En 2025, le concept d'« agent » s'est vraiment imposé : de l'IA capable de raisonner, d'itérer et d'agir sur des données pour accomplir un véritable travail. Depuis, nous avons vu émerger une vague de technologies open source autour des agents : Agent SDKs, MCP, A2A, bibliothèques de compétences, bacs à sable, et d'autres briques conçues pour des standards ouverts et l'interopérabilité. Cette ouverture compte. C'est ce qui permet aux agents de prendre en charge davantage de travail : vous pouvez vous connecter à plus d'outils et pousser les agents au-delà d'une simple fenêtre de chat vers les IDEs, les applications internes et les systèmes d'entreprise.
Les modèles qui alimentent ces agents sont devenus remarquablement meilleurs pour le travail réel. Ils sont capables d'écrire et de corriger du code, de raisonner sur des problèmes en plusieurs étapes, de générer des images complexes et de gérer des tâches de longue durée — même si ces gains n'apparaissent pas dans les benchmarks. En conséquence, nous avons vu davantage de spécialisation des modèles : Claude pour le code, GPT pour le raisonnement, Nano Banana pour la génération d'images, avec tous les quelques mois un nouveau modèle « waouh » qui ouvre de nouvelles capacités. Cela ne fait que confirmer que l'avenir repose sur des modèles différents pour des tâches différentes. ;
Au cours de l'année écoulée, les équipes ont poussé ces agents à fond pour voir combien de travail ils pouvaient prendre en charge et quel niveau de « context engineering » était nécessaire pour rendre cela possible. La question partout était la même : Que faut-il pour amener les agents à fonctionner de manière suffisamment fiable pour une utilisation en entreprise ? Chez Glean, nous l'avons constaté directement dans la résolution des tickets de support, la prévision des comptes commerciaux et le débogage en ingénierie.
Ce qui émerge maintenant, c'est le passage d'expérimentations ponctuelles avec des agents à la construction et à l'exploitation de dizaines — parfois de centaines — d'agents au sein d'une entreprise. Les employés utilisent des agents pour redéfinir leur productivité personnelle, et les départements repensent les processus métier de base au-delà des capacités des applications system of record. ; Les organisations veulent quelque chose de scalable : un contexte fiable, des moyens sûrs d'utiliser leurs données avec l'IA, et la capacité d'absorber rapidement les innovations dans les modèles et les outils sans reconstruire leur stack à partir de zéro.
Nous observons la forme que prend cette reconnaissance d'un agent stack. Vous pouvez en voir des variantes chez chaque fournisseur cloud, chez des plateformes de données comme Databricks et Snowflake, et chez des acteurs départementaux de system of record comme ServiceNow et Salesforce. Même les fournisseurs de modèles créent des plateformes d'agents, comme Frontier d'OpenAI introduit la semaine dernière. ;
Glean, bien sûr, propose une architecture d'agents qui s'appuie sur notre base profonde de contexte d'entreprise, de connectivité des données et de sécurité. ; Contrairement à la plupart, nous nous sommes fortement concentrés sur la transformation de notre produit en une stack ouverte à chaque couche. Aujourd'hui, je veux en partager davantage sur cette stratégie horizontale et ouverte
Ce que j'entends par stratégie ouverte, c'est que nous avons conçu l'architecture des agents de sorte qu'elle ne soit pas détenue par un acteur ou une technologie unique. J'aime la considérer comme une stack — les couches individuelles deviennent trop spécialisées pour qu'un seul fournisseur puisse les dominer toutes. La force d'une stack tient au fait que ses couches restent interopérables et se renforcent mutuellement : les progrès d'une couche multiplient la valeur des autres.
Le rythme de l'IA est sans précédent. Plus que jamais, vous ne voulez pas être l'entreprise qui mise sur une plateforme monolithique qui vous enferme — miser sur un seul acteur crée un point de défaillance unique.
La stack d'agents d'entreprise
Contexte ;
Le context engineering a été formulé en 2025 dans les mots d'Andrej Karpathy : « Dans chaque application LLM de niveau industriel, le context engineering est l'art et la science délicats de remplir la fenêtre de contexte avec exactement les bonnes informations pour l'étape suivante. Science, parce que bien faire cela implique des descriptions et explications de tâches, des exemples few-shot, RAG, des données connexes (éventuellement multimodales), des outils, l'état et l'historique, la compression... Trop peu ou sous une forme incorrecte, et le LLM n'a pas le bon contexte pour des performances optimales. Trop ou trop hors sujet, et les coûts du LLM peuvent augmenter et les performances peuvent diminuer. Bien faire cela est hautement non trivial. »
;Cela a marqué un tournant — les modèles étaient enfin entraînés pour l'utilisation d'outils, et MCP a émergé comme un standard qui a intégré des outils dans un large éventail d'applications activées par l'IA. Mais le context engineering a aussi mis en lumière un vrai problème : connecter des outils entre eux est difficile, et le faire encore et encore pour chaque nouvel agent devient une charge d'ingénierie importante.
Pour alléger cette charge pour les ingénieurs, il faut faire monter la stack. Il ne suffit pas de remettre aux équipes des endpoints de données et des actions prêts à l'emploi et d'espérer qu'elles se comportent de manière fiable dans un environnement d'entreprise. Vous avez besoin d'une base contextualisée en dessous :
- Des connecteurs de données qui récupèrent des informations complètes et permissionnées
- Des index qui offrent une recherche rapide et précise
- Des knowledge graphs qui cartographient les relations et permettent un raisonnement multi-saut
- Des context graphs qui comprennent les processus de travail
Sans cette base, vous ne pouvez pas tirer de valeur de vos données, les décisions sont mal informées et incorrectes, et vous vous retrouvez avec ce que 2025 nous a aussi donné comme nom : le work slop.
Ce qui m'a enthousiasmé pendant les fêtes, c'est que le contexte est passé de la simple compréhension de vos données à la compréhension de votre entreprise et de vos modes de travail grâce à des context graphs. Dans les anciennes ères de la donnée, nous nous concentrions uniquement sur l'enregistrement des décisions (c'est-à-dire : les systèmes de record), et non sur la manière dont ces décisions étaient prises. Mais maintenant, avec les agents, comprendre ces processus a de la valeur — l'automatisation agentique. Cela donne davantage de travail aux agents parce qu'ils peuvent prendre de meilleures décisions en apprenant comment le travail se déroule réellement.
Il y a une autre raison pour laquelle vous voulez que tout votre contexte soit réuni en un seul endroit. C'est parce que chaque cas d'usage pertinent de l'IA traverse plusieurs systèmes. Lorsque chaque produit vertical construit ses propres connecteurs, vous obtenez N copies d'intégrations fragiles, des sémantiques incohérentes, des revues de sécurité plus longues et une charge de maintenance croissante. ;
Enfin, les entreprises avec lesquelles nous travaillons commencent à comprendre que le contexte est une zone potentielle clé de verrouillage pour l'agent stack. ; Si vous passez des années à entraîner un système d'IA à vraiment comprendre votre entreprise, et à constituer sa mémoire au fil des années d'interactions avec tous vos employés et vos processus métier, ; que se passe-t-il lorsque vous souhaitez passer à un nouveau modèle d'IA ou à un nouveau fournisseur ? ; Tout ce contexte et tout cet apprentissage sont-ils perdus, et devez-vous recommencer ? ; Avec la bonne architecture d'agents, vous pouvez séparer tout votre contexte de la couche modèle. Cela garantit que vous conservez votre IP, et que les données précieuses qu'elle contient ne sont pas verrouillées à un seul modèle ou fournisseur.
Modèles
Nous ne serions pas là où nous en sommes aujourd'hui avec les agents sans les modèles de raisonnement modernes. GPT-5 a fait progresser le raisonnement à long horizon, Claude reste le plus fort pour le code et l'utilisation d'outils, et Gemini Flash montre ce qui est possible avec une inférence extrêmement rapide et à faible latence. Les modèles d'aujourd'hui sont remarquables par l'éventail des tâches qu'ils peuvent prendre en charge.
Mais malgré les discours sur la commoditisation, il est clair que nous nous dirigeons vers un avenir à plusieurs modèles et plusieurs fournisseurs. Chez Glean, nous sélectionnons déjà différents modèles pour différents travaux — génération d'images, génération de code, recherche approfondie, routage léger — quel que soit le fournisseur. Différentes tâches nécessitent différents modèles cela ne changera pas. Être agnostique vis-à-vis des modèles garantit que vous avez toujours accès aux capacités les plus récentes.
Il existe aussi une raison plus fondamentale pour laquelle les fournisseurs de modèles ne contrôleront pas la couche de contexte : l'économie. Les coûts d'entraînement ont augmenté de 2 à 3× à chaque génération, chaque modèle frontier coûtant désormais à lui seul des centaines de millions de dollars en calcul d'entraînement. Seules quelques organisations peuvent opérer à cette échelle, ce qui signifie que les modèles frontier deviennent une infrastructure partagée plutôt qu'une chose que chaque entreprise construit. ;
Et cette ligne de partage compte — les fournisseurs de modèles resteront concentrés sur le développement des modèles parce que construire et maintenir la couche de contexte est un investissement entièrement différent, tout aussi massif, qu'il faut réussir.
Orchestration
On parle beaucoup d'orchestration en ce moment, et pour de bonnes raisons. L'orchestration est la chose qui se rapproche le plus de véritables applications : elle utilise les données d'entreprise, applique les bonnes compétences, orchestre l'automatisation à partir des systèmes métier et apprend de l'exécution répétée pour accomplir le travail de manière fiable. En conséquence, nous allons voir émerger des orchestrateurs incroyables pour des cas d'usage de niche et départementaux, comme nous l'avons déjà vu avec des outils tels que Cursor pour l'ingénierie, Trupeer pour les vidéos produit et Airops pour le contenu SEO.
Mais il existe aussi un besoin réel d'orchestration horizontale, parce que ces centaines d'agents personnalisés pour votre entreprise couvrent plusieurs systèmes, équipes et sources de données. C'est là qu'une stack horizontale apporte une valeur disproportionnée. Chez Glean, nous nous concentrons sur une IA qui transforme la manière dont des départements entiers fonctionnent — support, ventes, ingénierie et au-delà. Pour bien faire cela, il faut comprendre comment ces fonctions fonctionnent réellement : leurs processus, leurs transitions, leurs flux de données et leurs points de décision. Une fois que vous comprenez cela, vous pouvez coordonner les bonnes données et les bonnes actions pour automatiser de vrais workflows.
Si vous zoomez, vous remarquerez que les deux parties de la stack qui doivent être étroitement couplées sont la couche de données et la couche d'orchestration. Sans contexte d'entreprise — connecteurs, index, signaux, modèles de processus et relations — un orchestrateur ne peut pas prendre de bonnes décisions ni automatiser le travail de manière fiable. Et dans l'autre sens, chaque exécution d'un agent produit de nouvelles traces et de nouveaux retours qui améliorent la couche de contexte. Chaque exécution apprend au système ce qui a fonctionné, ce qui n'a pas fonctionné, et comment optimiser l'exécution suivante.
Cette boucle de rétroaction — le contexte qui informe l'orchestration, et l'orchestration qui renforce le contexte — est ce qui rend possible une automatisation fiable et de longue durée. ;
Sécurité
La sécurité est le seul domaine où les entreprises ne peuvent tout simplement pas tolérer la fragmentation. Si chaque solution ponctuelle nécessite son propre modèle de sécurité, vous finissez par dupliquer les efforts, élargir votre surface d'attaque et appliquer les politiques de manière incohérente.
Chaque vague d'innovation en IA — de RAG aux agents en passant par la génération de code — a introduit de nouveaux besoins de sécurité, obligeant les entreprises à élaborer de nouveaux playbooks. Chaque vague d'IA doit s'appuyer sur les mêmes fondations de sécurité : isoler les données et les modèles pour éviter les fuites, appliquer des normes fortes de réseau et de chiffrement, et garantir une identité de niveau entreprise via SSO.
Ce que vous voulez vraiment des acteurs horizontaux, ce n'est pas la responsabilité de déterminer comment protéger chaque nouvelle innovation — vous voulez une sécurité intégrée. Lorsque vous recherchez dans vos données d'entreprise, le contenu sensible ne devrait pas apparaître par accident. Lorsque vous confiez une tâche à un agent, il ne devrait pas effectuer des actions que vous n'avez pas autorisées. Lorsque vous générez du code, il ne devrait pas sortir de votre environnement privé. Ces protections devraient être les valeurs par défaut.
Vous pouvez assumer cette charge vous-même, ou vous pouvez vous associer à des fournisseurs horizontaux qui appliquent un modèle de sécurité unifié à travers vos données, vos apps et vos workflows d'agents. Cette prise de conscience — le besoin d'une sécurité cohérente et centralisée — est l'une des principales forces qui poussent à la consolidation des architectures d'agents.
Interfaces
Nous avons passé une grande partie de 2025 ancrés dans l'interface de chat. Et même si le chat ne disparaît pas, il ne sera pas le seul moyen pour les employés d'interagir avec les agents. Chez Glean, nous le voyons déjà dans les schémas d'utilisation : l'adoption est la plus forte lorsque les agents sont intégrés directement dans les apps métier que les gens utilisent tous les jours. À mesure que les organisations introduisent davantage d'agents, elles auront besoin que ces agents apparaissent partout où le travail se fait.
C'est pourquoi je pense que 2026 apportera une nouvelle vague d'interfaces d'agents. Au-dessus des couches horizontales de la stack, nous verrons des agents verticaux et des UIs spécifiques à un domaine : copilots de support pour le service client, assistants commerciaux, outils de productivité pour l'ingénierie, dashboards CIO, copilots HR et finance, et agents intégrés dans les apps SaaS. ;
Ces expériences ne devraient pas réinventer le contexte et la sécurité — elles devraient s'appuyer sur les couches déjà existantes — tout en ajoutant les outils et workflows spécifiques au domaine qui les rendent utiles. Avec la bonne architecture d'agents, vous pouvez construire et entraîner votre stack de contexte d'entreprise une seule fois, et la connecter largement à travers votre entreprise de manière pérenne.
L'architecture des agents
Alors que les entreprises convergent vers des plateformes d'IA, elles auraient tort de devenir monolithiques : obtenir un fournisseur qui essaie de tout faire, finir par ne rien faire en profondeur, et vous renvoyer, à vous le client, le lourd travail d'intégration. Il vous reste à câbler les outils, réconcilier les modèles de données, ajouter de la gouvernance et assembler des workflows qui auraient dû être des citoyens de première classe.
Une approche d'architecture ouverte est différente. Elle reconnaît qu'il n'existe pas de monolithe unique capable de suivre le rythme de l'innovation en IA. À la place, une stack est composée de couches différenciées — modèles, contexte & ; orchestration, interfaces — chacune pouvant évoluer indépendamment tout en continuant à fonctionner ensemble. Les stacks permettent aux fournisseurs de choisir où ils se spécialisent, où ils s'associent, et où ils restent ouverts à l'intégration et aux nouveaux standards.
Cette approche est bien plus précieuse pour les entreprises. Elle vous offre de la flexibilité sans sacrifier la qualité, vous permet d'adopter les nouvelles capacités dès qu'elles apparaissent, et vous évite d'être enfermé dans un écosystème fermé qui ne peut pas suivre. Une stack d'agents bien conçue est intrinsèquement pérenne et centralisée parce que chaque couche horizontale peut s'améliorer selon son propre calendrier — sans que vous ayez à reconstruire le monde autour d'elle.
