OutilsInfoQ AI · 19 mars 2026, 16:11· 1 min de lecture

QCon London 2026 : Morgan Stanley repense son programme API à l'ère MCP

Morgan Stanley franchit un cap décisif dans l'intégration de l'intelligence artificielle à ses opérations bancaires. Lors de la conférence QCon London 2026, deux ingénieurs de la banque ont présenté comment l'institution repense en profondeur son programme API pour répondre aux exigences des agents IA, en s'appuyant sur le protocole MCP (Model Context Protocol) et le standard FINOS CALM.

L'enjeu est considérable pour le secteur financier : permettre aux agents IA d'interagir de manière fiable et sécurisée avec des systèmes bancaires critiques impose des garanties que les architectures API traditionnelles ne fournissent pas. En adoptant MCP comme couche d'interopérabilité et FINOS CALM comme cadre d'architecture, Morgan Stanley se positionne parmi les premières grandes banques à industrialiser ce type d'approche, ouvrant potentiellement la voie à d'autres institutions financières.

Les démonstrations en direct ont mis en avant trois axes concrets : des garde-fous de conformité automatisés, des portes de déploiement conditionnelles, et des mises en production sans interruption de service sur un portefeuille de plus de 100 APIs. Le résultat le plus frappant reste la compression spectaculaire du cycle de déploiement : le premier déploiement API est passé de deux ans à deux semaines. Les ingénieurs Jim Gough et Andreea Niculcea ont également démontré l'exécution du protocole A2A (Agent-to-Agent) de Google, fonctionnant en parallèle de MCP, signal que l'écosystème multi-protocoles commence à prendre forme dans des environnements de production réels.

Cette présentation illustre une tendance de fond : les grandes institutions financières ne se contentent plus d'expérimenter avec l'IA générative, elles refondent leurs infrastructures pour y intégrer nativement des agents autonomes. La coexistence de MCP et A2A dans un même environnement bancaire suggère que l'interopérabilité entre protocoles deviendra rapidement un critère de sélection architectural incontournable.

Impact France/UE

L'adoption de MCP et FINOS CALM par une grande banque d'investissement mondiale pourrait influencer les pratiques d'architecture API du secteur financier européen, notamment les banques soumises à DORA.

Dans nos dossiers

Agents IA

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1InfoQ AI

QCon London 2026 : réécrire en permanence toute la base de code de Spotify

Spotify a présenté à QCon London 2026 un agent de codage basé sur l'IA baptisé Honk, capable de réécrire automatiquement et en continu des pans entiers de sa base de code. Développé en interne, cet outil représente une rupture avec les approches traditionnelles de migration de code, en automatisant des transformations que les scripts classiques ne pouvaient tout simplement pas gérer. L'enjeu est considérable pour une entreprise de la taille de Spotify, dont la base de code est d'une complexité et d'une échelle massives. Les migrations techniques, souvent longues, coûteuses et risquées, constituent l'un des principaux freins à la modernisation des systèmes. En réduisant drastiquement les délais associés à ces opérations, Honk permet aux équipes d'ingénierie de maintenir leur base de code dans un état cohérent et évolutif, sans mobiliser des mois de travail manuel. Jo Kelly-Fenton et Aleksandar Mitic, ingénieurs chez Spotify, ont détaillé les défis rencontrés lors du développement de l'outil. Deux problèmes majeurs ont été identifiés : la gestion des cas limites (edge cases), situations atypiques que les migrations automatisées échouaient à traiter correctement, et la standardisation de la base de code en amont, condition nécessaire pour fluidifier les processus de revue. L'agent Honk a été conçu précisément pour absorber cette complexité résiduelle. La démarche de Spotify illustre une tendance de fond dans l'industrie : l'utilisation d'agents IA non pas pour écrire du code from scratch, mais pour gérer la dette technique à grande échelle. Si d'autres grandes entreprises tech adoptent des approches similaires, cela pourrait redéfinir le rôle des équipes d'ingénierie, qui passeraient d'exécutants de migrations à superviseurs de systèmes autonomes.

OutilsOutil

1 source

2InfoQ AI

Autonomes pour l'ère de l'IA : repenser l'architecture des données pour l'IA générative

Jörg Schad a présenté "Autonomous Data Products for the Autonomous Era", une intervention consacrée à la manière de dompter ce qu'il appelle le "hairball" de la gestion de données, cet enchevêtrement de pipelines, de schémas et de systèmes qui complique la construction d'architectures fiables pour l'intelligence artificielle générative. Il y détaille le concept de produits de données autonomes, conçus comme des conteneurs qui encapsulent à la fois les pipelines de traitement, les schémas et les métadonnées associées à un jeu de données donné, plutôt que de les laisser dispersés dans des systèmes hétérogènes. L'enjeu dépasse la simple organisation technique. À mesure que les agents IA gagnent en autonomie et sollicitent directement les bases de données et les outils d'entreprise, ils ont besoin d'un accès structuré et gouverné, sans exposer toute la complexité brute des systèmes sous-jacents. Schad montre comment la découverte progressive d'outils, via des protocoles comme MCP (Model Context Protocol), permet de limiter le "context rot", cette dégradation des performances d'un modèle lorsque sa fenêtre de contexte est saturée d'informations non pertinentes, tout en appliquant des politiques de gouvernance des données. Cette réflexion s'inscrit dans un mouvement plus large de refonte des architectures de données, historiquement pensées pour des tableaux de bord et des utilisateurs humains, afin de les adapter à des agents autonomes capables d'interroger des sources multiples et hétérogènes. Avec la multiplication des déploiements d'agents IA en entreprise, des protocoles comme MCP s'imposent progressivement comme un standard pour structurer ces interactions, garantissant un accès fiable et multimodal aux données tout en préservant la sécurité et la traçabilité des flux.

OutilsOpinion

1 source

3Le Big Data

L’avenir du SEO en 2026 : comment adapter votre stratégie à l’ère des moteurs IA

En 2026, les moteurs de recherche alimentés par l'intelligence artificielle, Gemini, ChatGPT Search, Perplexity, ont profondément reconfiguré le paysage du référencement naturel. Bertrand Masselot, fondateur de l'agence VOLUMIUM et spécialiste de la visibilité en ligne, dresse un état des lieux sans catastrophisme : le GEO (Generative Engine Optimization), aussi appelé AI SEO, n'est pas un nouveau métier mais une extension du SEO classique. Pour lui, maîtriser la visibilité dans les moteurs IA en 2026 revient à appliquer les mêmes réflexes que le SEO traditionnel, à condition d'accepter une remise en question quasi quotidienne et une veille permanente sur les évolutions des modèles. Il identifie trois grandes voies de captation d'audience désormais incontournables : l'organique via le SEO classique, la vidéo et les plateformes communautaires de type Reddit ; le payant avec Google Ads et l'arrivée imminente de ChatGPT Ads ; et enfin le SEO agentique, où le LLM devient lui-même l'interface d'achat directe. Ce qui change concrètement, c'est la capacité des IA à court-circuiter la visite sur le site source en livrant directement la réponse à l'utilisateur. Pour les acteurs du conseil ou de l'information, le risque est réel : si l'IA dispense gratuitement ce qui aurait dû être monétisé, le modèle économique vacille. La réponse passe par un branding fort et un positionnement de marque clair, afin d'être cité et recommandé dans les réponses générées. Mais le problème le plus aigu reste la mesure : sans cookies, sans URL dans les conversations privées des LLM, les outils analytics traditionnels sont aveugles. Masselot le reconnaît franchement : personne n'a encore la vraie réponse. L'industrie est contrainte d'inventer de nouveaux indicateurs, fréquence d'apparition d'une marque dans les réponses IA, nombre de "query Fan-Out" (les sous-requêtes que le LLM génère pour construire sa réponse), et de passer de la mesure directe à l'estimation déduite. Paradoxalement, cette transformation radicale de la surface confirme la solidité des fondations techniques héritées du SEO classique. Maillage interne, analyse des logs, temps de chargement rapide : ces éléments continuent d'influencer le référencement Google et constituent aussi le substrat dont se nourrissent les modèles IA. Car si les LLM ne lisent pas les pages HTML comme Googlebot, ils consomment les données structurées cachées derrière : JSON-LD, schémas sémantiques, Knowledge Graph de Google et Bing, graphes d'entités et leurs relations. La bataille de la visibilité en 2026 se joue donc en grande partie dans cette couche invisible du web, celle que les moteurs d'IA utilisent pour construire leurs réponses sans jamais montrer la source.

UELes acteurs français du conseil, de l'information et du e-commerce doivent repenser leur stratégie de visibilité et leurs indicateurs de mesure face aux moteurs IA qui court-circuitent le trafic vers les sites sources.

OutilsOpinion

1 source

4The Decoder

Figma mise sur le jugement humain à Config 2026, mais l'IA de son canvas vient d'ailleurs

Lors de sa conférence Config 2026, Figma a présenté une refonte ambitieuse de son canvas, désormais conçu comme un espace de travail unifié intégrant du code, de l'animation, des shaders et des agents IA. L'objectif affiché est de concentrer l'ensemble du cycle de conception et de production dans un seul environnement, réduisant les allers-retours entre Figma et les outils de développement. La plateforme mise sur le jugement humain comme différenciateur central, positionnant le designer au coeur d'un flux augmenté plutôt que remplacé par l'IA. Mais derrière cette vision cohérente se cache une dépendance structurelle : toute l'intelligence artificielle qui anime le canvas de Figma est fournie par des prestataires tiers via API. Cette externalisation pèse directement sur les marges de l'entreprise, car chaque appel IA a un coût variable et croissant. Plus préoccupant encore, l'un de ces fournisseurs d'API développe désormais ses propres outils de design concurrents, créant un risque stratégique majeur : Figma finance indirectement le développement de ses futurs compétiteurs. Cette situation illustre une tension que tout l'écosystème logiciel affronte depuis l'émergence des grands modèles de langage. Les éditeurs qui intègrent rapidement des capacités IA gagnent en attractivité, mais s'exposent à une dépendance aux fournisseurs de fondations. Pour Figma, qui a construit sa domination sur l'expérience collaborative en temps réel, l'enjeu est de trouver comment ancrer un avantage durable quand la couche intelligente appartient à quelqu'un d'autre. La question de développer des modèles propriétaires ou de diversifier ses fournisseurs va probablement s'imposer à court terme.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic