : des modèles de base derrière un routeur, pour que les niveaux et les fournisseurs puissent changer.
• Orchestration et protocoles : un superviseur qui coordonne des spécialistes, avec MCP pour les outils et les données et A2A pour la collaboration entre agents.
• Connaissances et données : une mémoire de travail à court terme et un entrepôt à long terme, avec la provenance pour retracer les réponses jusqu'à leurs sources.
• Gouvernance et observabilité : identité, politique sous forme de code, traçabilité et évaluation, prévues dès le départ plutôt qu'ajoutées après coup.

Suivez une requête

Un message arrive d'un canal comme WhatsApp ou une ligne téléphonique. La passerelle l'authentifie et applique des limites. L'orchestrateur découpe la tâche en sous-tâches et les confie à des agents spécialisés, en appelant les modèles par le routeur. Les spécialistes n'accèdent aux systèmes d'affaires que par la couche d'outils, où les connecteurs sont limités au moindre privilège. Chaque étape est tracée et les résultats sont notés par des évaluations.

Pourquoi un seul modèle ne convient pas

Le banc d'essai AgentArch, publié par des chercheurs de ServiceNow en 2025, a conclu que même les modèles performants n'atteignaient que 35,3 % de réussite sur des tâches d'entreprise complexes, et que les choix d'outils et de mémoire changeaient sensiblement les résultats. La leçon : concevoir par tâche et mesurer, plutôt que de copier partout un même modèle d'agent.

Le coût et le risque comptent aussi. Gartner a prédit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici la fin de 2027, en raison de coûts croissants, d'une valeur d'affaires floue ou de contrôles de risque insuffisants. La gouvernance, la mesure et un indicateur d'affaires ont leur place au départ.