Google et ses partenaires annoncent une spécification de découverte de ressources pour agents IA

SkillNet : des agents IA augmentés de compétences pour la recherche, l'évaluation, l'analyse de graphes et la planification

Des chercheurs ont publié un tutoriel complet autour de SkillNet, un framework open source conçu pour augmenter les agents d'intelligence artificielle avec des compétences modulaires et réutilisables. Le système repose sur la bibliothèque Python skillnet-ai, accessible via PyPI, et s'appuie sur une API centralisée hébergée à api.openkg.cn. La démonstration utilise GPT-4o comme modèle par défaut, mais le framework reste compatible avec d'autres LLM. Le workflow présenté couvre l'ensemble du cycle de vie d'une compétence : recherche, installation depuis GitHub, inspection des métadonnées, évaluation qualitative, visualisation sous forme de graphe, et enfin intégration dans un pipeline d'exécution piloté par un agent planificateur. Ce type d'architecture répond à un problème concret qui freine le déploiement des agents IA en production : la difficulté à composer des capacités spécialisées de façon fiable et maintenable. Plutôt que d'entraîner un modèle monolithique pour chaque nouveau besoin, SkillNet permet à un agent de découvrir dynamiquement des compétences existantes, de les filtrer selon des critères de qualité mesurables, et de les assembler en pipeline selon les sous-tâches d'un objectif complexe. L'approche est particulièrement utile pour les équipes qui développent des agents multi-domaines, en réduisant la duplication d'efforts et en rendant les briques fonctionnelles auditables et interchangeables. La recherche sémantique intégrée, avec un seuil de similarité paramétrable, va au-delà de la simple correspondance par mots-clés et permet de trouver des compétences pertinentes même quand le vocabulaire ne correspond pas exactement. SkillNet s'inscrit dans un mouvement plus large visant à standardiser l'écosystème des agents IA, à l'image de ce que npm ou PyPI ont fait pour les bibliothèques logicielles. Le projet est adossé à OpenKG, une initiative académique chinoise spécialisée dans les graphes de connaissances ouvertes, ce qui explique l'orientation vers la représentation des relations entre compétences sous forme de graphe. La dépendance à GitHub comme dépôt de référence pour les skills instalables ancre le framework dans les pratiques existantes des développeurs. L'intégration d'une porte qualité automatisée, évaluant chaque compétence sur plusieurs dimensions avant de l'inclure dans un pipeline, anticipe les besoins des environnements de production où la fiabilité est non négociable. Les suites probables incluent l'émergence d'un registre communautaire de compétences validées et l'intégration avec des orchestrateurs d'agents comme LangGraph ou AutoGen.

💬 C'est le genre de truc qu'on attendait depuis un moment pour sortir des agents monolithiques. SkillNet propose quelque chose de sobre : tu découvres une compétence, tu la passes à une porte qualité, tu l'assembles dans un pipeline. Bon, ça vient d'OpenKG, une initiative académique chinoise, donc faudra voir si l'écosystème prend vraiment ou si ça reste un beau prototype de labo.

Conception de plateformes IA fiables : des outils pour la certitude, des agents pour la découverte

Aaron Erickson, ingénieur chez NVIDIA, a présenté une conférence intitulée "Designing AI Platforms for Reliability: Tools for Certainty, Agents for Discovery", consacrée à la conception de hiérarchies d'agents IA sur mesure. Destinée aux développeurs seniors et architectes logiciels, son intervention détaille la méthodologie employée par NVIDIA pour construire des systèmes d'intelligence artificielle fiables et déployables à grande échelle en production. Erickson y explique comment son équipe combine des outils déterministes, capables de garantir des résultats certains et reproductibles, avec des agents capables d'explorer et de découvrir des solutions dans des contextes plus incertains. Cette approche répond à un défi central de l'industrie actuelle: les entreprises veulent exploiter la flexibilité des agents autonomes tout en évitant les erreurs et les incohérences qui peuvent survenir lorsque ces systèmes opèrent sans garde-fous. En détaillant des techniques comme l'exploitation du contexte rare, la mise en place de pyramides de tests basées sur le principe du LLM-as-a-judge, et des méthodes pour limiter le paradoxe du choix, la présentation vise à donner aux architectes des outils concrets pour construire des plateformes IA robustes, capables de tenir la charge en production. Ce travail s'inscrit dans une tendance plus large de maturation de l'ingénierie autour des agents IA, où les grandes entreprises technologiques, dont NVIDIA, cherchent à formaliser des bonnes pratiques pour transformer des prototypes prometteurs en systèmes fiables et industrialisables. À mesure que les agents autonomes se multiplient dans les environnements professionnels, la question de la fiabilité et de la testabilité devient un enjeu stratégique majeur pour l'ensemble du secteur.

Google lance une application pour utiliser son IA en local sur iPhone et Android

Google a lancé AI Edge Gallery, une nouvelle application disponible sur iPhone et Android permettant de faire tourner des modèles d'intelligence artificielle directement sur l'appareil, sans connexion réseau. L'application s'appuie sur les modèles Gemma 4, la dernière génération de modèles open source légers de Google, conçus pour fonctionner sur des terminaux mobiles aux ressources limitées. Elle propose plusieurs expériences interactives exploitant ces capacités d'inférence locale. Cette initiative marque une étape concrète dans la course à l'IA embarquée sur smartphone. Faire tourner un modèle de langage en local élimine la latence réseau, préserve la confidentialité des données et permet une utilisation hors connexion, trois avantages majeurs pour les utilisateurs mobiles. Pour Google, c'est aussi un moyen de tester l'adoption de Gemma 4 auprès du grand public et de démontrer que ses modèles open source sont compétitifs sur des appareils du quotidien, face à des concurrents comme Apple Intelligence ou les solutions embarquées de Meta. Google s'inscrit ici dans une tendance de fond : après avoir imposé Gemini comme assistant par défaut sur Android, l'entreprise cherche à étendre sa présence sur iOS tout en investissant dans l'IA on-device. Gemma 4, présenté récemment, est précisément optimisé pour ce type de déploiement. AI Edge Gallery fonctionne pour l'instant comme un terrain d'expérimentation ouvert, ce qui laisse supposer qu'une intégration plus profonde dans les produits Google grand public pourrait suivre selon les retours des utilisateurs.

Google Pay se prépare pour les agents IA avec le Universal Commerce Protocol

Google Pay annonce une refonte majeure de son infrastructure de paiement pour anticiper l'essor des transactions initiées par des agents d'intelligence artificielle. L'entreprise a présenté le Universal Commerce Protocol (UCP), une nouvelle spécification destinée à standardiser la communication entre agents IA, systèmes de paiement et marchands. En parallèle, Google déploie un nouveau serveur baptisé Merchant Commerce Platform (MCP), qui fait office d'intermédiaire entre les développeurs d'agents et les backends commerciaux. D'autres composants complètent ce dispositif : des callbacks dynamiques pour l'API Android Pay, permettant des ajustements en temps réel pendant une transaction (recalcul des frais de livraison, mise à jour de la TVA), ainsi qu'une extension du support WebView pour autoriser des paiements natifs au sein d'applications tierces comme les réseaux sociaux. Ce basculement répond à un problème concret : les agents IA conçus pour réserver des vols, commander des fournitures ou effectuer des achats en ligne sont incapables de naviguer dans des tunnels de conversion pensés pour des humains, avec leurs clics, leurs formulaires et leurs pages de confirmation visuelles. En remplaçant ce modèle par une API stable et lisible par les machines, Google cherche à s'imposer comme la plaque tournante du commerce machine-à-machine. Pour les entreprises, les implications sont immédiates : si leurs données produits, leurs prix et leurs stocks ne sont pas exposés sous forme de données structurées exploitables par un agent, elles deviennent invisibles dans ce nouveau canal commercial. Le référencement ne se fera plus uniquement pour les humains, mais aussi pour les algorithmes qui décident des achats à leur place. Ce repositionnement intervient alors que l'ensemble de l'industrie tech anticipe une explosion des transactions autonomes. En centralisant les flux via son serveur MCP, Google obtient une vue privilégiée sur les tendances commerciales générées par les agents IA, ce qui soulève des questions de gouvernance des données et de dépendance à une plateforme propriétaire. Sur le plan de la sécurité, Google introduit une authentification biométrique inter-appareils : un agent peut demander à l'utilisateur de valider un achat depuis son téléphone, même si la transaction a été orchestrée depuis un ordinateur. Ce mécanisme établit un modèle de supervision humaine pour les transactions sensibles, mais la question de savoir quand un agent peut agir de façon entièrement autonome reste ouverte et sera probablement au cœur des prochains débats réglementaires et industriels.

💬 Le vrai angle ici, c'est pas le protocole, c'est que les agents IA ne savent pas passer en caisse. Google règle ça, et du même coup devient incontournable pour tout le commerce machine-à-machine. Les marchands qui n'ont pas encore leurs données produits en format structuré viennent d'hériter d'un nouveau chantier.