Résumé

Le paysage en pleine expansion des agents autonomes promet de révolutionner les flux de travail des entreprises dans tous les secteurs. Pour libérer tout leur potentiel, ces agents doivent être capables de communiquer et de collaborer efficacement. Les premières implémentations d'agents s'appuyaient souvent sur des solutions ad hoc pour la communication, menant à des écosystèmes fragmentés et une interopérabilité limitée. Cela a incité au développement de protocoles standardisés, tels que le Model Context Protocol (MCP) d'Anthropic et la récente introduction du cadre Agent-to-Agent (A2A) de Google Cloud. Le lancement d'A2A représente un changement significatif vers la standardisation, des environnements connectés et collaboratifs pilotés par des agents, ouvrant la voie à des solutions agentiques plus complexes et efficaces.

Regard historique

Depuis leur création, les LLM se sont révélés influents pour générer de l'information. Cependant, ils sont souvent limités par les données sur lesquelles ils ont été entraînés, ce qui les empêche d'obtenir des données contextuelles en temps réel. Les applications agentiques ne devraient pas fonctionner en vase clos : elles doivent interagir avec le monde et fournir les informations les plus récentes pour rendre leurs réponses plus significatives et pertinentes. Même les LLM les plus avancés ne peuvent offrir que des réponses statiques, obsolètes ou générales sans accès aux données en temps réel.

De plus, les applications agentiques propulsées par des LLM deviennent encore plus puissantes lorsqu'elles proposent des réponses personnalisées en fonction de données ou de préférences propres à l'utilisateur. En extrayant des données d'Internet, en restant à jour sur l'actualité, en fournissant des informations météo et financières en temps réel, en interrogeant des bases de données et en accédant aux profils clients, les applications agentiques restent pertinentes et réalisent des tâches nécessitant un contexte actuel et dynamique. À mesure que croissait le besoin d'information en temps réel et de contextualisation dynamique, les développeurs ont commencé à créer des points d'intégration pour permettre aux LLM de communiquer avec des systèmes externes.

Cela a amené son lot de défis. Initialement, de nombreuses solutions étaient développées sans souci d'interopérabilité : les systèmes étaient codés en dur et fortement couplés à une architecture ou un modèle d'agent précis. Ce partage limité des informations rend la collaboration ou l'échange de données difficile pour des agents basés sur différentes plateformes ou modèles. De plus, ces systèmes fortement couplés posaient des problèmes de passage à l'échelle, car l'intégration de nouveaux outils ou services exigeait souvent de réeffectuer un travail important ou des solutions sur mesure.

Voici un exemple simple : un utilisateur souhaite réserver un bon restaurant italien pour le dîner, qui est ouvert tard et propose des options végétariennes. Voici à quoi ressemblerait le flux d'informations :

Bien qu’intégrer des sources de données externes et des API ait été nécessaire, les premières implémentations ont rencontré des difficultés à créer une infrastructure flexible et évolutive capable de s'adapter au rythme effréné de l’évolution des technologies d’IA. Cela a généré des goulots d’étranglement pour les développeurs et entreprises souhaitant faire évoluer leurs applications agentiques sur différents systèmes, outils et cas d’usage. Le besoin d’un cadre standardisé et flexible pour permettre une interaction fluide entre des systèmes et sources de données variés est devenu évident.

MCP normalise la connexion

Model Context Protocol (MCP), lancé par Anthropic en novembre 2024, cette technologie se positionne comme un nouveau standard ouvert pour la standardisation de la façon dont le contexte est fourni aux applications d’IA [1]. Il s’agit d’un adaptateur universel, permettant aux agents d’ancrer leur raisonnement et leurs actions dans des informations pertinentes en temps réel. MCP établit une connexion bidirectionnelle sécurisée, standardisée et efficace entre applications GenAI (clients MCP) et les sources de données d’entreprise (accessibles via des serveurs MCP), construite sur JSON-RPC 2.0 pour communiquer via un hôte, qui gère le cycle de vie global, les politiques de sécurité et coordonne l’intégration du contexte de différentes sources pour le modèle d’IA.

Cette illustration montre comment les LLM interagissent avec des outils, API et sources de données externes. MCP apporte une standardisation et relève les défis d’interopérabilité et de passage à l’échelle, facilitant la création d’applications agentiques plus dynamiques, adaptables et robustes. Les développeurs peuvent désormais se concentrer sur la création de systèmes intelligents avec moins d’hallucinations qui collaborent sur diverses plateformes. Ils sont précis, capables d’accéder à des données en temps réel et offrent des réponses personnalisées, contextuelles, qui évoluent selon l’environnement et les besoins de l’utilisateur.

L’évolution agentique : l’impératif A2A [2]

Chaque agent individuel est conçu avec des compétences et une expertise spécifiques, ce qui leur permet de se concentrer sur certains aspects d’une tâche. Nombre de problèmes concrets du monde réel sont trop complexes pour qu’un agent unique puisse les traiter efficacement. Les agents individuels peuvent avoir accès à leurs propres ressources : données, capteurs, APIs, etc., lesquelles, partagées, peuvent contribuer à résoudre une problématique plus vaste. Par exemple, un agent peut accéder à des données météo en temps réel, tandis qu’un autre possède l’expertise pour prédire la demande énergétique. En collaborant, ils optimisent la production d’énergie selon les prévisions météorologiques. La capacité des agents à échanger de l’information et à partager leurs points de vue conduit souvent à une réponse plus complète pour atteindre un objectif commun.

A2A, lancé par Google Cloud avec un large soutien industriel [3], vise à standardiser la communication entre agents IA. Il offre un langage commun et un cadre pour que les agents se découvrent mutuellement, délèguent des tâches, négocient des compétences et coordonnent des flux de collaboration multi-agents au sein de plateformes et fournisseurs variés. A2A est un protocole ouvert conçu pour permettre aux agents IA de communiquer entre eux, d’échanger de façon sécurisée des informations et de coordonner leurs actions sur différentes plateformes, peu importe leur framework ou origine sous-jacents.

Alors que MCP traite de l’interaction agent-environnement et qu’A2A concerne l’interaction agent-agent, le vrai potentiel réside dans leur combinaison synergique. À l’aide des deux protocoles, les développeurs peuvent créer des systèmes multi-agents (MAS) sophistiqués. Voici les caractéristiques d’un MAS :

• Des groupes d’agents spécialisés collaborent sur des tâches complexes en utilisant A2A pour la coordination et la communication.
• Chaque agent du groupe exploite MCP pour accéder aux outils, APIs et données spécifiques pour réaliser efficacement les sous-tâches qui lui incombent.

Cette approche par couches favorise la modularité, renforce les capacités des agents, améliore la fiabilité des systèmes et accélère le développement de systèmes d’agents IA réellement interopérables et intelligents.

L’architecture A2A [4] : la carte d’agent

A2A s’appuie sur une architecture client-serveur pour l’interaction entre agents. Un prérequis fondamental de la collaboration des agents est leur capacité à se trouver et à comprendre leurs compétences respectives, ce que facilite la Carte d’Agent. L’agent client initie une demande ou délègue une tâche à un autre agent. À l’inverse, l’agent serveur (ou agent distant) expose ses capacités via un point de terminaison HTTP, reçoit les requêtes des agents clients et exécute les tâches demandées. La carte d’agent est l’élément essentiel pour structurer les interactions des agents. La carte d’agent est un fichier JSON standardisé de métadonnées qui agit comme le profil public ou l’identité numérique d’un agent, contenant des informations essentielles telles que son identifiant, son nom, sa description, ses compétences/capacités, l’URL d’accès, les exigences d’authentification, les modalités supportées et potentiellement les informations de support MCP.

A2A exploite des protocoles web standards et largement adoptés pour la communication, favorisant une intégration plus aisée à l’existant. Le transport principal est HTTP(S) pour les échanges en mode requête-réponse. Le format du message est défini par une spécification JSON, pouvant utiliser les principes de JSON-RPC 2.0 pour structurer les appels de procédures distantes.

Revenons à la sélection de restaurant. L’utilisateur souhaite réserver ce soir un bon restaurant italien pour dîner, ouvert tard et offrant des options végétariennes, et une fois le repas terminé, réserver un taxi pour rentrer à la maison. A2A simplifie la demande et optimise les résultats entre deux systèmes indépendants.

Agent 1 – Recherche et réservation de restaurant : L’agent reçoit la demande, communique avec une plateforme spécialisée de recherche de restaurants via un serveur MCP et suggère quelques restaurants végétariens selon leur classement, etc. Via un autre serveur MCP, il vérifie ensuite la disponibilité dans ces restaurants pour trouver les options correspondant aux critères, puis confirme la réservation. Il transmet ensuite la confirmation à l’agent 1.

Agent 2 – Réservation de taxi : Une fois la réservation du restaurant confirmée, un autre agent connaît désormais l’heure et le lieu approximatifs de la prise en charge par le taxi. Il envoie une demande de réservation à un autre serveur MCP (services de covoiturage) pour traiter la demande de transport, attribue un chauffeur et fournit des mises à jour en temps réel à l’agent.

Cet exemple d’une demande utilisateur complexe, en plusieurs étapes, illustre comment deux agents distincts, résidant sur des plateformes différentes, interagissent avec divers systèmes, tirant parti d’A2A pour orchestrer l’action des agents à travers les plateformes.

L’intégration avec les cadres de développement d’agents tels que le Agent Development Kit (ADK) de Google Cloud, CrewAI, LangGraph, LlamaIndex, Semantic Kernel et d’autres simplifiera l’implémentation d’agents compatibles A2A. Si MCP et A2A répondent à des besoins distincts, leur véritable potentiel émerge quand ils sont employés ensemble. Ils ne sont pas des standards concurrents mais des protocoles complémentaires adressant différents niveaux essentiels d’interaction nécessaires à la construction de systèmes d’agents IA autonomes sophistiqués.

L’adoption du protocole A2A présente des avantages commerciaux intéressants pour les entreprises :

1. Automatisation améliorée des flux de travail et efficacité opérationnelle : A2A facilite des flux de travail multi-agents plus autonomes et plus fluides, réduisant nettement les interventions manuelles et améliorant la coordination des tâches à travers les fonctions de l’entreprise.
2. Moindre complexité et coût d’intégration : En fournissant un cadre standardisé de communication, A2A élimine le besoin d’intégrations propriétaires coûteuses entre des systèmes d’IA disparates, réduisant les frais de développement et de maintenance.
3. Meilleure scalabilité et flexibilité : A2A permet aux entreprises de bâtir des écosystèmes d’IA modulaires et évolutifs, ajoutant facilement de nouveaux agents et capacités tout en favorisant l’interopérabilité entre plateformes et fournisseurs pour une plus grande adaptabilité.
4. Sécurité et conformité renforcées : En tirant parti des standards web de sécurité établis et en incorporant des fonctionnalités comme l’opacité des agents et une authentification robuste, A2A améliore la posture de sécurité et l’adaptabilité des environnements multi-agents.

Bénéfices pour l’entreprise grâce à A2A

L’application concrète d’A2A pour l’automatisation des flux de travail se retrouve dans divers secteurs : en voici quelques exemples :

• Traitement de prêt : Un agent principal en prêt peut initier une demande de prêt. Avec A2A, il peut découvrir et déléguer les sous-tâches à des agents spécialisés : un agent d’évaluation des risques analyse le risque de l’emprunteur, un agent conformité vérifie le respect de la réglementation et, après validation, un agent de décaissement organise le transfert des fonds. Chaque agent fonctionne de manière autonome, échangeant les informations et mises à jour de statut nécessaires via A2A, simplifiant l’approbation de bout en bout pour plus d’efficacité.
• Dépannage informatique : Un employé signale un problème avec son ordinateur portable via un agent IT interne. Celui-ci peut utiliser A2A pour coordonner la résolution : il interroge d’abord un agent de diagnostic matériel. Si ce dernier trouve un souci logiciel, l’agent utilisateur invoque un agent de restauration logicielle. Si le problème persiste, un agent de remplacement d’appareil peut être chargé de déclencher le remplacement matériel. Chaque agent exploite son expertise, communiquant de façon asynchrone via A2A, pour une résolution plus rapide et automatisée.
• Optimisation de la chaîne d’approvisionnement : Grâce à A2A, un réseau d’agents IA peut mieux gérer les fluctuations de la demande en facilitant le partage des données en temps réel et la prise de décision collaborative. Par exemple, un agent de prévision de demande détectant un pic peut déclencher une tâche A2A pour l’agent de gestion des stocks afin de vérifier le stock et, simultanément, engager l’agent approvisionnement pour adapter les stratégies d’achat, le tout sans intervention manuelle.
• Négociation/trading financier : En trading à haute fréquence, plusieurs agents surveillent différents segments de marché, analysent les facteurs de risque et exécutent des transactions en collaboration sur la base d’informations partagées via A2A, prenant des décisions en une fraction de seconde.
• Service à la clientèle : Un chatbot ou agent de première ligne recevant une demande complexe peut utiliser A2A pour découvrir dynamiquement et réacheminer le problème vers un agent de support technique ou un expert produit spécialisé. Cela améliore les taux de résolution au premier contact et la satisfaction client en connectant efficacement les clients à la bonne expertise.

Conclusion

Le protocole Agent2Agent (A2A) représente un changement profond vers un avenir où l’IA ne repose pas sur une collection d’outils isolés mais sur un écosystème collaboratif dynamique d’agents intelligents. Les entreprises qui adoptent de façon proactive des protocoles de communication standardisés comme A2A seront mieux placées pour réussir cette transition. En brisant les silos internes d’IA et en favorisant un véritable écosystème interopérable, les organisations peuvent exploiter l’intelligence collective de leurs investissements en IA. À mesure que l’IA s’intègre de plus en plus aux opérations des entreprises, la capacité de ces systèmes à communiquer, coordonner et collaborer efficacement deviendra un facteur clé de réussite organisationnelle.