Au-delà du prompt engineering : pourquoi l’IA d’entreprise a besoin d’architectes

By Mirko Peters · 2026-08-27

Bienvenue sur le blog officiel d’accompagnement du podcast M365 FM. Dans cet article, nous plongeons au cœur des fondements techniques de l’intelligence artificielle moderne en entreprise…

Automatically translated with AI from the original post. Read the English original

Bienvenue sur le blog officiel d’accompagnement du podcast M365 FM. Dans cet article, nous plongeons au cœur des fondements techniques de l’intelligence artificielle moderne en entreprise. Si le prompt engineering a séduit aussi bien les utilisateurs occasionnels que les décideurs métier, passer des simples requêtes à une IA véritablement prête pour la production exige des architectes et des ingénieurs dédiés. Les organisations ne peuvent plus se contenter de mises en œuvre superficielles. Elles doivent valider avec soin la logique métier, les exigences de sécurité et les intégrations système afin que leurs investissements apportent une valeur réelle.

Pour approfondir ce sujet, nous avons récemment reçu sur le podcast Yves Habersaat, MVP Microsoft et AI Tech Lead. Si vous souhaitez écouter l’échange complet sur l’extensibilité de Microsoft 365 Copilot, les architectures multi-agents et le Model Context Protocol, ne manquez pas l’épisode Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP].

Introduction : dépasser le prompt engineering

Le prompt engineering est indéniablement une compétence utile. Il aide les collaborateurs au quotidien à obtenir de meilleurs résultats, une mise en forme plus soignée et des synthèses plus pertinentes à partir des outils d’IA générative. Toutefois, lorsque les entreprises cherchent à étendre ces capacités à des milliers d’utilisateurs et à des systèmes internes profondément ancrés, le prompt engineering seul ne suffit plus.

L’IA d’entreprise exige bien plus qu’une formulation astucieuse. Les organisations ont besoin de professionnels qui maîtrisent les technologies sous-jacentes, les exigences complexes des clients, les modèles de sécurité globaux et les choix d’implémentation spécifiques. Si l’intelligence artificielle peut générer des contenus techniques et fournir des recommandations utiles, les architectes humains restent fondamentalement irremplaçables. Seuls des ingénieurs humains peuvent réellement vérifier qu’une solution automatisée répond à l’exigence métier essentielle sans introduire de risques inacceptables.

Pourquoi l’IA d’entreprise a besoin d’architectes humains

La complexité des environnements d’entreprise modernes fait que le déploiement de l’IA n’est jamais un simple exercice « plug-and-play ». Les systèmes sont imbriqués avec d’anciennes bases de données, des applications internes sur mesure, des cadres de conformité stricts et des autorisations utilisateur dynamiques. Sans architectes qualifiés pour superviser la conception, les organisations rencontrent fréquemment des goulets d’étranglement, des hallucinations, des failles de sécurité et des défaillances d’intégration.

Un architecte regarde la situation dans sa globalité. Il évalue la circulation des données dans l’organisation, l’emplacement des goulets d’étranglement potentiels et la manière de pérenniser la pile technologique. Les plateformes d’IA évoluant à un rythme vertigineux, disposer d’un stratège à la barre garantit que l’organisation construit des solutions évolutives, maintenables et sécurisées, plutôt que des preuves de concept fragiles qui cèdent sous la charge de production.

L’évolution de Microsoft 365 Copilot et son extensibilité

Microsoft 365 Copilot a considérablement évolué depuis ses débuts. De nombreuses fonctionnalités qui exigeaient autrefois des extensions personnalisées complexes sont désormais intégrées directement à la plateforme. Cette fonctionnalité native couvre un large éventail de besoins standard en matière de productivité et de collaboration.

Toutefois, l’extensibilité devient essentielle lorsqu’une organisation souhaite un contrôle accru. Cela peut passer par la personnalisation de la couche d’orchestration, la création d’expériences agentiques spécialisées, l’intégration d’un agent IA dans un site web externe accessible au public plutôt que de le confiner à Microsoft 365 Copilot Chat, ou la création de capacités entièrement sur mesure. Plus l’exigence métier est spécifique, plus l’extensibilité et le développement sur mesure deviennent cruciaux.

Pourquoi un seul Copilot géant échoue : les architectures multi-agents

Un piège fréquent pour les organisations qui démarrent leur parcours en IA consiste à tenter de construire un Copilot massif et monolithique. Imaginez un seul assistant IA chargé de toutes les instructions, de tous les outils, de toutes les sources de connaissances et de toutes les responsabilités de l’entreprise. Naturellement, cette approche s’effondre rapidement sous son propre poids, entraînant un épuisement de la fenêtre de contexte, une prise de décision médiocre et un comportement imprévisible.

Les experts comme Yves Habersaat recommandent plutôt d’adopter des architectures multi-agents. Dans ce modèle, chaque agent dispose d’un périmètre et de responsabilités clairement définis. Par exemple, un cadre de support informatique d’entreprise peut comporter un agent de tri en façade, dont la seule mission est de comprendre les demandes des utilisateurs et de les orienter intelligemment vers des agents spécialisés dédiés à Microsoft 365, Salesforce, aux portails RH ou aux plateformes d’infrastructure interne. Chaque agent spécialisé conserve ses propres instructions localisées, ses connaissances ciblées et ses outils spécifiques.

Anatomie d’un agent IA d’entreprise

Pour comprendre le fonctionnement de ces systèmes, il est utile de décomposer l’anatomie d’un agent IA d’entreprise standard. Tout agent robuste part d’un objectif clairement défini. À partir de là, il s’appuie sur plusieurs composants essentiels :

• Instructions : directives explicites définissant les responsabilités exactes de l’agent, ses limites opérationnelles et ses contraintes comportementales.
• Sources de connaissances : référentiels sélectionnés contenant les informations et la documentation pertinentes de l’organisation.
• Outils : capacités fonctionnelles permettant à l’agent d’exécuter des actions, d’interroger des bases de données ou d’appeler des services externes.
• Couche d’orchestration : le moteur de décision qui détermine comment les demandes entrantes doivent être traitées, analysées et déléguées.

Dans une configuration multi-agents, un agent principal assure le tri initial avant de déléguer les tâches à des agents subordonnés spécialisés. Ces agents subordonnés interagissent ensuite avec les sources de connaissances internes, les systèmes externes, les API et les serveurs Model Context Protocol pour mener le flux de travail à son terme.

Copilot Studio ou développement sur mesure

Lorsqu’il s’agit de créer ces agents, les organisations doivent trancher un choix de plateforme essentiel : low-code ou code personnalisé. Copilot Studio offre une approche accessible, low-code, pour concevoir et déployer rapidement des agents. Les équipes peuvent définir des instructions, connecter des outils prêts à l’emploi, intégrer des référentiels de connaissances et exploiter des protocoles modernes sans avoir à écrire chaque ligne de code à partir de zéro.

À l’inverse, le développement sur mesure offre un contrôle architectural nettement plus poussé. Cependant, ce contrôle s’accompagne d’une responsabilité accrue. Les développeurs doivent gérer eux-mêmes les flux d’authentification, les frontières de sécurité, les environnements d’hébergement, la logique d’orchestration et les intégrations de services. En définitive, le choix entre Copilot Studio et le développement sur mesure dépend entièrement du degré de contrôle qu’exige la solution d’entreprise visée.

Comprendre le Model Context Protocol (MCP)

L’une des avancées les plus marquantes de l’architecture agentique est le Model Context Protocol, plus communément appelé MCP. Historiquement, intégrer des outils et services externes à un modèle d’IA impliquait d’écrire des wrappers d’API sur mesure pour chaque système, chacun avec son propre schéma d’authentification, ses particularités de protocole et ses standards de documentation.

MCP répond à cette fragmentation en établissant une manière standardisée pour les systèmes d’IA de découvrir et d’interagir avec des outils et services externes. Grâce à MCP, un agent peut comprendre dynamiquement quels outils sont disponibles, leur fonctionnement, et la manière de les combiner pour répondre à une demande utilisateur complexe. Il joue le rôle de traducteur universel entre les modèles de langage et le vaste écosystème des logiciels d’entreprise.

Intégrer les systèmes : MCP ou API traditionnelles

Il est important de noter que le Model Context Protocol ne remplace pas les API traditionnelles. Un serveur MCP se place au contraire devant les API, bases de données et microservices internes existants, et expose leurs capacités sous un format que les agents IA peuvent facilement comprendre et utiliser.

Prenons l’exemple d’une entreprise qui s’appuie déjà sur des API établies pour la finance, les ressources humaines et la gestion de la relation client. Plutôt que de réécrire ces API, l’organisation peut déployer un serveur MCP pour exposer les outils appropriés au-dessus de ces points de terminaison existants. Les API sous-jacentes continuent d’assurer le gros du travail, tandis que MCP fournit la couche sémantique nécessaire pour que les agents IA autonomes interagissent avec elles efficacement.

Sécurité, gouvernance et connaissance organisationnelle

Les environnements Microsoft 365 renferment une quantité considérable de contexte organisationnel précieux, notamment des documents, des transcriptions de réunions, des courriels, des organigrammes, l’historique des discussions Teams, des fichiers OneDrive et des référentiels SharePoint. Connecter des agents IA puissants à ce trésor de données sans gouvernance solide introduit des risques de sécurité importants.

Les organisations doivent commencer par dresser un inventaire complet de leur patrimoine de données. Les entreprises doivent savoir précisément où résident les informations confidentielles, qui détient actuellement des droits d’accès et quels actifs nécessitent une protection renforcée. Des outils de gouvernance avancés, tels que Microsoft Purview, intégrant des étiquettes de confidentialité et des stratégies de prévention des pertes de données (DLP), doivent être intégrés directement à l’architecture de l’IA dès le premier jour.

L’importance de la qualité des données et de la préparation à l’IA

La gouvernance de l’IA va bien au-delà de la simple prévention des accès non autorisés. Elle englobe aussi la réalité concrète de l’hygiène des données. Des sites SharePoint mal organisés, des fichiers fortement dupliqués, des documents de stratégie obsolètes, des espaces de travail Teams incohérents et une propriété de l’information floue peuvent sérieusement dégrader la qualité des réponses générées par l’IA.

Connecter un agent intelligent à des connaissances organisationnelles non structurées et désordonnées ne transforme pas ces données, comme par magie, en une ressource propre et utile. Les entreprises doivent faire du nettoyage des données, d’une architecture de l’information moderne, de revues strictes des autorisations et d’une classification rigoureuse des prérequis fondamentaux pour la préparation à l’IA.

Gérer les autorisations déléguées et les autorisations d’application

La gestion des autorisations devient primordiale dès qu’un agent d’IA se voit accorder la capacité d’effectuer des actions autonomes au nom des utilisateurs. D’une manière générale, les architectes devraient privilégier par défaut les autorisations déléguées de l’utilisateur.

Dans un modèle délégué, un agent opère strictement dans les limites des autorisations de l’utilisateur précis qui interagit avec lui. Si cet utilisateur n’a pas accès à un dossier financier sensible, l’agent ne doit pas contourner cette restriction comme par magie. Lorsque des autorisations d’application sont réellement nécessaires pour l’automatisation en arrière-plan, ces capacités doivent être strictement isolées derrière une couche de service ou MCP rigoureusement contrôlée, plutôt que d’exposer de larges autorisations d’administration directement aux agents destinés aux utilisateurs.

Génération augmentée par récupération (RAG) dans l’entreprise

La génération augmentée par récupération, ou RAG, constitue une pierre angulaire de l’IA d’entreprise moderne. Plutôt que de s’appuyer uniquement sur les paramètres internes statiques d’un modèle de langage, lesquels ne peuvent évidemment pas inclure les stratégies propres à l’entreprise ni les mises à jour de projets en temps réel, un système RAG récupère dynamiquement la documentation pertinente avant de générer une réponse.

Ce contenu récupéré peut provenir de bases de connaissances internes, de sites SharePoint, de magasins de documents spécialisés ou de bases de données externes. Sur de nombreuses plateformes modernes, comme Copilot Studio, les mécanismes de récupération sous-jacents fonctionnent entièrement en coulisses, masquant la complexité à l’utilisateur final tout en fournissant des réponses précises et contextualisées, ancrées dans des données d’entreprise vérifiées.

Conclusion : construire des solutions d’IA de niveau production

Passer de l’ingénierie des prompts à une IA d’entreprise robuste exige un changement de mentalité fondamental. Les organisations ne peuvent plus considérer l’intelligence artificielle comme une simple fonctionnalité logicielle à greffer au dernier moment. Au contraire, la création de solutions d’IA de niveau production requiert une réflexion approfondie sur les architectures multi-agents, les couches d’intégration évolutives comme le Model Context Protocol, une gouvernance des données rigoureuse et des modèles d’autorisation bien pensés.

Les architectes et ingénieurs humains restent la pièce maîtresse de cette révolution technologique. En alliant les fondamentaux techniques à une compréhension approfondie des besoins métier, les architectes garantissent que l’IA d’entreprise apporte une valeur sécurisée, évolutive et véritablement transformatrice.

Pour approfondir ces stratégies d’architecture et entendre directement sur le terrain les analyses d’experts, écoutez l’intégralité de la conversation en podcast. Rendez-vous sur Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP] et rejoignez la discussion sur le travail moderne, la sécurité et la productivité !