MCP fait l'objet de sa plus grande mise à jour : voici ce qui change pour les agents IA

Orchard : un framework open source pour l'IA à base d'agents à grande échelle

Microsoft a dévoilé Orchard, un framework open source destiné à la recherche sur l'IA agentique à grande échelle et à moindre coût. Son composant central, Orchard Env, est un service d'environnement réutilisable, bâti sur Kubernetes, capable de créer, gérer et supprimer des milliers de composants isolés en parallèle pour entraîner et évaluer des agents. Cette même infrastructure prend en charge des agents dédiés au développement logiciel, à la navigation web et à l'assistance personnelle, et permet de les entraîner directement dans de véritables environnements de déploiement comme Codex, OpenClaw et ZeroClaw. Pour illustrer cette approche, Microsoft publie trois recettes d'entraînement spécialisées, Orchard-SWE, Orchard-GUI et Orchard-Claw, accompagnées des données d'entraînement et des méthodes d'évaluation utilisées pour les construire. Le résultat le plus marquant vient d'Orchard-SWE, qui atteint 69,7% sur le benchmark SWE-bench Verified, un score qui grimpe à 73% grâce à un reclassement par modèle de valeur, avec seulement environ 3 milliards de paramètres actifs, se rapprochant ainsi de systèmes de pointe utilisant des modèles plus de dix fois plus volumineux. Cette annonce répond à un obstacle bien connu de la recherche en IA agentique: construire des systèmes à l'état de l'art exige généralement une infrastructure propriétaire, des bacs à sable sur mesure, des pipelines d'entraînement fermés et des jeux de données inaccessibles à la majorité des chercheurs. En rendant Orchard Env indépendant de tout framework d'entraînement spécifique et compatible avec plusieurs types de tâches sans modification, Microsoft entend démocratiser l'accès à ces outils. Les équipes de recherche peuvent ainsi introduire de nouveaux benchmarks, agents ou algorithmes d'entraînement sans reconstruire leur infrastructure depuis zéro, ce qui pourrait accélérer considérablement les progrès collectifs dans un domaine jusqu'ici dominé par quelques acteurs disposant de ressources massives. Le contexte plus large est celui d'une bascule rapide de l'IA, qui passe de simples systèmes de questions-réponses statiques à des agents autonomes capables de planifier, raisonner et agir dans des environnements complexes et multi-étapes, que ce soit pour corriger des bugs dans du code, naviguer sur le web pour un utilisateur ou gérer des calendriers et des e-mails. Un défi technique majeur reste que les agents les plus performants fonctionnent rarement comme de simples modèles isolés: ils s'appuient sur des harnais sophistiqués tels que Claude Code, Codex ou OpenClaw, qui gèrent le raisonnement multi-tours, l'usage d'outils et les connexions à des systèmes externes, un niveau de complexité que les outils d'entraînement ouverts peinent habituellement à prendre en charge.

💬 Sur le papier, Orchard ne fait qu'une chose : rendre accessible ce qui coûtait des millions à assembler soi-même. Mais 69,7% sur SWE-bench avec 3 milliards de paramètres actifs, ça change vraiment la donne : Microsoft prouve qu'on peut rivaliser avec des modèles dix fois plus gros si l'infra d'entraînement est bien pensée. Reste à voir si les labos plus petits auront les GPU pour en profiter, parce que le code est ouvert, le calcul, lui, ne l'est pas.

Amazon Quick intègre des agents autonomes pour vous faire gagner des heures chaque jour

Amazon a annoncé cette semaine une mise à jour majeure de Quick, son assistant IA d'entreprise, avec le lancement d'agents autonomes capables de travailler en continu pour le compte des utilisateurs, même lorsque ceux-ci sont en réunion. Ces agents se configurent en quelques minutes via une description en langage naturel, sans aucune ligne de code, et peuvent se voir attribuer des niveaux d'autonomie variables : des instructions précises étape par étape jusqu'à des objectifs larges que l'agent atteint par ses propres moyens. Concrètement, un commercial peut revenir d'une journée de réunions et trouver les deals bloqués signalés, les relances rédigées et les notes CRM mises à jour. Un responsable conformité découvre au matin un résumé d'impact d'une réglementation publiée la nuit. Un acheteur voit ses bons de commande traités en continu. Amazon introduit également un "activity feed" repensé qui consolide e-mails, messageries, calendrier et tâches en une vue unique priorisée, avec des ébauches de réponses déjà générées et des notes de réunion préparées avant même que l'invitation soit ouverte. Cette évolution marque un pas vers ce que l'industrie appelle l'"agentic AI" : des systèmes qui ne se contentent plus de répondre aux questions mais initient des actions de manière proactive, sur la durée. Pour les entreprises, l'enjeu est de récupérer du temps de travail à haute valeur ajoutée en automatisant la gestion de flux d'information dispersés. Amazon positionne Quick comme un hub universel en annonçant simultanément 16 nouvelles intégrations, dont Adobe, Figma, Google Chat, Shopify, Snowflake, WhatsApp, Zapier, ZoomInfo, Cisco Webex, Dun & Bradstreet et Microsoft OneNote. Cela porte l'offre à plus de 30 compétences prêtes à l'emploi couvrant les ventes, la finance, les opérations et la conformité. Quick s'inscrit dans une bataille plus large entre les grandes plateformes cloud pour capter les budgets d'automatisation des entreprises. Microsoft intègre Copilot dans Microsoft 365, Google déploie ses Agents dans Workspace, et Salesforce avance avec Agentforce. Amazon, dont la position dans le marché des assistants d'entreprise reste moins dominante que ses concurrents dans les suites bureautiques, mise sur l'interopérabilité pour se différencier : pas de silos propriétaires, mais une couche d'orchestration capable de connecter l'existant. Le catalogue ouvert d'agents et de connecteurs, publiable par les organisations elles-mêmes, rappelle la logique des app stores et pourrait accélérer l'adoption si l'écosystème de partenaires se densifie rapidement. La prochaine étape sera de démontrer la fiabilité de ces agents sur des tâches à fort enjeu, là où une erreur autonome coûte plus cher que l'heure gagnée.

L'IA qui fait vraiment la différence pour les entreprises

Après deux ans de démonstrations spectaculaires et de prototypes précipités, les dirigeants technologiques des grandes entreprises adoptent en 2026 un discours nettement plus pragmatique sur l'intelligence artificielle. Lors d'un webinaire organisé par OutSystems, des responsables techniques issus d'entreprises comme Thermo Fisher Scientific et McConkey Auction Group ont témoigné d'une même priorité : faire passer les agents IA du stade expérimental à la production réelle, avec des résultats mesurables. Chez Thermo Fisher, Rajkiran Vajreshwari, responsable du développement applicatif, a décrit comment son équipe a abandonné les assistants IA mono-tâches au profit d'un système multi-agents coordonné : à l'arrivée d'un ticket de support, un agent de triage classe la demande et la route dynamiquement vers un agent spécialisé, intention et priorité, contexte produit, dépannage ou conformité, chacun opérant dans un périmètre strict et auditable. L'enjeu central n'est plus le choix du bon modèle de langage, mais l'orchestration : comment router les tâches, coordonner les workflows, gouverner l'exécution et intégrer les agents dans des systèmes construits sur des décennies. Une nouvelle catégorie de risque est apparue en parallèle : le « shadow AI », autrement dit le code de niveau production généré par des employés sans supervision informatique. Ces outils maison sont exposés aux hallucinations, aux fuites de données, aux violations de politique et à la dérive des modèles. Luis Blando, CPTO d'OutSystems, résume la réponse des organisations les plus avancées en trois actions : fournir des garde-fous aux utilisateurs, utiliser l'IA pour gouverner l'IA à l'échelle du portefeuille applicatif, et s'appuyer sur des plateformes qui intègrent ces contrôles nativement plutôt que de les construire manuellement. Ce tournant pragmatique survient alors que les premières vagues d'enthousiasme autour des LLM se heurtent à leurs limites réelles en environnement d'entreprise : sans orchestration, sans connexion aux données métier existantes et sans gouvernance, les modèles les plus puissants produisent peu de valeur durable. Les profils les plus recherchés ne sont plus les data scientists spécialisés, mais les développeurs généralistes et les architectes d'entreprise capables de faire dialoguer agents IA, systèmes legacy et processus métier. La compétition se joue désormais moins sur la puissance brute des modèles que sur la capacité des plateformes, OutSystems, mais aussi Microsoft, Salesforce ou ServiceNow, à proposer des environnements où les agents peuvent être déployés, surveillés et gouvernés à l'échelle industrielle.

Coinbase for Agents : Coinbase lance ses agents IA pour gérer vos cryptos à votre place

Coinbase a annoncé le 11 juin 2026 le lancement de Coinbase for Agents, une plateforme permettant à des agents d'intelligence artificielle de gérer directement des portefeuilles de cryptomonnaies. Concrètement, un agent IA peut désormais accéder à un compte Coinbase pour exécuter des achats, des ventes et des paiements, sans intervention humaine à chaque opération. L'utilisateur définit en amont un cadre strict : plafonds de dépenses, liste des actifs autorisés, règles d'exécution. L'agent peut aussi fonctionner dans un portefeuille isolé, cloisonné du reste des fonds. Parmi les cas d'usage mis en avant par Coinbase : maintenir automatiquement une répartition cible entre Bitcoin, Ethereum et Solana en tirant parti des fluctuations du marché, placer les liquidités dormantes pour en améliorer le rendement, ou programmer des achats récurrents sur les périodes historiquement les moins chères. La semaine prochaine, la plateforme prévoit également d'intégrer le protocole x402, qui permettra à l'agent d'acheter lui-même des données financières premium et des outils d'analyse sans solliciter l'utilisateur. Ce lancement marque une rupture dans la manière dont les outils d'IA sont intégrés à la finance. Jusqu'ici, les grands modèles de langage se limitaient à analyser des marchés ou à répondre à des questions financières ; Coinbase franchit une étape en leur donnant la capacité d'agir. Pour les investisseurs particuliers, cela signifie la possibilité de déléguer des stratégies de gestion de portefeuille qui demandaient auparavant une attention constante ou le recours à des outils professionnels coûteux. Pour les développeurs et les entreprises, Coinbase for Agents ouvre la voie à des applications financières entièrement automatisées, où un agent peut gérer ses propres ressources pour accomplir des tâches complexes. Coinbase s'inscrit dans une tendance plus large du secteur technologique, où les grands acteurs cherchent à doter les agents IA de capacités d'action concrètes au-delà du texte et de l'image. La plateforme américaine, qui compte parmi les exchanges de cryptomonnaies les plus réglementés, affirme que les opérations réalisées via Coinbase for Agents sont soumises aux mêmes contrôles de conformité et à la même surveillance des transactions que ses autres services. Ces garde-fous restent néanmoins limités face aux risques inhérents à la volatilité des cryptoactifs et à la qualité des instructions données à l'agent. Une stratégie mal calibrée ou une période de forte turbulence sur les marchés pourrait produire des résultats très éloignés des attentes de l'utilisateur, rappelant que la délégation à une IA ne supprime pas le risque financier, elle le déplace.

💬 L'étape d'après, c'est ça : un agent qui gère son propre budget pour s'outiller et agir sur des marchés réels. Le DCA automatique sur les creux, sympa sur le papier, mais c'est surtout le x402 qui m'intéresse, quand l'agent commence à acheter lui-même ses données d'analyse pour prendre ses décisions. Reste à voir ce que ça donne dans une semaine rouge à -20 %.