Architecturer la couche de données pour les agents IA : des systèmes transactionnels au MCP et aux modèles sémantiques
Fabiane Nardon, dirigeante technique chez TOTVS, l'un des principaux éditeurs latino-américains de logiciels de gestion d'entreprise, a présenté une conférence intitulée « Architecting the Data Layer for AI Agents: From Transactional Systems to MCP and Semantic Models ». Elle y explique comment TOTVS restructure ses systèmes transactionnels pour les rendre exploitables par des agents d'intelligence artificielle gourmands en tokens. L'entreprise combine une architecture en data mesh, des bases de données à faible latence, des ontologies sémantiques et une sélection dynamique d'outils via le protocole MCP (Model Context Protocol) afin de réduire la taille des fenêtres de contexte envoyées aux modèles de langage.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de InfoQ AI. Lire l'article original →
Cette refonte répond à un enjeu très concret pour les entreprises qui déploient des agents IA en production : chaque appel à un grand modèle de langage a un coût, et une architecture de données mal conçue peut faire exploser inutilement le volume de tokens échangés, alourdissant facture et latence. En ne présentant aux agents que les données et outils pertinents au bon moment, TOTVS cherche à concilier la logique déterministe de ses systèmes de gestion avec le comportement non déterministe des LLM, sans sacrifier la précision des résultats ni la sécurité des données de ses clients.
Cette démarche illustre une tendance plus large du secteur : l'adoption du protocole MCP, popularisé par Anthropic, comme standard pour connecter les modèles de langage aux systèmes d'entreprise. À mesure que les agents IA s'intègrent aux outils critiques comme les ERP ou les CRM, les entreprises doivent repenser des couches de données conçues historiquement pour des applications classiques, et non pour des modèles consommateurs de tokens. Le travail de Nardon chez TOTVS s'inscrit dans cette recherche d'équilibre entre coût, performance et fiabilité.
Pas d'impact direct sur la France/UE
Le vrai coût des agents IA en entreprise, c'est pas le modèle, c'est la donnée qu'on lui balance à chaque appel. TOTVS l'a compris : filtrer ce qui arrive au LLM avec du MCP et des modèles sémantiques, c'est ce qui sépare un agent qui coûte une fortune en tokens d'un agent qui tourne vraiment en prod. Reste que peu d'entreprises ont l'architecture data assez propre pour se permettre ce genre de refonte, la plupart vont d'abord se manger la facture.