Les racines des graphes de connaissances dans l’IA agente : FIPA, le Web sémantique et les agents LLM

En lisant suffisamment d’articles récents sur l’IA agente, on ressent une étrange sensation : beaucoup de ces textes évoquent des concepts apparus lors d’une conférence en 2003. Des agents qui décrivent leurs capacités de manière lisible par machine. Des agents qui se trouvent les uns les autres grâce à un annuaire. Des vocabulaires partagés permettant à deux systèmes de s’accorder sur la signification d’un message. Des protocoles standard pour la négociation. Tout cela est de retour, sous un nouveau vocabulaire et fonctionnant avec un moteur complètement différent.

Cet article examine cette superposition. Il retrace les travaux anciens sur les agents et le web sémantique, les compare à ce qui est mis en œuvre aujourd’hui, et se demande quels aspects représentent une véritable continuité et lesquels ne sont que des similitudes. Il analyse également le domaine où les deux époques divergent le plus fortement, à savoir la sécurité.

À quoi ressemble la vague actuelle

Quelques développements survenus au cours des dernières années éclairent ce contexte.

Des chercheurs en sécurité ont publié des benchmarks adversariaux montrant que les agents de pointe peuvent être poussés à adopter des comportements nocifs bien trop facilement lorsqu’ils sont testés délibérément. Microsoft a mis à disposition POML, un langage de balisage inspiré de XML pour orchestrer les agents LLM. Google a introduit le protocole Agent2Agent (A2A), annonçant des dizaines d’organisations partenaires au lancement, dans le but de standardiser la manière dont les agents communiquent entre eux. NVIDIA affirme que l’association de modèles de langage à des graphes de connaissances aide à réduire les hallucinations.

Chacun de ces éléments aurait été reconnaissable pour un chercheur d’il y a vingt ans. Vers 2006, quelques personnes plaidaient déjà en faveur du même ensemble de solutions : un marquage structuré pour décrire le comportement des agents, des protocoles de communication standardisés, ainsi que des significations ancrées dans des ontologies. Un essai de cette année-là, portant sur XML et l’intelligence artificielle, soutenait que les machines auraient besoin précisément de cela pour faire face à l’immense quantité d’informations sur le Web. Le style était grossier selon les normes actuelles, mais la direction était claire : des agents logiciels circulant sur un Web ouvert et chaotique, négociant au nom des humains, ce qui nécessitait un langage partagé et structuré pour coopérer à grande échelle.

Le secteur a emprunté une autre voie. Les réseaux neuronaux ont pris le dessus en tant que cœur cognitif. Aujourd’hui, les problèmes associés reviennent, accompagnés de certains des anciens erreurs.

L’état d’esprit de 2006

Pour comprendre à quel point la vision basée sur les agents et les ontologies était démodée, imaginez cette époque : c’était l’apogée du Web 2.0. L’attention se portait sur les interfaces AJAX, les plateformes sociales et les contenus créés par les utilisateurs. Google venait de payer 1,65 milliard de dollars pour YouTube. Facebook s’ouvrait à tous. Twitter était encore nouveau.

La théorie dominante affirmait que le Web était un espace où les gens publiaient et partageaient des contenus, et non un système où des machines coordonnaient seules leurs actions. Les idées relatives au web sémantique, aux systèmes d’agents et aux ontologies formelles semblaient à de nombreux observateurs de simples passe-temps académiques, trop complexes pour être utilisés dans la réalité ; les commentateurs se demandaient ouvertement si quelqu’un en dehors des universités utiliserait réellement RDF ou OWL en production.

Néanmoins, une minorité estimait que le Web deviendrait finalement un environnement où des services et des informations seraient publiés afin que des logiciels puissent les trouver et les combiner. Si l’on enlève les expressions désuètes, cela ressemble exactement à la manière dont on décrit aujourd’hui les systèmes LLM multi-agents et les « réseaux d’agents ».

Le vieux kit d’outils

Cette vision n’était pas vague : elle s’appuyait sur des normes et des plateformes concrètes.

FIPA, la Fondation pour les Agents Physiques Intelligents, a défini un langage de communication pour les agents comprenant 22 actes de parole : informer, demander, proposer, accepter, refuser, interroger, confirmer, déconfirmer, et bien d’autres. Il ne s’agissait pas simplement d’un format de message ; c’était un cadre de communication doté d’une sémantique formelle inspirée de la théorie des actes de parole, permettant ainsi aux agents de négocier, de former des coalitions et de suivre leurs engagements, obligations et autorisations au cours d’échanges multiples. De grandes entreprises, dont IBM, HP et BT, ont soutenu des plateformes conformes aux normes FIPA.

OWL-S, un profil de langage d’ontologie web destiné aux services, permet aux agents de localiser, appeler et composer des services web à partir de descriptions sémantiques des entrées, des sorties, des préconditions et des effets. La démonstration standard présentait un agent de voyage capable de trouver seul des vols, des hôtels et des voitures de location, de les combiner en un itinéraire et de le mettre en œuvre pour l’utilisateur, sans aucune intégration codée manuellement.

AIML, un langage de balisage XML pour le comportement conversationnel, a permis le fonctionnement du chatbot ALICE, qui a remporté le prix Loebner à trois reprises.

RDF et OWL ont donné aux agents les moyens de partager du sens et non seulement de la syntaxe, grâce à des bases de données triplées et à des moteurs SPARQL pour le raisonnement distribué.

Les outils de répertoire ont agi comme des pages jaunes pour les agents. Dans le cadre de la conception de gestion des agents de FIPA, un agent pouvait enregistrer ce qu’il offrait sous forme de description structurée et rechercher des pairs selon leurs capacités, à l’instar de la découverte de services dans les infrastructures modernes.

Le développeur de l’époque ne disposait ni de transformateurs ni de clusters GPU. Ce qu’il avait, c’était une intuition composée de trois éléments : le web deviendrait trop vaste et trop rapide pour être géré directement par les humains ; il faudrait des agents capables de percevoir, de raisonner et d’agir à notre place ; et ces agents auraient besoin de protocoles, de représentations et de sémantiques communs.

Où ces modèles sont réapparus, de la balise à les graphes de connaissances

D’ici 2025, une grande partie de cela est réapparue, sous une nouvelle forme.

D’abord les balises structurées. POML utilise des balises similaires à XML pour définir des workflows d’agents complexes, et il a été intégré aux outils de VS Code. L’Agent Script de Salesforce définit le comportement, les rôles et la coordination grâce à une syntaxe déclarative de type balise. Même les conseils concernant les prompts de routine vous indiquent désormais d’encadrer les étapes de raisonnement, le contexte et les contraintes de sortie dans des balises. Un squelette de prompt typique ressemble à ceci :

(`<context>`, <instructions>, <examples>, <output>)

C’est une petite chose, mais c’est le même instinct que celui utilisé dans les anciennes méthodes de marquage pour les agents : fournir au modèle une structure qu’il ne peut pas interpréter de manière erronée.

Ensuite, la coordination basée sur les rôles. AutoGen et CrewAI attribuent des fonctions spécialisées telles que planificateur, critiqueur, exécutant et chercheur, et les agents communiquent par le biais de messages structurés. C’est là encore le schéma FIPA : des agents hétérogènes dotés de capacités déclarées, coordonnés via un registre central. La spécialisation des rôles, les répertoires de capacités, la coordination par messages et l’orchestration en plusieurs étapes sont tous des modèles identiques.

Puis il y a les protocoles. A2A permet aux agents de décrire leurs capacités, de se découvrir les uns les autres et de coopérer au-delà des frontières de l’entreprise. Les chiffres de lancement tiennent compte des engagements des partenaires, et non de l’adoption en production, qui n’a pas encore été publiée. Le Agent Network Protocol utilise des identifiants décentralisés W3C ainsi que JSON-LD pour fournir aux agents des descriptions lisibles par les machines, couvrant leurs compétences, leurs certificats de confiance et leurs préférences de coordination. Le standard Agent Communication Protocol de la Linux Foundation normalise les formats de messages entre les agents. Fonctionnellement, ceux-ci correspondent au système de gestion des agents et d’animation de répertoires de FIPA, réadapté pour un monde basé sur JSON-LD et les modèles de langage grands linguistiques.

Enfin, les graphes de connaissances. NVIDIA, Franz Inc. et d’autres recommandent de combiner les LLM avec des graphes de faits vérifiés afin de fonder le raisonnement, de limiter les hallucinations et de rendre les inférences explicites. Des études sur les systèmes neuro-symboliques indiquent que les systèmes hybrides ont tendance à surpasser ceux de type purement neuronal dans les tâches nécessitant une précision factuelle, un raisonnement logique et une généralisation à de nouvelles combinaisons. Les réductions des hallucinations rapportées varient considérablement selon le domaine et le benchmark, il convient donc d’aborder avec prudence tout pourcentage isolé. La direction des preuves est plus fiable que n’importe quel chiffre en particulier.

Quelles erreurs a commises la vision de 2006

La vieille prédiction a manqué son but à plusieurs endroits, et certaines de ces erreurs étaient réelles.

XML devait être le support dominant pour les agents et le DOM une interface commune. Ce ne fut pas le cas. Les formats par défaut se révélèrent être JSON, gRPC, Protobuf et les embeddings vectoriels. La réflexion s’est d’abord tournée vers l’apprentissage profond, puis vers les transformers, et enfin vers les LLM. Les graphes de connaissances ont survécu, mais en tant que simple élément au sein d’un cadre neuro-symbolique plus large.

Il y a également eu une erreur conceptuelle fondamentale : l’idée que XML fournissait lui-même la sémantique. Ce n’est pas le cas. XML fournit uniquement la syntaxe et la structure arborescente. Dès lors, les chercheurs sérieux sur le web sémantique insistaient sur la nécessité d’ontologies partagées et de sémantiques formelles en complément, ce qui plaçait ce domaine en avance sur les amateurs à cet égard.

Ainsi, les grandes lignes étaient prévisibles, tandis que l’ampleur des éléments de l’ancien stack qui devaient être abandonnés, ainsi que la quantité de nouvelles mathématiques, de matériel et d’ingénierie nécessaires, ont été gravement sous-estimées.

Cinq problèmes qui n’ont jamais changé

Au cours d’environ vingt-cinq ans de conception d’agents, depuis FIPA au début des années 2000 jusqu’à l’IA agentielle moderne, cinq problèmes de conception reviennent constamment. Si l’on les compare, la liste est courte :

ARCHITECTURAL PATTERN EVOLUTION: 2006 → 2025 ## Structured Markup 2006: XML for agent behaviour 2025: POML, Agent Script, XML-tagged prompts Status: Vindicated ## Discovery/Directory Services 2006: FIPA Directory Facilitator 2025: Agent Description Protocol (ANP), A2A directories Status: Vindicated ## Semantic Grounding 2006: RDF/OWL ontologies 2025: JSON-LD, schema.org, KG-LLM integration Status: Transformed but persists ## Communication Protocols 2006: FIPA-ACL 22 performatives 2025: MCP, A2A pragmatic protocols (fewer acts) Status: Simplified but core idea persists ## Perception-Action Loops 2006: FIPA observe-reason-act 2025: ReAct (Observe-Think-Act), tool-use frameworks Status: Fully realised

Le marquage structuré représente la solution la plus adaptée. XML, utilisé en 2006 pour décrire le comportement des agents, a été remplacé par POML, des scripts d’agent et des instructions encadrées par des balises, de sorte que cette approche est revenue presque littéralement.

La découverte arrive en deuxième position. Le mécanisme de répertoire de FIPA remplissait la même fonction que les répertoires A2A et les descriptions d’agent dans ANP aujourd’hui : publier ce que l’on peut faire afin que d’autres puissent le rechercher.

Le fondement sémantique a plus changé de forme que les autres approches. Les ontologies RDF et OWL ont cédé la place à JSON-LD, aux vocabulaires schema.org et aux graphes de connaissances intégrés aux LLM. La couche formelle complexe a réduit, mais le besoin de significations partagées est resté intact.

Les protocoles de communication sont devenus plus simples. FIPA-ACL comptait 22 types de messages. MCP et A2A se contentent de beaucoup moins de types de messages et adoptent une approche bien plus pragmatique, tout en restant nécessaires pour la même raison : deux programmes provenant de fournisseurs différents doivent s’accorder sur la finalité d’un message.

Le cycle perception-action est celui qui est revenu entièrement formé. Le cycle observer, raisonner, agir de FIPA correspond au cycle observer, réfléchir, agir de ReAct, avec en plus un cadre d’utilisation d’outils autour de celui-ci.

Les syntaxes ont changé, les formats de sérialisation ont changé et les moteurs de raisonnement ont complètement changé. Les questions sont restées structurellement les mêmes : comment un agent se décrit, comment les agents se trouvent, comment ils coordonnent leurs actions, comment les services sont composés et comment le sens partagé reste intact.

Il y a une précision à faire. La continuité et la modernisation sont deux choses distinctes. Un schéma XML et un schéma JSON décrivent tous deux des données structurées, mais les philosophies qui les sous-tendent diffèrent : formelles et rigoureuses d’un côté, légères et pragmatiques de l’autre. De nombreux développeurs contemporains redécouvrent également ces modèles de leur propre chef, sans s’appuyer sur FIPA ou le web sémantique. Il s’agit d’une évolution convergente sous les mêmes contraintes, ce qui dit peu sur l’origine de ces approches.

L’IA agente, telle qu’elle est définie aujourd’hui

Les études récentes décrivent l’IA agente comme des systèmes dans lesquels des agents basés sur des LLM perçoivent, planifient, agissent et apprennent avec une certaine autonomie. Les entreprises parlent de réseaux d’agents, des réseaux distribués d’agents couvrant des outils, des sources de données et des flux de travail. Une étude menée par McKinsey en 2025 auprès d’environ 1 100 organisations a révélé que juste un peu plus de la moitié utilisaient l’IA agente sous une forme ou une autre en environnement de production. Le problème, c’est que le terme « production » y inclut les projets pilotes et les déploiements limités, ce qui ne signifie pas une mise en œuvre à l’échelle de l’entreprise.

Planification

C’est dans la planification que cette convergence se manifeste le plus clairement. Une étude de 2024 sur la planification basée sur des LLM classe ces méthodes en cinq familles :

1. La décomposition des tâches, qui consiste à diviser un objectif global en sous-objectifs.
2. La recherche de plan, qui explore différentes séquences d’actions possibles.
3. Les planificateurs externes, qui intègrent des systèmes classiques PDDL ou des réseaux hiérarchiques de tâches.
4. Retour d’information et réflexion, qui affinent un plan à partir des résultats de son exécution.
5. Planification basée sur la mémoire, qui récupère et adapte des plans antérieurs.

Chacun de ces éléments a un équivalent dans la littérature sur les agents des années 2000, sous des noms tels que la planification HTN, le raisonnement basé sur des cas et la réparation de plans. Les difficultés sous-jacentes sont également communes : explosion combinatoire, informations incomplètes et environnements en évolution. Ce qui diffère, c’est le substrat. Les LLM élaborent et affinent désormais des plans en langue naturelle plutôt qu’avec des outils de planification symboliques, et des appels d’outils ainsi que des boucles de retour d’information les ancrent dans la réalité.

Le modèle ReAct proposé par Yao et ses collaborateurs rend ce lien explicite. L’agent observe, enregistre une trace de raisonnement, choisit une action, observe le résultat et répète le processus. Il s’agit du vieux cycle percevoir, raisonner, agir autour duquel étaient construites les architectures FIPA. Le moteur de raisonnement est nouveau, mais le cycle lui-même non.

Orchestration versus chorégraphie

Un argument datant de l’époque des services web est réapparu. L’orchestration fait appel à un contrôleur central pour diriger les interactions, comme le faisaient les workflows BPEL. La chorégraphie permet aux participants de coordonner leurs actions directement entre eux en utilisant des protocoles partagés et des engagements mutuels. La littérature sur BPEL et la chorégraphie des services web entre 2005 et 2010 a longuement débattu de ce sujet, et le même débat se poursuit aujourd’hui, mais cette fois avec les LLM comme noyau cognitif, en remplacement des moteurs de règles et des plateformes d’agents Java.

Modèles petits pour des tâches routinières

Une découverte récente modifie la vision de ce dont a besoin un agent. Les chercheurs d’NVIDIA affirment que de nombreuses tâches agentes routinières n’ont pas besoin de modèles avancés. Des modèles comptant de un à dix milliards de paramètres peuvent gérer l’invoque d’outils, la validation des entrées, le formatage des sorties et un routage simple, avec un avantage coûteux prétendu de dix à trente fois par rapport aux modèles plus gros pour des tâches restreintes où ils sont comparables à ces derniers. Cet avantage diminue à mesure que les tâches deviennent plus complexes, ce qui en fait une solution non universelle.

Le schéma qui émerge est donc mixte : les petits modèles s’occupent des opérations routinières, des appels API, des vérifications de données et d’un routage simple, tandis que les grands modèles sont réservés au raisonnement complexe, aux situations d’ambiguïté et aux problèmes inconnus. Cela rappelle la séparation des années 2000 entre des agents réactifs légers pour les tâches courantes et des agents délibératifs dotés de planificateurs puissants pour une coordination difficile.

Lorsque la comparaison devient délicate

La sécurité et la gouvernance sont les domaines où la vision moderne s’éloigne le plus de la vision ancienne, car elles se sont développées bien plus lentement que les capacités.

AgentHarm, un benchmark développé par Andriushchenko et ses co-auteurs, évalue dans quelle mesure les agents de langage large peuvent être poussés à entreprendre des actions nuisibles. Il couvre 110 tâches réparties en 11 catégories, notamment la fraude, la cybercriminalité, le harcèlement, la désinformation et d’autres abus. Testé sur les modèles les plus performants, ces agents ont accompli de nombreuses tâches nocives même lorsque des mécanismes de protection étaient activés. Les études de test menées par Anthropic ont révélé des faiblesses similaires : des méthodes de contournement qui échouent sur les chatbots ordinaires peuvent fonctionner sur ces agents, car un système multi-étapes utilisant des outils expose une surface d’attaque plus grande. OS-Harm, conçu pour des agents utilisant un système d’exploitation directement, a constaté des taux élevés de comportements dangereux lorsque les modèles étaient délibérément incités à effectuer des actions telles que l’exfiltration de données ou l’accès non autorisé.

Assurez-vous que le cadre reste bien droit. Il s’agit de benchmarks adversariaux conçus pour provoquer des échecs, donc des taux d’échec élevés sont attendus. Néanmoins, la facilité avec laquelle on peut injecter des instructions de base, ainsi que la disposition à exécuter des demandes malveillantes sans attaque sophistiquée, indiquent que les mécanismes de sécurité sont immatures par rapport aux progrès réalisés en termes de capacités.

Comparez cela à l’époque de FIPA. Les spécifications couvraient les politiques de contrôle d’accès, les modèles de confiance et les protocoles d’interaction incluant l’authentification, l’autorisation et les journaux d’audit. Les agents fonctionnaient au sein de domaines de confiance définis, avec des restrictions explicites sur leurs actions, et la pile du web sémantique intégrait des politiques formelles rédigées dans des langages de règles. Ces systèmes étaient bien moins performants que les modèles d’aujourd’hui, mais la gouvernance y était intégrée dès le départ plutôt que rajoutée ultérieurement.

Tout ceux qui ont observé le passage de trois vagues technologiques (l’IA symbolique classique, les agents web distribués avec le web sémantique, et aujourd’hui les agents pilotés par des LLM) remarqueront que les slogans ont changé à chaque fois, tandis que les problèmes architecturaux sont restés les mêmes. L’identité, les permissions et l’audit constituaient déjà des défis majeurs en 2005, et ce sont toujours des défis aujourd’hui, sauf que désormais il s’agit d’agents capables de dépenser réellement de l’argent.

Le schéma actuel est préoccupant. Les capacités de ces agents ont explosé : ils peuvent naviguer, exécuter du code et effectuer des paiements. En revanche, les méthodes formelles permettant de vérifier leur comportement ou de les contraindre à agir dans des zones sûres restent rares.

Neuro-symbolique : agents LLM associés à des graphes de connaissances

Une façon utile de décrire l’ensemble de ce parcours est à travers la thèse, l’antithèse et la synthèse.

• Les années 2000 étaient symboliques : ontologies formelles, raisonnement basé sur la logique et règles conçues manuellement. Leurs forces résidaient dans l’explicabilité, la vérification formelle et une sémantique précise. Leurs faiblesses étaient la fragilité, une faible capacité de généralisation et l’incapacité à gérer le langage naturel de manière fiable.
• Les années 2010 étaient axées sur les réseaux neuronaux : apprentissage profond, embeddings et entraînement bout en bout. Leurs forces étaient la reconnaissance de motifs, la maîtrise du langage et la généralisation à partir des données. Leurs faiblesses étaient l’opacité, les hallucinations, une logique instable et des difficultés avec les tâches composées.
• Les années 2020 vont vers des hybrides qui combinent des modèles neuronaux avec des graphes de connaissances, des contraintes logiques et des méthodes formelles, dans le but de conserver la fluidité tout en ajoutant des faits fondés, un raisonnement solide et de l’explicabilité.

Un nombre croissant de recherches en neuro-symbolique vient étayer cette thèse. Les études décrivent plusieurs modèles d’intégration, notamment l’incorporation de connaissances symboliques dans des modèles neuronaux, laisser les composants neuronaux guider le raisonnement symbolique, ainsi que le perfectionnement des résultats par alternance entre les deux approches. Les systèmes combinant ces deux styles ont tendance à surpasser les solutions purement neuronales ou purement symboliques lorsque l’exactitude factuelle et le raisonnement logique sont importants.

L’intégration AllegroGraph de Franz Inc. avec les modèles de langage grand public en est un exemple concret. Un stockage de triples RDF contient des faits structurés, le modèle de langage interprète les questions et rédige les réponses, et le résultat peut citer les triples spécifiques à l’origine d’une affirmation, assurant ainsi à la fois fluidité et vérifiabilité.

Les modes de défaillance des agents LLM purs sont bien documentés. Des études sur la réponse à des questions médicales et des tâches juridiques ont montré que des modèles inventent des contre-indications, des doses et même des affaires judiciaires, à des taux qui dépendent fortement du domaine et de la conception de l’étude. Ce ne sont pas des cas limites rares ; ils découlent du fonctionnement même des modèles : ce sont des outils de correspondance de motifs entraînés sur du texte, et non des raisonneurs ayant accès à des faits vérifiés. Les graphes de connaissances offrent des triples vérifiés, des métadonnées sur l’origine des informations et des contraintes logiques, ce qui permet à un système de distinguer une affirmation plausiblement formulée d’une affirmation vérifiable.

Ce que les concepteurs peuvent en tirer

Si vous concevez un système d’agents aujourd’hui, l’histoire suggère quelques habitudes peu coûteuses mais très utiles à long terme.

Notez comment chaque agent se décrit. Une description des capacités que un autre système peut lire, incluant les entrées, les sorties et les préconditions, est l’héritière moderne d’un profil de service, et c’est elle qui rend possible la découverte et la composition. Sans elle, chaque intégration reste unique et isolée.

Décidez dès le début de la manière dont le sens sera partagé. Lorsque deux agents échangent un champ appelé « status » ou « customer », il faut définir précisément ce que ces termes désignent. Un schéma constitue le minimum requis. Lorsque les enjeux sont plus importants, une petite ontologie ou un graphe de connaissances consulté par les deux parties empêche l’évolution progressive selon laquelle chaque agent adopte silencieusement une définition différente.

Choisissez délibérément un style de coordination. Un orchestrateur central est plus facile à comprendre, à auditer et à déboguer. La chorégraphie pair-à-pair s’adapte à différentes organisations et évite un point unique de défaillance, mais elle est plus difficile à observer. La communauté des services web l’a appris à ses dépens, et cette leçon reste inchangée.

Considérez la gouvernance comme une architecture. L’identité de chaque agent, des permissions ciblées, un historique des actions ainsi qu’un moyen de vérifier son comportement sont bien moins coûteux à concevoir qu’à mettre en place après un incident. Les anciennes plateformes d’agents disposaient souvent de ces éléments, car leurs créateurs prévoyaient que ces agents fonctionneraient au-delà des frontières de confiance dès le premier jour.

Enfin, adaptez le modèle à la tâche. Réservez le moteur de raisonnement coûteux aux travaux qui en ont besoin et laissez les composants petits et peu chers s’occuper des tâches routinières. Cela rend les systèmes plus rapides et moins coûteux, et cela limite également les capacités de chaque composant individuel.

Pas une célébration

Rien de tout cela n’a pour but de romantiser le passé. Le web sémantique n’a jamais été adopté à grande échelle dans l’industrie, et les raisons en étaient valables. Il était complexe, lent, manquait de masse critique, et les normes promettaient plus que ce que la pratique chaotique pouvait offrir. Les modèles de langage ont accompli ce que ces systèmes n’ont jamais réussi à faire, à savoir gérer le langage naturel de manière fiable et à grande échelle. C’est ce qui distingue les outils spécialisés des infrastructures capables de changer le monde.

La conclusion logique n’est pas que les premiers défenseurs avaient raison et que tous les autres sont arrivés en retard. Elle est plutôt la suivante :

• Le noyau cognitif a changé, passant de la logique et de règles manuellement définies à des modèles neuronaux qui apprennent à partir des données.
• Les problèmes d’infrastructure n’ont pas changé.
• L’interopérabilité, la sémantique, la coordination, la sécurité et la gouvernance nécessitent toujours une conception technique explicite.

Être en avance et avoir raison de manière utile sont deux choses différentes. Une tentative en 2006 visait à créer une interface d’intelligence artificielle entre différents types de langages, machine et humain, en utilisant XML. Aujourd’hui, cette tâche relèverait de schémas JSON, de bases de données vectorielles, de graphes de connaissances et d’un protocole partagé comme A2A ou MCP. L’instinct reste le même : mettre l’interface au point correctement.

Points aveugles dignes d’être mentionnés

Les revues de conception et les forums d’architecture d’aujourd’hui contiennent des affirmations qui résonnent avec ce qui était dit à propos du web sémantique il y a vingt ans. Des progrès réels existent : des transformateurs, des agents autonomes capables et de grandes implémentations. Il existe également des lacunes familières :

• Des stratégies d’interopérabilité faibles ou absentes.
• Petite attention portée à la sémantique formelle ou aux ontologies.
• Une gouvernance considérée comme un simple enveloppement plutôt que comme une couche architecturale.

Trois scénarios plausibles montrent ce qui se passerait si ces lacunes persistaient. Aucun d’eux n’est une prédiction, mais seulement une extrapolation de la trajectoire actuelle.

Le premier problème est la Tour de Babel. Chaque fournisseur développe ses propres systèmes d’agents propriétaires, de sorte que les agents d’une entreprise ne peuvent pas communiquer avec ceux d’une autre ni utiliser leurs outils. L’informatique d’entreprise se transforme ainsi en un mélange hétéroclite de plateformes incompatibles, où chaque connexion entre deux systèmes nécessite une intégration sur mesure, entraînant des coûts d’intégration bien plus élevés, une perte de productivité et des frais perçus par des consultants.

Le deuxième problème est une crise de sécurité. Une flotte d’agents de production au sein d’une société financière est compromise par injection de commandes et exécute des transactions non autorisées d’une valeur de millions. Aucune trace d’audit n’existe, car la vérification formelle a été jugée trop coûteuse et inutile étant donné la complexité supposée des grands modèles de langage. Cela entraîne des amendes réglementaires, une perte de confiance des clients, le départ des dirigeants et une réaction négative dans l’ensemble de l’industrie.

Le troisième problème est celui des hallucinations. Les professionnels de la santé recommandent des traitements basés sur des articles de recherche qui n’ont jamais existé et des contre-indications inventées, sans aucun graphe de connaissances pour les étayer. Les patients en souffrent, les actions en responsabilité qualifient les systèmes entièrement basés sur l’IA de peu fiables par nature, et l’adoption de l’IA médicale perd des années.

Rien de tout cela n’est exagéré. Des benchmarks comme AgentHarm montrent à quel point il est facile de compromettre les systèmes actuels, et les hallucinations dans les contextes médicaux sont bien documentées. Le moment est venu de mettre en place une infrastructure adéquate, avant qu’une grave défaillance publique ne force à agir.

Cycle des idées, plans inchangés

Le cycle des idées : elles échouent, réapparaissent et finissent par aboutir lorsque l’environnement environnant est prêt. Ce qui était autrefois décrit comme des agents échangeant des informations du type « paquet traité » pour produire des réponses de haute valeur pour les humains est aujourd’hui expliqué en termes de modèles de langage grandissants, de bases de données vectorielles et de frameworks multi-agents. Les détails ont changé, mais le schéma de base reste identique.

Les anciennes idées ne portent leurs fruits que lorsque quelqu’un les retrouve et les examine attentivement.

Sources à consulter

• Le benchmark AgentHarm pour mesurer le comportement nocif des agents.
• OS-Harm pour assurer la sécurité des agents utilisés sur ordinateur.
• L’intelligence artificielle neuro-symbolique en 2024 : une revue systématique.
• Comprendre la planification des agents de modèles de langage grandissants, selon l’enquête sur la planification mentionnée ci-dessus.
• Les grandes fictions juridiques et les hallucinations juridiques.
• ReAct, de Yao et ses collaborateurs.

Spécifications FIPA pour les normes originales de communication entre agents.

Lectures complémentaires

• Agentic Analytics va au-delà de Text-to-SQL : des leçons d’Anthropic : Ce que l’article d’Anthropic sur l’analyse automatisée en self-service révèle sur les couches sémantiques, les compétences, les évaluations et les fondements des données, ainsi que pourquoi Text-to-SQL seul donne une fausse impression de précision.
• L’ingénierie agente en cinq couches : des spécifications et des agents parallèles aux règles et à la supervision : Karpathy décrit le passage au-delà du codage basé sur des intuitions. Découvrez les cinq couches de l’ingénierie agente : spécifications, orchestration, règles codifiées, révision humaine et observabilité, ainsi qu’un plan hebdomadaire.