Les termes de nos articles, en bref

L'Agentic AI désigne les systèmes d'IA qui ne se contentent pas de formuler une réponse : face à une tâche, ils planifient les étapes, appellent des outils et évaluent eux-mêmes les résultats intermédiaires. Au lieu d'un échange unique question-réponse, on obtient un cycle : planifier, agir, observer, étape suivante.

Ce qui fait un système agentic

• Usage d'outils : le modèle peut appeler des API, des bases de données ou des outils (souvent via MCP).
• Contrôles intermédiaires : les résultats sont vérifiés avant de passer à l'étape suivante.
• Mémoire : l'agent conserve le contexte au moins le temps de la tâche en cours.
• Critères d'arrêt : conditions claires indiquant quand la tâche est terminée - ou doit être escaladée.

Pertinence pratique

Au quotidien, l'Agentic AI résout des tâches trop volumineuses pour un seul prompt : recherche dans plusieurs sources, préparation de documents, traitement du courrier entrant. La qualité dépend de la description des outils, de droits d'accès propres et d'un comportement d'arrêt clair en cas d'incertitude.

Distinction

Un coding agent est une forme spécifique d'Agentic AI appliquée au développement logiciel. Un simple chatbot, en revanche, ne l'est pas : sans outils ni étapes en jeu, la part agentique est absente.

L'IA locale désigne les modèles de langage et les outils qui tournent dans votre propre centre de données, sur votre propre serveur ou sur un poste de travail - pas dans le cloud d'un fournisseur. Les données ne quittent donc pas nécessairement le réseau, critère souvent décisif pour les cabinets juridiques, médicaux et de conseil.

Quand l'IA locale a du sens

• Données confidentielles : dossiers clients, dossiers patients, documents financiers.
• Exigences réglementaires : déontologie professionnelle, contrats clients, régulation sectorielle.
• Latence : requêtes récurrentes sans aller-retour vers le cloud.

À quoi ressemble l'IA locale en pratique

Pour beaucoup de tâches aujourd'hui, un modèle open source de taille moyenne sur un GPU dédié ou un serveur capable suffit. Des frameworks comme Ollama, vLLM ou llama.cpp font tourner le modèle, votre propre index RAG tient la base de connaissances prête et un serveur MCP expose les outils.

Ce qu'il faut garder à l'esprit

L'IA locale ne s'auto-gère pas : entretien du modèle, taux d'utilisation du GPU et mise à l'échelle doivent être encadrés. En contrepartie, la souveraineté sur les données reste claire et les coûts deviennent plus prévisibles que des tarifs API ouverts.

L'Intelligent Document Processing (IDP) désigne le traitement automatisé de documents à l'aide de l'IA. Contrairement à un simple OCR, il ne s'agit pas seulement de lire le texte d'un scan, mais de comprendre le contenu, de le classer et de le convertir en champs structurés.

À ne pas confondre avec IdP (Identity Provider)

L'acronyme IDP couvre deux univers très différents. Ici, il s'agit de traitement documentaire. Les Identity Providers (généralement notés IdP) sont des systèmes d'authentification et de single sign-on.

Étapes typiques

• Classification : quel type de document avons-nous (facture, contrat, courrier officiel, lettre) ?
• Extraction : quels champs doit-on lire (montants, dates, parties, numéros de dossier) ?
• Validation : contrôles de cohérence, double validation humaine et solutions de repli pour les cas incertains.
• Transmission : remise des résultats au DMS, à l'ERP, au logiciel métier ou au moteur de workflow.

Ce qui fait la différence

Une solution IDP fiable repose sur la qualité des données et sur la gestion des cas atypiques. Un canal d'entrée propre, de bonnes données d'entraînement, des critères d'arrêt clairs et une revue humaine pour les cas incertains comptent plus que le choix du modèle.

Le Model Context Protocol (MCP) est un standard ouvert qui décrit comment un modèle de langage ou un agent peut dialoguer de manière structurée avec des outils et des sources de données externes. Au lieu de coder chaque intégration à la main, un serveur MCP déclare ses capacités, et un client - Claude ou votre propre agent - peut les utiliser immédiatement.

Ce que MCP vise

Les modèles de langage ne deviennent utiles au quotidien que lorsqu'ils peuvent lire les données métier et déclencher des actions : consulter un DMS, interroger une base de connaissances, poser un rendez-vous dans un calendrier. MCP fournit pour cela une interface standardisée, indépendante du modèle utilisé.

Ce qu'expose un serveur MCP

• Outils (tools) : actions clairement décrites que l'agent peut invoquer.
• Ressources : données que l'agent est autorisé à lire, par exemple des documents ou enregistrements.
• Prompts : briques préparées que l'agent peut utiliser comme modèles.

Importance pratique

Pour les PME, MCP réduit l'effort d'intégration entre les systèmes d'IA et les applications existantes. Un serveur MCP devant une API existante est souvent plus court et plus stable qu'un adaptateur fait sur mesure pour chaque outil d'IA.

OPA (Open Policy Agent) est un moteur qui sort les décisions concernant les accès et le comportement des applications de l'application elle-même. Les règles sont écrites dans le langage Rego et gérées de façon centralisée, au lieu d'être éparpillées dans le code, des fichiers de configuration et des consoles cloud.

À quoi sert OPA

• Contrôle d'accès : qui a le droit d'effectuer une action, sur quelle ressource, dans quelles conditions.
• Règles de conformité : exigences techniques, par exemple quelles images de conteneur sont autorisées ou quels tags un déploiement doit porter.
• Filtres de données : quels enregistrements un appelant a réellement le droit de voir.

Pourquoi c'est utile en PME-ETI

Dans des systèmes qui ont grandi avec le temps, les règles sont souvent dispersées dans le code. OPA les rend visibles, vérifiables et versionnables. Modifier une politique d'accès devient un événement traçable, pas une chasse à travers dix dépôts.

Concepts voisins

OPA n'est pas le seul outil de policy-as-code, mais le plus répandu. Dans les environnements Kubernetes, on le rencontre souvent sous la forme de Gatekeeper ; dans les passerelles API, comme sidecar ou bibliothèque.

Une PWA (Progressive Web App) est une application web qui tourne dans le navigateur mais se comporte comme une application native : installable sur l'écran d'accueil, exploitable sans connexion permanente, intégrée au système d'exploitation pour les notifications push ou les données en arrière-plan.

Ce qui définit une PWA

• Manifest : décrit le nom, l'icône et le comportement de démarrage de l'app.
• Service worker : un script en arrière-plan qui gère les caches et permet le mode hors ligne.
• HTTPS : prérequis, car de nombreuses API modernes du navigateur ne sont disponibles qu'en HTTPS.

Quand une PWA convient

Les PWA conviennent bien quand la même fonctionnalité est requise sur desktop, tablette et smartphone sans maintenir un build séparé par plateforme. Cas typiques : outils internes, portails clients, applications de réservation et de gestion de commandes.

Différence avec une application native

L'application native reste incontournable quand il faut une intégration matérielle poussée, Bluetooth, capteurs ou des performances particulières. Pour la plupart des applications métier, une PWA suffit - pour un coût nettement moindre et sans passer par la validation en store.

Le Retrieval-Augmented Generation (RAG) complète la réponse d'un modèle de langage avec des contenus issus d'une source documentaire dédiée. Plutôt que de s'appuyer uniquement sur les connaissances figées dans le modèle, le système récupère d'abord quelques passages pertinents dans un index (retrieval), puis fait générer une réponse à partir de ces passages (generation).

Pourquoi c'est utile

En entreprise, la connaissance pertinente ne réside pas dans le modèle mais dans les dossiers, contrats, wikis et fils de messagerie. Le RAG combine les deux : la compréhension linguistique du modèle et la matière concrète, à jour, propre à l'organisation. Cela réduit le risque de réponses inventées et rend les affirmations traçables.

Briques typiques

• Pipeline d'ingestion : extraction et préparation des documents, souvent avec OCR et nettoyage.
• Découpage : segmentation en passages indexables séparément.
• Index d'embeddings : représentation vectorielle des passages dans une base vectorielle.
• Récupération : recherche sémantique des passages pertinents, souvent avec re-ranking.
• Génération sourcée : le modèle produit la réponse et pointe vers les passages d'appui.

Pièges fréquents

Un pilote sur des données d'exemple est bien plus simple que l'exploitation au quotidien. Droits d'accès, versions, qualité de l'OCR et citations vérifiables décident de l'acceptation réelle d'un système RAG.

Le RGPD (en anglais GDPR, en allemand DSGVO) est le cadre européen qui régit le traitement des données personnelles. Il couvre tout processus impliquant des noms, des coordonnées, des dossiers, des informations clients ou des données comparables - qu'ils résident dans un service cloud, sur des serveurs locaux ou dans un tableur.

Ce qu'il vise

• Limitation des finalités : les données ne sont traitées que pour la finalité pour laquelle elles ont été collectées.
• Minimisation : on collecte ce dont on a réellement besoin, pas plus.
• Transparence : les personnes concernées savent qui utilise leurs données et pourquoi.
• Droits des personnes : accès, rectification, effacement, portabilité.

Côté IT

Dans les projets logiciels, les thèmes centraux sont les contrats de sous-traitance, les mesures techniques et organisationnelles, les transferts hors UE et la séparation propre entre données de test et de production. Les fonctions d'IA ajoutent les questions des données d'entraînement, des journaux et du rôle d'opérateur du modèle.

Levier pratique

La conformité au RGPD vient rarement d'un seul outil, mais de responsabilités claires, de schémas de flux de données et d'interfaces maîtrisées. L'IA locale et un index RAG interne sont souvent les moyens d'établir enfin une souveraineté nette sur les données.