Ingénierie de plateforme pour les agents IA : qu'est-ce qui change lorsque les agents deviennent des utilisateurs de la plateforme ?

Pendant des années, les équipes de la plateforme ont développé des plateformes internes pour un seul type d’utilisateur : un développeur devant son clavier. Aujourd’hui, un deuxième type d’utilisateur fait son apparition. Les agents IA ouvrent des pull requests, exécutent des tests, provisionnent des environnements et appellent des API internes, souvent plus vite et plus fréquemment que n’importe quelle personne.

L’ingénierie de plateforme pour les agents IA, c’est le fait de donner à ces agents des moyens contrôlés et en libre-service pour agir sur tes systèmes logiciels. Les agents bénéficient des mêmes bases que celles sur lesquelles s’appuient les développeurs, mais adaptées à des utilisateurs qui agissent rapidement et ne disposent pas du jugement humain :

• Identité : chaque exécution d’agent se fait sous sa propre identité vérifiable.
• Parcours de référence : des méthodes approuvées et documentées pour créer, tester et déployer.
• Bacs à sable : des environnements isolés pour exécuter les tâches des agents.
• Contrôles humains : une validation est requise avant toute action difficile à annuler.
• Pistes d’audit : un historique de ce que chaque exécution a fait, de qui l’a approuvée et de ce qu’elle a coûté.

Les arguments en faveur de cette approche sont solides. Le rapport DORA 2025 de Google Cloud a montré que lorsque la qualité de la plateforme est élevée, l’adoption de l’IA a un effet positif et significatif sur les performances de l’organisation. Lorsque la qualité de la plateforme est faible, cet effet est négligeable.

Les arguments en faveur de cette approche sont solides. Le rapport DORA 2025 de Google Cloud a montré que lorsque la qualité de la plateforme est élevée, l’adoption de l’IA a un effet positif et significatif sur les performances de l’organisation. Lorsque la qualité de la plateforme est faible, cet effet est négligeable.

Qu’est-ce que l’ingénierie de plateforme pour les agents IA ?

Cette expression s’utilise de deux façons, et les deux sont importantes :

• Les agents en tant qu’utilisateurs de la plateforme. Les agents de codage et les agents d’exploitation utilisent la plateforme interne pour modifier les logiciels, un peu comme le font les développeurs. C’est la plateforme qui décide de ce qu’ils peuvent faire et comment.
• Une plateforme pour exécuter les agents. Les équipes qui développent leurs propres agents ont besoin d’un endroit pour les héberger, les isoler et les surveiller.

Ce guide se concentre sur la première acception, car c’est là que la plupart des organisations rencontrent les agents aujourd’hui. Pour la seconde, consulte la comparaison des plateformes d’exécution d’agents IA. 

Il est également utile de préciser ce que l’ingénierie de plateforme pour les agents n’est pas. Ce n’est pas du MLOps, qui couvre l’entraînement et la mise en service des modèles d’apprentissage automatique. Ce n’est pas non plus un framework d’agent. Un framework comme LangGraph définit comment un agent raisonne, tandis que la plateforme décide où il s’exécute et sur quoi il peut agir.

Pourquoi l’ingénierie de plateforme pour les agents IA est-elle si importante aujourd’hui ?

Trois tendances se rejoignent ici : les plateformes sont désormais courantes, l’IA amplifie n’importe quel système dans lequel elle s’intègre, et de nombreux projets d’agents échouent à cause des contrôles plutôt que de leurs capacités.

Les plateformes sont désormais la norme. D’après l’étude de DORA sur l’ingénierie des plateformes, 90 % des organisations utilisent une plateforme de développement interne, et 76 % disposent d’une équipe dédiée aux plateformes. Le rapport 2025, basé sur une enquête menée auprès de près de 5 000 professionnels de la technologie, décrit l’IA comme un amplificateur. Elle rend les systèmes solides encore plus solides et les systèmes faibles encore plus visiblement faibles.

Les projets d’agents échouent à cause des contrôles. Gartner prévoit que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027. Il cite trois causes : la hausse des coûts, une valeur métier floue et des contrôles des risques insuffisants. La visibilité des coûts et les contrôles des risques sont deux problèmes qu’une plateforme peut résoudre.

Les agents se multiplient sans modèle commun. Les équipes adoptent les agents un par un. Un agent de codage dans un référentiel, un bot de révision dans un autre et un agent d’exploitation chez un troisième fournisseur : chacun apporte son propre pipeline, son guide d’exploitation et son processus d’audit. Sans plateforme partagée, chaque contrôle de sécurité implique de rassembler manuellement des preuves à partir de consoles distinctes.

En quoi un agent IA diffère-t-il d’un développeur humain en tant qu’utilisateur de la plateforme ?

Un agent IA utilise la plateforme comme un développeur, mais avec des forces et des faiblesses différentes. Ces différences expliquent pourquoi la plateforme elle-même doit évoluer.  
 

En quoi un agent IA diffère-t-il d’un développeur humain en tant qu’utilisateur de la plateforme ? 

Le schéma est clair. Un agent apporte de la rapidité mais pas de jugement, donc la plateforme doit fournir ce jugement. Elle le fait grâce à des contrôles qui s’appliquent à chaque action, plutôt que de se fier au bon fonctionnement de chaque exécution. 

De quelles capacités une plateforme a-t-elle besoin pour les agents IA ?

 Une plateforme pour agents IA doit disposer de sept capacités. Chacune répond à une question qu’un responsable de la sécurité ou un chef de projet finira par poser.

Les « chemins d’or » méritent une attention particulière, car les agents suivent les instructions à la lettre. Un développeur peut demander à un collègue comment fonctionnent les déploiements. Un agent ne connaît que ce que la plateforme lui fournit. C’est pourquoi les équipes chargées de la plateforme publient désormais un contexte compréhensible par les agents : des instructions de référentiel, des compétences réutilisables et des serveurs MCP qui exposent les actions approuvées. L’équipe d’ingénierie de la plateforme Microsoft décrit cette même évolution, passant des modules aux instructions, aux compétences et aux politiques.

À quoi ressemble une architecture de référence ?

Une modification d’agent régulée suit un chemin unique, et chaque étape applique l’un des contrôles ci-dessus.

Commence par le déclencheur en haut à gauche. La tâche s’exécute sous une identité à portée limitée, suit le chemin de référence et se déroule dans un bac à sable. Le résultat est testé dans un environnement identique à celui de production. Une personne l’approuve ou le rejette ensuite. Si la tâche est rejetée, elle revient à l’agent, et chaque étape est enregistrée dans la piste d’audit.

Comment se lancer

Tu n’as pas besoin d’une nouvelle plateforme pour commencer. La plupart des équipes peuvent étendre celle dont elles disposent en six étapes :

1. Fais la liste des agents déjà utilisés. Inclue les assistants de codage, les bots de révision et les scripts qui appellent les API des modèles.
2. Attribue à chaque agent sa propre identité. Remplace les jetons partagés par des identifiants limités à une seule tâche et un seul référentiel.
3. Achemine les actions des agents via des « golden paths ». Publie les instructions, les compétences et les serveurs MCP pour les actions que tu approuves.
4. Ajoute des contrôles humains aux actions irréversibles. Commence par les fusions, les déploiements et les modifications de données.
5. Enregistre chaque exécution. Note le déclencheur, le plan, la personne qui a donné son accord, le résultat et le coût.
6. Mesure les résultats. Suis les indicateurs de performance de DORA ainsi que ceux spécifiques aux agents, comme la part des pull requests des agents qui aboutissent à une fusion et le coût par modification fusionnée.

Commence par mettre en place des contrôles partout. À mesure que la confiance s’installe, supprime-les à ta guise, une action à la fois.

 Quelle est la place d’Upsun dans tout ça ? 

Upsun propose deux produits qui couvrent différentes parties de ce modèle. Chacun fonctionne de manière autonome, et ils fonctionnent bien ensemble.

Upsun propose deux produits qui couvrent différentes parties de ce modèle. Chacun fonctionne de manière autonome, et ils s’associent parfaitement. 

Upsun Dispatch gère la façon dont les agents IA modifient ton code. Il propose :

• Des processus : Dispatch s’articule autour de processus, et non d’agents individuels. Un processus peut transformer un ticket GitHub, GitLab, Jira ou Linear en pull request, ou examiner une pull request ouverte.
• Sandboxes : chaque étape d’un agent s’exécute dans sa propre sandbox jetable, avec un accès réseau sortant bloqué par défaut.
• Contrôles humains : ces contrôles suspendent le processus chaque fois qu’une personne doit prendre une décision, et c’est une personne qui est responsable de chaque fusion.
• Piste d’audit : chaque exécution est consignée sous forme de données immuables : le ticket, le contexte de l’agent, le plan, qui l’a approuvé et ce que ça a coûté.

Upsun Cloud offre la solution idéale pour exécuter et tester des applications. L’infrastructure est définie sous forme de code dans une configuration YAML stockée avec l’application dans Git. Chaque branche Git peut disposer d’un environnement de test qui clone les applications, les services et les données de production. Les agents de codage peuvent interagir avec Upsun Cloud via son serveur MCP et sa compétence.

Ensemble, ils bouclent la boucle. La pull request d’un agent peut être testée dans un environnement identique à celui de production avant qu’une personne n’approuve la fusion.

Foire aux questions

C’est quoi, l’ingénierie de plateforme agentique ?

L’ingénierie de plateforme agentique est un autre nom pour l’ingénierie de plateforme qui considère les agents IA comme des utilisateurs de la plateforme interne. Elle fournit aux agents des identités, des chemins de référence, des sandbox, des contrôles humains et des pistes d’audit, en plus des outils que les développeurs utilisent déjà.

L’ingénierie de plateforme pour les agents IA, c’est la même chose que le MLOps ?

Non. Le MLOps couvre l'entraînement, le déploiement et la surveillance des modèles d'apprentissage automatique. L'ingénierie de plateforme pour les agents IA porte sur la manière dont les agents interagissent en toute sécurité avec les systèmes logiciels, comme le code, les environnements et les déploiements.

Les agents IA ont-ils besoin de leur propre identité ?

Oui. Une identité distincte pour chaque exécution d’agent limite ce à quoi l’agent peut accéder et indique exactement quelle exécution a effectué chaque modification. Les jetons partagés rendent ces deux choses impossibles.

Faut-il déployer les agents IA en production ?

La plupart des équipes commencent par faire approuver chaque déploiement proposé par un agent par une personne. Elles peuvent supprimer cette étape pour les modifications à faible risque une fois que l’agent a fait ses preuves.

Comment vérifier ce qu’un agent IA a fait ?

Enregistre le déclencheur, le contexte, le plan, la personne qui a donné son accord, le résultat et le coût de chaque exécution dans un journal qui ne peut pas être modifié. Associe chaque enregistrement à l’identité de l’exécution, pour que les vérificateurs puissent remonter à la source de n’importe quelle modification

Quel rôle jouent les serveurs MCP dans l’ingénierie des plateformes ?

Les serveurs MCP permettent aux agents IA de découvrir et d’utiliser les actions approuvées d’une plateforme via une interface standard. Ils rendent le « golden path » lisible par les agents, et pas seulement par les humains.