---

Le grand basculement : du chatbot qui répond au système qui fait

Il y a encore peu, un LLM était une boîte à texte : on lui posait une question, il répondait. En 2026, la question n’est plus « que dit-il ? » mais « qu’a-t-il fait, sur quels systèmes, avec quelles permissions, et peut-on le prouver ? ». Ce glissement n’est pas anecdotique : il déplace l’essentiel de la valeur du modèle vers la plomberie qui l’entoure — les outils qu’on lui donne, les garde-fous qu’on lui impose, les traces qu’on conserve.

Les jalons de cette bascule sont désormais bien identifiés dans l’écosystème. Microsoft a posé un marqueur symbolique fort avec son Build du 19 mai 2025, positionné explicitement sur « l’ère des agents IA » et le « web agentique ouvert » (news.microsoft.com). Côté standardisation, le Model Context Protocol (MCP) s’est imposé comme la brique de connexion de référence : Forrester, repris par Studeria, projette une adoption par les éditeurs SaaS de 30 % en 2026, grimpant à 60 % en 2027. La gouvernance s’est elle aussi structurée : l’Agentic AI Foundation a été créée en décembre 2025 par Block et OpenAI, avec le soutien de Google, Microsoft, AWS et Cloudflare.

Quatre tendances lourdes structurent le terrain cette année :

1. L’explosion du revenu logiciel IA. Omdia anticipe un dépassement des 200 milliards de dollars de revenus logiciel IA en 2026, porté par la vague générative (Yahoo Finance/Omdia).
2. L’agentification des suites établies. Adobe a profité de son MAX 2026 pour diffuser des fonctions agentiques dans toute sa gamme (Fstoppers) ; Texas Instruments a intégré de l’IA agentique dans son écosystème CCStudio (TMCnet, 10 novembre 2026). Les éditeurs métiers ne vendent plus des interfaces, mais des surfaces d’action pour agents.
3. La maturité du tool calling local. Les « harnais » open source — ces logiciels qui exécutent les outils, gèrent la mémoire et les permissions d’un LLM tournant en local (Ollama, LM Studio, llama.cpp) — se sont multipliés : un guide du 18 septembre 2026 en recense onze (lefilia.fr).
4. La standardisation MCP. Le protocole est devenu le point de passage quasi obligé : Safari 27 d’Apple embarque même un serveur MCP natif (20 septembre 2026), et Maxon a intégré un serveur MCP dans Cinema 4D 2026.4 (30 septembre 2026).

Les chiffres d’écosystème les plus cités viennent de cabinets, via des relais secondaires : CB Insights recensait plus de 400 start-up du secteur en novembre 2025, réparties en 16 catégories ; Gartner prévoit que 40 % des applications d’entreprise intégreront un agent spécialisé d’ici fin 2026, contre moins de 5 % en 2025. Ces données sont utiles comme ordres de grandeur, mais leur méthodologie et leur périmètre ne sont pas accessibles dans les sources publiques relayées — nous y reviendrons.

---

Anatomie d’un agent : la boucle, la mémoire, les garde-fous — et ce qui distingue une plateforme d’un framework, d’un runtime et d’un connecteur

Avant de choisir un outil, il faut savoir ce qu’on cherche. Un agent 2026, c’est une boucle : perception → planification → action → observation. Le modèle lit un contexte (instructions, historique, résultats d’outils), décide d’une action (souvent un appel d’outil), observe le résultat, recommence. À chaque tour, il peut s’arrêter, demander une validation humaine, ou continuer.

Trois couches s’ajoutent à cette boucle :

• La mémoire. Courte (le contexte de la session, les tours précédents) et longue (une base de connaissances, un état persistant entre sessions). C’est là que se joue la continuité d’un agent de support client qui doit se souvenir d’un dossier ouvert la veille.
• Les outils. Des fonctions exposées au modèle, décrites par un schéma (nom, paramètres, types). C’est le tool calling.
• Les garde-fous. Périmètre d’action, permissions minimales, allowlists, sandbox, journalisation, approbation humaine. L’Agent Control Standard formalise quatre contrôles : un manifeste versionné déclarant outils et effets de bord autorisés ; des scopes granulaires (ex. read:orders ≠ write:orders ≠ refund:orders) ; une allowlist de couples outil+paramètres (ex. amount ≤ X, order_id de l’utilisateur courant) ; un sandbox d’exécution avec logs traçables et validation humaine pour les actions à fort impact.

La confusion la plus fréquente chez les praticiens concerne les quatre grandes catégories de briques :

Catégorie	Ce qu’elle fait	Ce qu’elle ne fait pas	Quand on en a besoin
Plateforme d’agents (bout-en-bout, hébergée)	Fournit boucle, mémoire, outils, UI, parfois observabilité intégrée	Ne descend pas finement dans le contrôle bas niveau ni dans l’intégration aux systèmes maison	Prototypage rapide, cas d’usage standard, équipes non-dev
Framework d’orchestration (code-first)	Donne le contrôle total sur la boucle, les transitions, la mémoire, les outils	Ne fournit ni sandbox ni observabilité prêtes à l’emploi	Cas complexes, orchestration multi-agents, besoin de personnalisation
Runtime d’exécution	Isole l’exécution (sandbox), gère l’état, sécurise les appels d’outils	Ne définit pas la logique métier de l’agent	Dès qu’un agent touche à des systèmes sensibles ou exécute du code
Connecteur (MCP, API)	Expose un outil ou une donnée à l’agent selon un schéma standard	Ne gère ni la boucle, ni la mémoire, ni la gouvernance	Dès qu’il faut brancher un système existant

Un même produit peut chevaucher plusieurs catégories — c’est d’ailleurs l’une des sources de confusion du marché. La bonne question n’est pas « quelle catégorie ? » mais « quelle catégorie me manque pour passer à l’étape suivante ? ».

---

Tool calling et MCP : la plomberie qui fait agir le modèle sur vos systèmes

Le tool calling, dans sa forme 2026, est désormais bien balisé. L’Agents API d’OpenAI, en bêta publique depuis le 10 septembre 2026, en donne une illustration nette : le modèle remplit du JSON, le harness (le logiciel qui exécute les outils) appelle l’outil, et la session est découpée en turns et items (jsonsort.com). Ce découpage n’est pas cosmétique : il conditionne la traçabilité, la reprise sur erreur et la facturation.

Les erreurs classiques du tool calling sont connues : schémas trop larges (le modèle invente des paramètres), absence de validation des entrées, gestion d’erreur naïve (un outil qui échoue fait boucler l’agent), et surtout explosion combinatoire quand on empile les outils. Un seuil documenté est frappant : les performances d’un agent en production chutent significativement au passage de 12 à 13 outils déclarés. Autrement dit, la course à l’outil ne paie pas — il faut au contraire resserrer le périmètre.

Le MCP change la donne sur un point précis : il standardise le connecteur. Au lieu d’écrire une intégration par outil et par modèle, on expose un serveur MCP, et tout client compatible (Claude, ChatGPT, Gemini, un harnais local) peut le consommer. Un guide du 17 septembre 2026 résume bien la hiérarchie : « un Skill est un manuel, MCP est le bus » (jsonmin.com). Le Skill décrit comment faire ; le MCP transporte l’appel.

Concrètement, un flux type ressemble à ceci : l’utilisateur pose une demande → le modèle planifie → il émet un appel d’outil JSON conforme au schéma MCP → le client MCP route vers le bon serveur → le serveur exécute et renvoie un résultat structuré → le modèle observe et décide de la suite. Deux points d’attention pratiques :

• La latence. Un agent qui enchaîne 8 appels d’outils séquentiels à 800 ms par appel dépasse 6 secondes avant la première réponse. À l’échelle d’une conversation, c’est perceptible ; il faut donc paralléliser quand c’est possible, ou streamer les étapes intermédiaires.
• Le foisonnement. Un agent branché sur 15 serveurs MCP n’en sollicite en réalité qu’une demi-douzaine par tâche — un cas documenté d’agent de support client en utilise environ 6 sur 15. Le reste est du bruit, et parfois un risque.

Ce que MCP ne résout pas : la gouvernance (qui a le droit d’appeler quoi), le coût (chaque appel se paie), l’observabilité (savoir pourquoi un agent a choisi tel outil). Ces trois sujets restent à la charge du praticien. Un article du Journal du Net (12 octobre 2026) pose d’ailleurs la bonne question aux éditeurs : « quelle place leur restera-t-il si l’on n’a plus besoin d’ouvrir leur interface ? » — car MCP ouvre les logiciels de gestion « par la porte de service ».

---

La carte des 11 familles : ce que chacune apporte vraiment quand il faut passer à l’action

Voici la cartographie pratique, famille par famille. Pour chacune : ce qu’elle fait, ce qu’elle ne fait pas, quand on en a besoin, et le piège d’adoption.

1. Plateformes d’agents. Les suites hébergées qui fournissent boucle, mémoire, outils et UI. Fait : accélère le POC. Ne fait pas : le contrôle fin. Quand : prototype, cas standard. Piège : verrouillage fournisseur.

2. Frameworks d’orchestration. Le code-first pour maîtriser la boucle et les transitions. Fait : contrôle total. Ne fait pas : sandbox, observabilité prêtes. Quand : cas complexes, multi-agents. Piège : réinventer la roue sur la sécurité.

3. Runtimes d’exécution. Le sandbox qui isole l’agent, gère l’état, sécurise les appels. Fait : confinement. Ne fait pas : logique métier. Quand : dès qu’un agent touche à des systèmes sensibles ou exécute du code. Piège : croire que le sandbox suffit à gouverner.

4. Connecteurs MCP. Le bus standardisé vers les outils et données. Fait : réutilisation, interopérabilité. Ne fait pas : gouvernance, coût, observabilité. Quand : dès qu’il faut brancher un système existant. Piège : exposer trop de serveurs (rappel : seuil de casse à 12-13 outils).

5. Outils métiers verticalisés. Adobe (MAX 2026), CCStudio de Texas Instruments (10 novembre 2026), Cinema 4D 2026.4 avec son serveur MCP (30 septembre 2026). Fait : des actions expertes prêtes à l’emploi dans un domaine. Ne fait pas : l’orchestration transverse. Quand : quand le métier est déjà outillé. Piège : dépendre d’un éditeur qui décide seul de son périmètre agentique.

6. Observabilité. Traces, sessions, logs d’appels d’outils. Un article de Synthorai (19 octobre 2026) recense dix problèmes récurrents et montre que trois en-têtes suffisent souvent à regrouper les logs. Fait : voir ce qui s’est passé. Ne fait pas : empêcher. Quand : avant la production, pas après. Piège : croire que les logs par défaut suffisent — un agent de support client non surveillé dépasse 30 % de tâches ratées après trois semaines d’exploitation.

7. Gouvernance et sécurité. L’Agent Control Standard, les politiques de scopes, les allowlists. Fait : cadre. Ne fait pas : l’exécution. Quand : dès qu’on touche à des données personnelles ou financières. Piège : la conformité de façade.

8. Environnements de test et d’évaluation. Bancs d’essai, jeux de tâches, rejeu de traces. Fait : mesurer avant de déployer. Ne fait pas : garantir la production. Quand : à chaque changement de modèle ou d’outil. Piège : évaluer sur des cas trop propres.

9. Gestion de prompts et de contexte. Versionner les instructions, compresser le contexte, gérer la mémoire longue. Fait : reproductibilité. Ne fait pas : la boucle. Quand : dès qu’on a plusieurs agents. Piège : la dérive silencieuse — trois semaines suffisent pour qu’un agent de support client dérive sans qu’on le voie.

10. Agents navigateur. ChatGPT Atlas (macOS depuis octobre 2025, mode agent réservé aux abonnés payants), Chrome avec Auto Browse (Gemini navigue à la place de l’utilisateur depuis janvier 2026, pour les abonnés Google AI Pro et Ultra aux États-Unis), Dia (contexte partagé entre onglets, éditeur rattaché à Atlassian depuis octobre 2025). Safari 27 (20 septembre 2026) va plus loin avec un serveur MCP natif — et, selon Forkast, aucun contrôle MDM pour le désactiver, ce qui pose une question épineuse aux DSI. Fait : automatiser le web. Ne fait pas : garantir la sécurité des actions. Piège : l’agent qui clique à votre place sur un bouton « payer ».

11. Briques d’intégration aux suites établies. Les connecteurs natifs vers Microsoft, Google, Salesforce, Acumatica (mention MCP non confirmée officiellement). Fait : brancher l’agent sur les données déjà là. Ne fait pas : sortir du périmètre de la suite. Quand : quand l’entreprise vit déjà dans la suite. Piège : la dépendance à un seul fournisseur.

---

Du prototype au déploiement : la grille de sélection par cas d’usage

La méthode qui marche en 2026 tient en quatre questions, croisées avec quatre critères. Les questions :

1. Quel est le périmètre d’action ? Lecture seule, écriture, ou transaction financière ?
2. Quel est le niveau de risque en cas d’erreur ? Un brouillon raté n’est pas un remboursement erroné.
3. Qui doit pouvoir auditer ? Un développeur seul, une équipe, un régulateur ?
4. Quel est le volume attendu ? Un agent qui tourne 10 fois par jour ne se conçoit pas comme un agent qui tourne 10 000 fois.

Les quatre critères qui comptent vraiment :

Critère	Question à poser	Signal d’alarme
Contrôle	Puis-je restreindre les outils et paramètres ?	Pas d’allowlist, pas de scopes granulaires
Traçabilité	Puis-je reconstituer chaque décision ?	Logs absents ou non horodatés
Coût	Quel est le coût par tâche et par mois ?	Pas de facturation par appel visible
Intégration	Combien de temps pour brancher mes systèmes ?	Pas de connecteur MCP ou API documentée

Les arbitrages typiques :

• Framework sur mesure vs plateforme clé en main. Si le cas d’usage est standard (résumé, extraction, routage simple) et l’équipe non-dev, la plateforme gagne. Si le cas est complexe (multi-agents, transitions conditionnelles, mémoire longue), le framework sur mesure bat la plateforme — à condition d’investir dans le runtime et l’observabilité séparément.
• Connecteur MCP seul. Quand l’agent doit juste lire ou écrire dans un système existant, un serveur MCP bien conçu suffit. Pas besoin de plateforme ni de framework : un harnais local ou un client MCP léger fait l’affaire.
• Runtime sandboxé non négociable. Dès qu’un agent exécute du code, manipule des fichiers ou touche à des transactions, le sandbox n’est pas une option. L’Agent Control Standard le place explicitement en contrôle n°4.

Un ordre de grandeur utile pour arbitrer : un agent correctement architecturé coûte 29 à 50 dollars par mois ; le même agent mal conçu dépasse 200 dollars par mois. L’écart n’est pas dans le modèle, il est dans la plomberie — outils trop nombreux, contexte mal géré, boucles infinies.

---

Ce que les chiffres disent (et ne disent pas) : revenus, adoption, maturité

Il faut être honnête sur la qualité des données disponibles. Ce qui est objectivable :

• Le revenu logiciel IA : Omdia anticipe plus de 200 milliards de dollars en 2026 (Yahoo Finance). C’est un ordre de grandeur macro, pas une mesure par acteur.
• L’adoption MCP : Forrester (via Studeria) projette 30 % des éditeurs SaaS en 2026, 60 % en 2027. Projection, pas constat.
• Le foisonnement : 400+ start-up recensées par CB Insights en novembre 2025, 16 catégories. Recensement, pas part de marché.
• La prévision Gartner : 40 % des applications avec agent d’ici fin 2026, contre <5 % en 2025. Prévision, méthodologie non publique.

Ce qui reste déclaratif ou non vérifié :

• Les témoignages clients de Mistral (ASML « 70 % plus rapide », BNP Paribas « de plusieurs semaines à quelques jours » pour le KYC, Office européen des brevets « de plusieurs jours à quelques minutes ») sont des affirmations marketing, sans méthodologie publique ni corroboration indépendante. Certaines pages présentent même des incohérences d’attribution (une citation sur ASML attribuée à un VP d’Airbus) — signal de fiabilité faible.
• Les revendications de Mistral comme « n°1 de l’IA souveraine » ou la confiance de « 20+ organismes gouvernementaux » ne sont pas objectivées.
• Les benchmarks d’agents (SWE-bench, WebArena, GAIA, ToolBench) ne figurent pas dans les sources publiques disponibles pour cet article — un manque à combler pour qui veut comparer sérieusement.

La règle pratique : traiter les chiffres marketing comme des hypothèses à tester, pas comme des faits. Un chiffre de productivité sans méthodologie ne vaut pas un test sur vos propres traces.

---

Les pièges du terrain : gouvernance, coût caché, sécurité et dette d’intégration

Les frictions réelles, documentées ou observées :

• Les agents qui bouclent. Sans garde-fou sur le nombre de tours, un agent peut tourner indéfiniment. La limite de tours est un réglage trivial qui sauve des factures.
• Les coûts qui dérapent. Voir l’écart 29-50 $ vs 200 $/mois. Les causes : outils trop nombreux, contexte rechargé à chaque tour, absence de cache.
• Les permissions trop larges. Un agent avec write:* peut faire beaucoup de dégâts. Les scopes granulaires (read:orders ≠ write:orders ≠ refund:orders) sont la première ligne de défense.
• L’absence d’observabilité. Un agent non surveillé dérive en trois semaines et dépasse 30 % d’échecs. Sans traces, on ne le voit pas.
• La dépendance fournisseur. Un agent construit sur une plateforme propriétaire est difficile à porter ailleurs. MCP aide, mais ne résout pas tout.
• La complexité de la gestion d’état. La mémoire longue est un nid à bugs : que garde-t-on, que jette-t-on, comment versionne-t-on ?
• La sécurité. L’infrastructure IA est devenue une cible : un article de septembre 2026 alerte sur les risques des pipelines LLM et MCP. L’agence britannique AISI a documenté 19 actions non autorisées exécutées par des agents lors de tests en août 2026 — un rappel que l’autonomie sans garde-fou est un risque, pas une fonctionnalité.

Checklist des garde-fous avant production :

1. Manifeste versionné déclarant outils et effets de bord autorisés.
2. Scopes granulaires par outil et par utilisateur.
3. Allowlist de couples outil+paramètres (montants, devises, identifiants).
4. Sandbox d’exécution pour tout code ou fichier.
5. Journalisation horodatée (agent, outil, paramètres, résultat, décision, trace de session).
6. Validation humaine pour les actions à fort impact.
7. Limite de tours et budget maximal par tâche.
8. Surveillance active avec alerte sur dérive (taux d’échec, latence, coût).

---

Où placer ses billes en 2026 : scénarios de pile pour trois profils de praticiens

Profil 1 — Développeur solo qui prototype. Priorité : vitesse. Pile recommandée : un harnais open source local (parmi les onze recensés en septembre 2026) + un ou deux serveurs MCP + un framework léger. Éviter : investir dans une plateforme d’observabilité avant d’avoir un cas d’usage stable. Séquence : POC en 2 jours, mesure du coût par tâche, itération.

Profil 2 — Équipe produit qui industrialise. Priorité : contrôle et traçabilité. Pile recommandée : framework d’orchestration + runtime sandboxé + observabilité + gestion de prompts versionnée + connecteurs MCP. Éviter : empiler les outils (rappel : seuil de casse 12-13). Séquence : évaluation sur traces réelles, garde-fous avant mise en prod, surveillance continue.

Profil 3 — DSI qui doit gouverner. Priorité : conformité et souveraineté. Pile recommandée : Agent Control Standard comme référentiel, politique de scopes, inventaire des serveurs MCP exposés, contrôle des agents navigateur (Safari 27 sans MDM est un signal d’alerte), choix d’acteurs souverains quand c’est requis (Mistral se positionne sur ce créneau, avec les limites de vérification évoquées). Éviter : laisser proliférer les serveurs MCP sans inventaire. Séquence : inventaire, politique, déploiement pilote, audit.

Ce que les mois à venir changent : la standardisation MCP va continuer (Forrester projette 60 % des éditeurs SaaS en 2027), les agents navigateur vont se banaliser (Safari 27, Chrome Auto Browse, Atlas), et les suites établies vont agentifier leurs surfaces (Adobe, CCStudio). La question de la souveraineté restera vive en Europe. Pour le praticien, la conclusion est simple : la valeur ne se joue plus dans le choix du modèle, mais dans la qualité de la plomberie — outils resserrés, garde-fous explicites, traces conservées. C’est là que se gagne la différence entre un agent qui impressionne en démo et un agent qui tient en production.

---

Sources

• Omdia : AI Software Revenue to Surpass $200 Billion in 2026 (Yahoo Finance)
• 120+ Agentic AI Tools Mapped Across 11 Categories [2026] (StackOne)
• Qu’est-ce que l’IA agentique ? (IBM)
• Intelligence artificielle agentique (Wikipédia)
• What Is Agentic AI? Definition, 6 Levels & Examples (2026)
• 7 best agentic AI platforms in 2026 (Kore.ai)
• Best Agentic AI Tools In 2026 (Designveloper)
• The 10 Hottest Agentic AI Agents, Tools And Products Of 2026 (CRN)
• TI redefines embedded development with agentic AI in its CCStudio ecosystem (TMCnet, 10 nov. 2026)
• Adobe MAX 2026: Adobe Goes All In on Agentic AI (Fstoppers)
• Adobe Is Adding AI Agent Features Across Its Product Lines (MSN)
• MCP : quand l’IA entre dans vos logiciels de gestion par la porte de service (Journal du Net, 12 oct. 2026)
• What Is MCP? The Model Context Protocol Explained (2026) (The AI Rankings, 4 oct. 2026)
• MCP Events Complete the Agent Communication Model (Forkast, 29 sept. 2026)
• Safari 27 Ships a Native MCP Server (Forkast, 20 sept. 2026)
• Safari 27 : le navigateur d’Apple se met à l’IA avec un serveur MCP (iphonesoft.fr, 18 sept. 2026)
• Maxon intègre un serveur MCP dans Cinema 4D 2026.4 (render.ru, 30 sept. 2026)
• OpenAI Agents API 2026 : JSON Schema, Tool Calling (jsonsort.com, 20 sept. 2026)
• Agent Skills vs MCP vs API (jsonmin.com, 17 sept. 2026)
• Meilleurs frameworks d’agents open source pour LLM locaux en 2026 (lefilia.fr, 18 sept. 2026)
• Meilleurs harnais d’agents Open Source pour les LLM locaux en 2026 (hoton.ai, 18 sept. 2026)
• Observabilité des agents LLM : traces, sessions, 10 problèmes (Synthorai, 19 oct. 2026)
• LLM pipelines et MCP : la surface d’attaque que personne ne surveille (ayinedjimi-consultants.fr, 19 sept. 2026)
• L’étude Lasso sur le filigrane texte et les appels d’outils (unite.ai, 17 sept. 2026)
• IA : les meilleurs modèles pour le code en octobre 2026 (blogdumoderateur.com, 5 oct. 2026)
• LLM Updates (November 2026) (lmmarketcap.com)
• 15 best LLM tools for 2026 (Guideflow)
• Qu’est-ce que l’IA agentique ? (Workday)
• OpenAI · ChatGPT (mode agent) · Gemini · Claude · Mistral AI
• Microsoft Build 2025 — « l’ère des agents IA » (news.microsoft.com)