Guillaume Laforge, Developer Advocate chez Google Cloud, présente un éclairage sur les véritables dynamiques des architectures d’agents IA. Sa double casquette, à la fois contributrice à des frameworks IA et animatrice de communautés de développeurs, permet de dépasser le simple battage médiatique. Ce phénomène entraîne une transformation significative dans la conception des systèmes intelligents. Patterns, anti-patterns… Focus sur la manière d’ériger un système fiable tout en déconstruisant certains préjugés.
Définir ce qu’est un agent IA
« L’IA, la GenAI, les LLM, représentent une vague qui redéfinit notre paysage technologique, comparable aux révolutions Internet et mobile. » Au regard de ces mots, il devient clair que l’émergence des agents IA représente un tournant majeur dans notre infrastructure numérique.
Laforge précise la classification d’agents en trois catégories : les agents grand public (comme ChatGPT, Claude, Gemini), les assistants de code (par exemple, Gemini CLI, Claude Code), et enfin, les agents sur mesure intégrés dans des applications, des sites ou des workflows métiers. Ce dernier groupe est actuellement le moteur d’innovation, car il nécessite une interaction avec des données privées et des outils internes.
Les tâches fondamentales se regroupent en trois catégories : observation, planification et action.
Un agent IA se présente comme un système composite, loin d’être un simple chatbot. « Un agent combine un LLM avec une mémoire et une planification par étapes. Les outils sont essentiels dans cette dynamique. » Il formule même une équation pour l’agent, intégrant chaque composant : LLM (le « cerveau ») + mémoire (conversationnelle ou long terme) + planification + outils (MCP, API, RAG, code exécuté) + boucle d’itération.
Cette boucle se déroule en plusieurs étapes :
- Observer (comprendre la requête, interpréter le prompt système, identifier le but),
- Planifier (choisir la stratégie et les outils),
- Agir (recherche, appels API, exécution de code, interaction avec d’autres agents, human-in-the-loop),
- Réfléchir pour améliorer ou corriger la sortie.
« Observation, planification, action, et réflexion sont des éléments clés. Un agent IA n’est pas qu’un chatbot plus avancé : c’est une machine capable de décomposer et d’exécuter des tâches complexes. » Cette approche modifie en profondeur notre méthode de conception.
Les vérités à retenir : les patterns d’architecture selon Guillaume Laforge
Le mythe de l’autonomie totale des agents
Guillaume Laforge aborde aussi l’idée selon laquelle les agents pourraient s’autogérer sans supervision : « Les LLM continuent d’halluciner, même dans les modèles les plus avancés. Un LLM peut suggérer d’appeler une fonction qui n’existe pas ou réorganiser les appels d’outils de manière erronée. » Il pointe une erreur fréquente : enrichir indéfiniment le prompt système pour « canaliser » l’agent : « Plus le prompt est complexe, plus les LLM produisent d’hallucinations. Garbage in, garbage out. »
Pattern n°1 : le chef d’orchestre
Pour surmonter ces déficits, un pattern se distingue : la division en sous-tâches. « Le chef d’orchestre fonctionne bien en séparant les tâches : recherche, résumé, synthèse. Plus les tâches sont spécialisées, plus le système est performant. »
Cette orchestration peut être réalisée via :
- Frameworks orientés graphes tels que LangGraph,
- Frameworks hiérarchiques d’agents comme ADK,
- Workflow engines (n8n, etc.),
- Ou un pilotage programmatique classique.
Laforge souligne que la spécialisation des sous-agents augmente la fiabilité et limite les hallucinations.
Pattern n°2 : redéfinir les outils
Autre piège fréquent : offrir à un agent IA un ensemble d’API REST brutes. « L’anti-pattern courant consiste à exposer des ressources GET, POST, etc. des fonctions métier sont plus adaptées. » Cela signifie que l’agent doit être doté de « capacités métier », plutôt que d’une perspective technique des endpoints. Moins d’outils, mais mieux conçus, entraîne une confusion largement réduite.
Pattern n°3 : Protocole de standardisation MCP
Laforge discute ensuite du MCP, un protocole en essor dans l’écosystème : « MCP, c’est comme l’USB pour les outils. Ce protocole standardise les interactions entre agents et outils. Avant, chaque projet en avait un système proprio. Désormais, on utilise des solutions standard. »
Cette approche améliore la maintenance. Moins de « glue d’intégration » dans chaque projet, plus de modularité, et l’intégration possible de serveurs MCP à d’autres agents.
Pattern n°4 : Interopérabilité entre agents
Google investit également dans un protocole de communication entre agents.
« L’agent-2-agent (A2A) lancé par Google définit un cadre d’échange entre agents. Il standardise l’idée qu’un agent peut présenter une carte d’identité avec la description de ses compétences, collaborant de manière multimodale pour créer des tâches et des artefacts. » Une vision du futur où les agents interagiront sans entrave, indépendamment de leur cadre, langue ou plateforme.
Les anti-patterns à éviter pour les équipes
Anti-pattern n°1 : Le mandat chatbot
Nombre d’entreprises expriment une demande simple : « Il nous faut un chatbot. » Laforge alerte : « Je constate que beaucoup d’entreprises envisagent de créer un chatbot. Souvent, ces outils peuvent s’avérer frustrants. Tout ne doit pas nécessairement être conversationnel. »
Il encourage l’exploration d’alternatives multimodales, plus naturelles et parfois invisibles pour l’utilisateur : « L’intégration d’un agent IA doit être transparente. »
Anti-pattern n°2 : Test insuffisant des agents
Testez vos agents en conditions réelles : « Il est crucial d’observer, de mesurer et d’analyser. Les modèles ont tendance à formuler des réponses fausses avec assurance. »
La collaboration avec des experts métier et la collecte d’interactions authentiques pour créer des « golden responses » est indispensable. L’évaluation doit être au cœur du processus.
Anti-pattern n°3 : Confabulation silencieuse
Sans un grounding explicite, l’agent peut produire des affirmations erronées mais convaincantes. Il est primordial de citer ses sources (RAG, références) et de valider les sorties à l’aide de mécanismes dédiés. Cela renforce la confiance dans la génération en s’appuyant sur la méthode IVO (Immediately Validate Output).
Anti-pattern n°4 : L’illusion du contrôle par les agents de code
Les agents de codage peuvent influencer à tort. « Ils peuvent conduire à des erreurs avec assurance et autorité. Restez vigilant, surveillez vos actions et conservez le contrôle. »
Laforge exhorte à se concentrer sur la valeur utilisateur, plutôt que sur l’ajout continuel de fonctionnalités suggérées par l’IA : « Concentrez-vous sur la valeur ajoutée ! »
