Découvrez la pile de commerce à base d'agents d'AMEX : contrats d'intention et tokens à usage unique pour sécuriser les transactions IA

Découvrez OpenViking : une base de données contextuelle open-source qui apporte la mémoire et la récupération basées sur le système de fichiers aux systèmes d'agents intelligents comme OpenClaw

OpenViking, un projet open-source publié par Volcengine (la branche cloud de ByteDance), propose une approche radicalement différente de la gestion du contexte pour les systèmes d'agents IA. Plutôt que de stocker les informations sous forme de fragments textuels plats, OpenViking organise la mémoire des agents selon un paradigme de système de fichiers, accessible via le protocole viking://. Une rupture conceptuelle qui s'attaque directement aux limites des pipelines RAG (Retrieval-Augmented Generation) classiques. L'enjeu est majeur pour les développeurs d'agents autonomes : plus une tâche dure longtemps, plus le contexte s'accumule, et plus les systèmes traditionnels peinent à retrouver la bonne information au bon moment. OpenViking répond à cinq problèmes récurrents identifiés dans le développement d'agents, contexte fragmenté, volume croissant lors de tâches longues, mauvaise qualité de récupération, faible observabilité et mémoire limitée à l'historique de conversation. En structurant le contexte en répertoires hiérarchiques (resources/, user/, agent/), le système permet à un agent de naviguer avec des opérations de type ls ou find, plutôt que de se fier uniquement à la similarité sémantique. Le cœur technique repose sur trois mécanismes distincts. Le Directory Recursive Retrieval effectue une première recherche vectorielle pour identifier le répertoire le plus pertinent, puis affine récursivement dans les sous-répertoires, préservant à la fois la pertinence locale et la structure globale. Le Tiered Context Loading décompose automatiquement chaque contenu en trois niveaux : L0 (résumé en une phrase), L1 (vue d'ensemble pour la planification) et L2 (contenu complet), réduisant ainsi le coût en tokens en ne chargeant le détail qu'en cas de nécessité. Enfin, la Visualized Retrieval Trajectory enregistre le chemin de navigation suivi lors de chaque récupération, offrant aux développeurs une visibilité concrète sur les erreurs de routage de contexte, souvent responsables des mauvaises réponses, indépendamment des capacités du modèle sous-jacent. OpenViking intègre également un système de mémoire de session avec boucle d'auto-itération, permettant à l'agent de consolider et réviser ses souvenirs au fil du temps, au-delà du simple log de conversation. Porté par Volcengine, ce projet positionne ByteDance comme un acteur sérieux dans l'infrastructure des agents IA, un domaine où des solutions comme LangChain, LlamaIndex ou Mem0 dominent actuellement. La nature open-source du projet pourrait accélérer son adoption dans les pipelines d'agents complexes qui souffrent des limites structurelles du RAG conventionnel.

NemoClaw, analyse et prise en main de la « prison » pour sécuriser les agents IA

NVIDIA a présenté lors de sa conférence GTC un nouveau projet open source baptisé NemoClaw, actuellement en version alpha, conçu pour encadrer les agents IA et prévenir les comportements non souhaités. Présenté comme un environnement sécurisé, il intègre des garde-fous en matière de confidentialité et de sécurité, offrant aux utilisateurs un contrôle accru sur le comportement de leurs agents et la gestion de leurs données. L'annonce s'inscrit dans un contexte où la prolifération des agents IA soulève des questions de sécurité croissantes. Ces systèmes autonomes, capables d'accéder à des données personnelles et d'effectuer des actions en autonomie, représentent un risque réel si leur comportement n'est pas correctement contraint. NemoClaw répond à ce besoin en proposant une couche de contrôle structurée, particulièrement destinée à encadrer des agents comme OpenClaw. OpenClaw, anciennement connu sous les noms Clawdbot puis Moltbot, est un agent IA open source développé par Peter Steinberger, désormais employé chez OpenAI. Son principe : accéder à tout ou partie des données d'un utilisateur pour fonctionner comme assistant virtuel personnel. C'est précisément ce type d'accès étendu qui justifie l'existence d'une infrastructure de sécurité comme NemoClaw, pour s'assurer que l'agent ne dépasse pas les limites fixées. La mise à disposition en version alpha open source signale que NVIDIA cherche à impliquer la communauté dans la maturation du projet avant un déploiement plus large. Dans un secteur où la course aux agents autonomes s'accélère, la question du contrôle et de la gouvernance de ces systèmes devient un enjeu stratégique autant que technique.

Robinhood autorise les agents IA à trader des actions et effectuer des achats par carte de crédit pour ses clients

Robinhood, la plateforme américaine de courtage en ligne, a annoncé qu'elle permet désormais à ses clients de connecter des agents d'intelligence artificielle à un compte d'investissement dédié via le protocole MCP (Model Context Protocol). Parmi les agents compatibles figure Claude, le modèle d'Anthropic. Ces agents peuvent, de manière autonome, acheter et vendre des actions, mais aussi effectuer des achats par carte de crédit au nom du titulaire du compte, sans intervention humaine à chaque transaction. Cette évolution marque un cap inédit dans l'automatisation financière grand public : pour la première fois, des agents IA disposent d'un accès direct et opérationnel à des actifs réels sur une plateforme de masse. La FINRA, le régulateur américain du courtage, a d'ores et déjà identifié ce type d'agents comme un nouveau vecteur de risque, pointant le danger de décisions non supervisées pouvant générer des pertes significatives pour des utilisateurs mal préparés. Robinhood lui-même reconnaît que le produit n'est pas adapté à tous ses clients. Ce lancement s'inscrit dans une course plus large à l'intégration des agents IA dans les services financiers, portée par l'essor du protocole MCP qui facilite la connexion entre modèles de langage et systèmes tiers. Robinhood, qui cherche à repositionner son image après les controverses de 2021 autour des actions mèmes, mise sur l'innovation pour attirer une clientèle technophile. La question de la responsabilité légale en cas de perte causée par un agent autonome reste entièrement ouverte, et les régulateurs n'ont pas encore arrêté de cadre applicable.

💬 MCP commence à toucher à du vrai argent. Donner à Claude l'accès autonome à un compte d'investissement ET à une carte de crédit, c'est un niveau de délégation qu'on n'avait pas vu hors des labos. Bon, sur le papier c'est impressionnant, mais la question de qui paie quand l'agent se plante, personne ne veut vraiment y répondre.

Le Fil IA développe une couche sémantique pour l'IA à base d'agents sur AWS avec Stardog et Amazon Bedrock AgentCore

AWS et Stardog ont présenté une architecture technique permettant de déployer une couche sémantique pour des agents d'intelligence artificielle directement sur les infrastructures cloud d'Amazon, sans extraction, transformation ni chargement de données (ETL). Le dispositif repose sur l'application Semantic AI de Stardog, connectée simultanément à Amazon Aurora et Amazon Redshift, et pilotée par un agent Strands Agents hébergé sur Amazon Bedrock AgentCore. Concrètement, cet agent peut répondre à des questions dites de « vision client à 360 degrés » en interrogeant les deux bases de données en même temps, sans qu'un ingénieur ait besoin de dupliquer ou de fusionner préalablement les données. Le même déploiement Stardog fonctionne aussi derrière d'autres services de calcul AWS, comme Amazon EKS, Amazon ECS ou AWS Lambda. Le choix d'AgentCore s'explique par le fait que ce service regroupe en une seule solution gérée l'authentification des accès entrants, l'hébergement de l'agent et la gestion des identifiants pour les outils tiers. Cette annonce s'inscrit dans un mouvement plus large que les auteurs appellent « l'analytique agentique », prolongement logique de vingt ans d'évolution des outils décisionnels, des rapports programmés aux tableaux de bord, puis au libre-service analytique. Jusqu'ici, même les outils en libre-service dépendaient d'un modèle de données déjà construit par un ingénieur, l'analyste humain restant le point de passage obligé pour toute question sortant du cadre prévu. Les agents génératifs promettent de lever ce goulot d'étranglement en raisonnant directement sur les données en temps réel, en écrivant leurs propres requêtes et en les affinant de manière autonome. Pour les entreprises, l'enjeu est direct : accélérer l'accès à une réponse fiable sans multiplier les développements sur mesure, tout en évitant le piège des réponses incohérentes lorsque deux agents interrogent des sources différentes pour la même question métier. Le véritable obstacle, selon AWS, n'est plus la capacité des modèles de fondation disponibles sur Bedrock à planifier des tâches complexes ou à générer du SQL, mais la fragmentation des données d'entreprise elles-mêmes. Un « client » n'a souvent pas la même définition dans un système de gestion de la relation client (CRM) que dans un système de facturation, tout comme le « chiffre d'affaires » peut varier selon l'équipe qui le calcule. Sur AWS, ces données sont réparties entre Aurora et les bases RDS pour les données opérationnelles, Redshift pour l'historique analytique, et S3 combiné à Athena pour les données non structurées, notamment via des formats ouverts comme Apache Iceberg. La génération augmentée par récupération (RAG), utilisée via Amazon Bedrock Knowledge Bases, fonctionne bien pour retrouver des passages de texte, mais s'avère insuffisante dès qu'une question exige de croiser des enregistrements entre systèmes tout en respectant des règles métier et des politiques d'accès aux données, d'où l'intérêt d'une couche sémantique dédiée.

💬 Le vrai sujet, c'est pas AWS ni Stardog, c'est la fragmentation des données d'entreprise. Un agent qui écrit du SQL tout seul, on sait déjà faire. Un agent qui sait que "client" veut pas dire la même chose dans le CRM et dans la facturation, c'est ça le boulot, et c'est là que ça coince depuis toujours. Bon, sur le papier c'est élégant : zéro ETL, une couche sémantique qui interroge Aurora et Redshift en même temps. Reste à voir si ça tient quand deux agents posent la même question métier et sortent deux réponses différentes, parce que c'est exactement le piège que ce genre d'archi est censé éviter.