Les agents IA ont besoin d'une infrastructure d'interaction

Anthropic lance une infrastructure gérée pour agents IA autonomes

Anthropic a lancé "Claude Managed Agents", une infrastructure hébergée permettant aux développeurs de construire et déployer des agents IA autonomes directement sur les serveurs de l'entreprise. Ce service géré prend en charge l'exécution des agents, la gestion des sessions, la mémoire persistante et l'orchestration des tâches longues, sans que les équipes techniques n'aient à gérer elles-mêmes l'infrastructure sous-jacente. Notion et Rakuten font partie des premiers partenaires à avoir adopté la plateforme, intégrant ces agents dans leurs produits pour automatiser des flux de travail complexes. L'enjeu est significatif : jusqu'ici, déployer des agents IA fiables en production exigeait une ingénierie considérable pour gérer les états, les interruptions, les erreurs et la durée de vie des sessions. En proposant cette couche d'infrastructure clé en main, Anthropic abaisse la barrière d'entrée pour les entreprises qui veulent aller au-delà des simples chatbots vers des systèmes capables d'agir de façon autonome sur des tâches multi-étapes, comme la recherche, la rédaction ou l'automatisation de processus métiers. Ce lancement s'inscrit dans une course accélérée entre les grands acteurs de l'IA pour capter le marché des agents. OpenAI a déployé ses propres capacités agentiques via l'API Assistants et les outils de l'opérateur, tandis que Google mise sur Vertex AI Agent Builder. Anthropic, fort d'un financement de plusieurs milliards de dollars notamment d'Amazon et Google, positionne cette offre managée comme un argument commercial direct face aux entreprises qui hésitent à construire leur propre stack agentique.

💬 Ce qui bloquait tout le monde jusqu'ici, c'était pas l'agent, c'était la plomberie derrière : états, sessions, interruptions, tâches qui durent des heures. Anthropic prend ça en charge, et j'y vois surtout une arme commerciale directe pour aller chercher les boîtes qui voulaient dépasser le chatbot sans construire leur propre stack. Ça va accélérer fort, et OpenAI va répondre vite.

Les agents IA ratent toutes les discussions de votre équipe. SageOX propose une infrastructure de contexte pour agents autonomes

SageOX, une startup de Seattle fondée par des vétérans ayant construit l'infrastructure originale d'AWS EC2 et EBS, est sortie du mode furtif en annonçant un tour de financement de 15 millions de dollars mené par Canaan, avec la participation d'A.Capital, Pioneer Square Labs et Founders' Co-op. L'entreprise, dirigée par Ajit Banerjee, ancien ingénieur chez Hugging Face, Meta, Amazon et Apple, commercialise ce qu'elle appelle une "infrastructure de contexte agentique" : un système conçu pour garder les agents IA aussi informés que les employés humains sur les décisions, discussions et objectifs d'une équipe. La suite produit repose sur deux composants principaux : l'Ox Dot, un petit appareil physique placé dans les espaces partagés qui enregistre réunions et séances de travail d'une simple pression, et l'Ox CLI, un outil en ligne de commande open source sous licence MIT qui permet aux assistants de codage comme Claude Code ou Codex d'interroger la mémoire collective de l'équipe avant d'écrire du code. Le problème que SageOX cherche à résoudre est celui du "drift" des agents, c'est-à-dire leur tendance à s'écarter des intentions réelles de l'équipe parce qu'ils démarrent chaque tâche sans historique ni contexte. Si une équipe décide en réunion d'utiliser un schéma d'authentification précis, l'agent de codage l'ignorera complètement, sauf si quelqu'un le lui précise explicitement dans chaque prompt. L'Ox Dot capture audio, transcrit et identifie les intervenants, puis distille ces échanges en une mémoire d'équipe accessible aux humains et aux agents. Sa fonctionnalité "Auto Rewind" permet même de capturer rétrospectivement une conversation informelle qui s'est tenue sans enregistrement, évitant la perte de décisions prises lors d'échanges spontanés. La commande ox agent prime intègre ensuite cet historique directement dans le contexte de travail des agents. Le problème de l'"ingénierie du contexte" est l'un des défis majeurs non résolus de l'ère agentique. À mesure que les grands fournisseurs de modèles comme OpenAI, Anthropic ou Google descendent dans la chaîne de valeur en proposant leurs propres agents métier, la question de comment équiper ces agents d'un contexte riche et fidèle à la réalité d'une organisation reste entière. SageOX parie que la réponse n'est pas dans le prompt engineering ou la documentation statique, mais dans une couche d'infrastructure dédiée qui capte le contexte là où il se forme naturellement : conversations, tableaux blancs, standups. Ryan Snodgrass, CTO et ancien d'Amazon, pousse même plus loin en remettant en question les principes classiques de gestion de code source, estimant que les historiques "propres" de commits sont souvent contre-productifs pour les agents. La startup s'attaque ainsi à un marché encore peu balisé, à l'intersection de la collaboration d'équipe et de l'orchestration agentique.

Construire une infrastructure de données solide pour le succès des agents IA

Les entreprises déploient des agents IA à grande vitesse — 88% utilisent l'IA dans au moins une fonction métier selon McKinsey — mais seulement 1 sur 10 parvient à les déployer à grande échelle. Le principal obstacle n'est pas la qualité des modèles, mais l'absence d'une architecture de données solide capable de fournir le contexte métier nécessaire. Selon Irfan Khan, président de SAP Data & Analytics, la valeur d'une donnée pour les agents IA dépend moins de son format (structuré ou non) que de son contexte métier, et deux tiers des dirigeants ne font pas encore confiance à leurs données.

NVIDIA Nemotron atteint des performances record avec l'infrastructure LangChain Deep Agents

NVIDIA a dévoilé les résultats de son modèle ouvert Nemotron 3 Ultra, optimisé spécifiquement pour l'infrastructure d'agents Deep Agents de LangChain, la plateforme d'orchestration d'agents IA la plus utilisée du marché avec plus de 200 millions de téléchargements mensuels. Selon le benchmark public Deep Agents de LangChain, Nemotron 3 Ultra obtient la meilleure précision parmi les modèles ouverts, traite davantage de tâches, affiche un débit supérieur et coûte environ dix fois moins cher par exécution que les modèles fermés les plus performants du marché. Sur les tâches business évaluées, le modèle atteint même une parité de performance avec les meilleurs modèles propriétaires. Fait notable, ces gains n'ont nécessité aucun réentraînement du modèle : l'équipe de LangChain a analysé les traces d'exécution des agents pour identifier précisément où Nemotron 3 Ultra perdait des points, puis a ajusté l'environnement autour du modèle, à savoir les prompts système, les descriptions d'outils et les middlewares. Ce profil optimisé est disponible dès maintenant pour tous les développeurs utilisant LangChain Deep Agents. Cette approche change la donne pour les entreprises qui déploient des agents IA en production. À un coût dix fois inférieur, les équipes peuvent lancer des évaluations en continu, expérimenter plus rapidement et construire des agents spécialisés à plus grande échelle sans exploser leur budget d'inférence. Harrison Chase, cofondateur et PDG de LangChain, résume la philosophie du projet : améliorer un agent passe autant par la mémoire, l'usage des outils et l'évaluation que par le modèle lui-même, et ces éléments deviennent plus puissants lorsqu'ils sont ajustés ensemble. Des entreprises comme Abridge, Amdocs et Box intègrent déjà des agents spécialisés directement dans leurs plateformes, tandis que le cabinet de conseil EY élargit ses capacités autour des blueprints NVIDIA NemoClaw pour LangChain Deep Agents, afin d'aider ses clients à personnaliser, évaluer et gouverner leurs agents sur des workflows à forte valeur. Ce travail conjoint s'inscrit dans une tendance plus large : le passage d'assistants IA capables de répondre à des questions vers des agents capables d'agir directement dans les systèmes critiques des entreprises, ce qui relève l'enjeu autour du contrôle et de la propriété de la pile technologique. NemoClaw pour LangChain Deep Agents combine le code Deep Agents ajusté pour Nemotron 3 Ultra avec l'environnement d'exécution sécurisé NVIDIA OpenShell, offrant aux entreprises une pile entièrement ouverte qu'elles peuvent personnaliser et héberger où elles le souhaitent. Jensen Huang, PDG de NVIDIA, s'est récemment entretenu avec Harrison Chase sur les progrès réalisés en six mois dans l'IA appliquée à l'entreprise. Le modèle et le harnais optimisé sont accessibles dès aujourd'hui via les plateformes Baseten, Crusoe Cloud, DeepInfra, Fireworks, Nebius et Together AI.

💬 Selon Le Fil IA, le vrai signal ici c'est qu'on n'a pas besoin de réentraîner un modèle pour le rendre dix fois moins cher à l'usage, il suffit d'ajuster ce qui l'entoure (prompts, outils, middlewares). Ça veut dire que la bataille des agents en entreprise va se jouer autant sur le harnais que sur le modèle lui-même. NVIDIA et LangChain le comprennent visiblement mieux que la plupart, et ça devrait inquiéter un peu plus les fournisseurs de modèles fermés que leurs benchmarks habituels.