Google lance une API d'agents gérés : déploiement simplifié, mais moins de contrôle sur l'exécution

Google lance une application Gemini AI sur Mac

Google a lancé une application Gemini dédiée sur Mac, permettant aux utilisateurs d'interagir avec l'assistant IA sans quitter leur flux de travail. Le raccourci clavier Option + Espace fait apparaître une bulle de chat flottante depuis laquelle on peut poser des questions à Gemini ou partager le contenu de la fenêtre active. L'application demande au préalable l'autorisation d'accéder aux informations du système, après quoi l'assistant analyse ce qui est affiché à l'écran pour formuler ses réponses. Cette intégration directe dans l'environnement de bureau représente un changement notable dans la façon dont les assistants IA s'insèrent dans le quotidien des professionnels. Plutôt que d'ouvrir un onglet de navigateur ou de basculer entre applications, l'utilisateur obtient une aide contextuelle instantanée, ancrée dans ce qu'il est en train de faire. Pour les développeurs, rédacteurs ou analystes qui jonglent avec plusieurs fenêtres, ce gain de fluidité peut se traduire concrètement en gain de temps. Cette approche rappelle directement la nouvelle version de Spotlight chez Apple, qui permet désormais d'effectuer des actions sur l'appareil via une interface similaire. Google entre ainsi dans une compétition directe avec Apple Intelligence sur le territoire macOS, terrain historiquement dominé par Apple. Alors que Microsoft intègre Copilot dans Windows depuis 2023, la bataille des assistants IA natifs sur les systèmes d'exploitation grand public s'intensifie, chaque acteur cherchant à devenir le point d'entrée privilégié de l'utilisateur.

Google intègre le support MCP dans Colab pour permettre l'exécution cloud d'agents IA

Google a publié le Colab MCP Server, un outil open source qui permet aux agents d'intelligence artificielle d'interagir directement avec Google Colab via le Model Context Protocol (MCP). Cette intégration donne aux agents la capacité d'exécuter du code, de lancer des notebooks et de piloter des environnements cloud Colab sans intervention humaine, en passant par une interface standardisée que les principaux frameworks d'agents reconnaissent nativement. L'enjeu est concret : les développeurs qui construisent des agents IA se heurtent régulièrement à deux problèmes, la puissance de calcul disponible localement et la sécurité des exécutions. En déportant ces tâches vers Colab, les agents peuvent faire tourner des modèles lourds, traiter des jeux de données volumineux ou exécuter du code potentiellement risqué dans un environnement isolé et géré par Google, sans exposer la machine du développeur. Cela ouvre la voie à des workflows d'automatisation bien plus ambitieux, notamment pour les équipes qui n'ont pas accès à des GPU dédiés. Ce lancement s'inscrit dans la montée en puissance du Model Context Protocol, standard initialement proposé par Anthropic et rapidement adopté par l'ensemble de l'industrie comme protocole commun pour connecter les agents aux outils externes. Google, qui avait déjà intégré MCP dans plusieurs de ses produits, étend ainsi sa surface de compatibilité avec l'écosystème agent. Le fait que le serveur soit open source suggère une volonté d'ancrer Colab comme infrastructure de référence pour l'exécution agentique dans le cloud.

L'Agents SDK d'OpenAI renforce la gouvernance avec l'exécution en sandbox

OpenAI vient d'annoncer de nouvelles fonctionnalités pour son Agents SDK, avec notamment l'introduction de l'exécution en sandbox et d'un environnement d'exécution natif au modèle. Ces ajouts visent à permettre aux équipes de gouvernance en entreprise de déployer des workflows automatisés avec un contrôle accru des risques. Concrètement, le SDK intègre désormais une mémoire configurable, une orchestration adaptée aux environnements sandbox, et des outils de gestion de fichiers similaires à ceux de Codex. Les développeurs peuvent également utiliser des primitives standardisées comme l'appel d'outils via MCP, des instructions personnalisées via un fichier AGENTS.md, et un outil d'application de correctifs pour les modifications de fichiers. Une abstraction baptisée "Manifest" permet de décrire l'espace de travail de manière normalisée, avec la possibilité de connecter directement des environnements à des fournisseurs de stockage majeurs : AWS S3, Azure Blob Storage, Google Cloud Storage et Cloudflare R2. Ces évolutions répondent à un problème concret rencontré lors du passage des prototypes en production : les équipes devaient jusqu'ici choisir entre des frameworks agnostiques offrant de la flexibilité mais ne tirant pas pleinement parti des modèles frontier, ou des SDK propriétaires proches du modèle mais manquant de visibilité sur la couche de contrôle. Le résultat était souvent la construction de connecteurs maison fragiles. Le cas d'Oscar Health illustre bien l'impact potentiel : ce prestataire de santé américain a utilisé le nouveau SDK pour automatiser un workflow de traitement de dossiers cliniques que les approches précédentes ne pouvaient pas gérer de façon fiable. Rachael Burns, Staff Engineer et AI Tech Lead chez Oscar Health, précise que la différence n'était pas seulement d'extraire les bonnes métadonnées, mais de comprendre correctement les limites de chaque consultation au sein de longs dossiers médicaux complexes, permettant ainsi d'accélérer la coordination des soins et d'améliorer l'expérience patient. Ces avancées s'inscrivent dans une tendance plus large : la course à la standardisation des infrastructures pour agents IA en entreprise. OpenAI, face à la concurrence de frameworks comme LangChain, LlamaIndex ou les offres cloud de Google et Microsoft, cherche à imposer son SDK comme la référence native pour les équipes qui utilisent ses modèles. L'introduction du Manifest et de l'exécution en sandbox signale une ambition claire : capter les déploiements en production, segment où les enjeux de sécurité, de traçabilité et de gouvernance sont déterminants. En standardisant la couche d'infrastructure, OpenAI libère les équipes techniques de la maintenance des "plomberies" et les oriente vers la logique métier à valeur ajoutée. La prochaine étape sera de voir dans quelle mesure ces outils s'intègrent avec les systèmes legacy et si l'abstraction Manifest tient ses promesses à grande échelle.

Google lance une compétence d'agent dans l'API Gemini pour combler les lacunes des modèles IA sur leurs propres SDK

Google a introduit une nouvelle fonctionnalité baptisée « Agent Skill » dans son API Gemini, conçue pour combler une lacune structurelle des modèles d'IA : leur ignorance des mises à jour de leurs propres SDK survenues après leur date d'entraînement. Ce mécanisme permet au modèle d'accéder dynamiquement à une documentation à jour sur ses propres outils, améliorant significativement la qualité du code généré pour les applications qui utilisent l'API Gemini. L'impact est concret pour les développeurs : un modèle qui ne connaît pas les dernières versions d'un SDK produit du code obsolète, bogué ou incompatible. En injectant automatiquement les bonnes références au moment de la génération, Google réduit les erreurs d'intégration et accélère le développement d'agents IA — un enjeu critique alors que l'écosystème évolue plusieurs fois par mois. Ce problème de « knowledge cutoff » est universel à tous les grands modèles de langage : ChatGPT, Claude et Gemini souffrent tous d'un décalage entre leur entraînement et l'état réel du monde. La réponse de Google illustre une tendance plus large — plutôt que d'attendre le prochain cycle d'entraînement, les éditeurs construisent des couches de récupération dynamique pour maintenir les modèles à jour en temps réel sur des domaines critiques comme leurs propres API.

💬 C'est un problème que je rencontre toutes les semaines en intégrant des SDK qui bougent vite. Google répond d'une façon élégante : plutôt que d'attendre le prochain cycle d'entraînement, ils injectent la doc à jour directement au moment de la génération, ce qui évite les erreurs bêtes sur des méthodes dépréciées depuis trois mois. Reste à voir si ça scale quand tous les éditeurs adoptent cette logique, mais c'est clairement la bonne direction.