Un agent peut lire vos données. Sait-il ce qu'elles veulent dire ?

Les règles métier deviennent une dépendance explicite des agents

Fait — 26 octobre. Google Cloud annonce la disponibilité générale de l’indexation des métadonnées LookML dans Knowledge Catalog, pour Looker Core. Les agents peuvent découvrir non seulement les tables et leur gouvernance, mais aussi les formules de KPI, jointures et règles de calcul déjà définies dans LookML.

Pourquoi c’est important. Un catalogue répond « où sont les données ? ». Une couche sémantique répond « que signifie ce montant ? ». Sans elle, un agent text-to-SQL peut multiplier les lignes après une jointure ou inventer une définition du revenu net.

Conséquence. Les architectes doivent versionner les métriques comme des contrats ; les développeurs doivent tester les agrégations, les filtres et les droits, pas seulement la qualité du prompt. Pour le Delivery, le vrai livrable devient un référentiel métier exécutable. Pour une ESN, c’est une offre de fiabilisation Data × IA, mesurée sur la concordance des KPI.

Source primaire : Google Cloud, LookML et Knowledge Catalog (26/10)

IAM Helper : l’agent peut diagnostiquer un 403, pas s’octroyer tous les droits

Fait — 26 octobre. Google Cloud présente des Agent Skills IAM Helper et des outils MCP adossés aux moteurs IAM, Policy Simulator et Privileged Access Manager. Les diagnostics en lecture seule sont séparés des changements de politiques, avec approbation humaine selon le risque.

Changement technique. Les workflows peuvent simuler l’impact d’une politique sur 90 jours de journaux d’accès et demander un privilège temporaire. Pour les développeurs, moins de tickets 403 ; pour la plateforme, des droits courts, traçables et révocables. Pour l’ESN, une prestation d’intégration IAM agentique devient plus défendable qu’un simple catalogue de prompts.

Décision. Tester un pipeline de déploiement bloqué par un droit manquant, sans jamais autoriser l’agent à modifier seul les rôles en production.

Source primaire : Google Cloud, IAM Helper (26/10)

AWS Continuum passe en GA : du scan au correctif démontrable

Fait — 22 octobre. AWS annonce la GA de Continuum for code vulnerabilities : graphe de contexte code-cloud, validation d’exploitabilité en sandbox, priorisation selon le risque métier et propositions de correctifs en pull request. La disponibilité est régionale ; les politiques d’autonomie restent à vérifier avant déploiement.

Pourquoi c’est important. Un score CVSS ne dit pas si une vulnérabilité est exploitable dans votre environnement. L’AppSec se rapproche d’un flux continu « détecter → prouver → corriger → revoir ». Développeurs et sécurité doivent convenir d’une règle commune de validation ; le Delivery gagne un backlog de corrections réellement priorisées.

Décision. Piloter sur un seul dépôt : faux positifs, temps de remédiation, régressions et coût des unités d’inférence. Ne pas confondre patch généré et correction validée.

Source primaire : AWS, Continuum GA (22/10)

GPT-6.1 Terra : le routage des tâches devient un choix économique

Fait — 26 octobre. OpenAI lance GPT-6.1 Terra dans l’API sous gpt-6.1-terra, avec un tarif standard annoncé de 1 $/million de tokens en entrée et 5 $ en sortie. Les tarifs sont annoncés 50 % inférieurs à ceux de GPT-5.6 Terra et de GPT-6.1 Sol. Les performances citées restent des évaluations du fournisseur.

Conséquence. Le bon agent ne devrait pas appeler le modèle le plus puissant pour chaque classification, saisie ou lecture d’écran. L’architecture gagne à router selon risque, coût total par tâche, taux de reprise et validation humaine. Le Tech Lead arbitre qualité et latence ; le responsable Delivery regarde le coût d’un incrément accepté, pas seulement le prix du token.

Décision. Comparer deux modèles sur vingt tâches internes anonymisées, en incluant retries, outils et contrôle qualité.

Source primaire : OpenAI, GPT-6.1 Terra (26/10)

Cadence Maestro : la valeur migre vers les modèles spécialistes

Fait — 26 octobre. Cadence annonce Maestro, des modèles spécialisés pour la conception de puces et de systèmes. L’entreprise revendique, sur ses premiers workflows, jusqu’à 30 % de qualité supplémentaire et une efficacité en tokens multipliée par cinq face à des modèles généralistes. Ce sont des résultats fournisseur, non transposables tels quels.

Conséquence. La différenciation vient de l’association modèle + corpus + outils métier + validations. Pour les équipes produit, cela impose des jeux d’évaluation sectoriels ; pour les ESN, des offres verticales à résultat vérifiable plutôt qu’un assistant générique facturé au temps passé.

Décision. Identifier un processus à forte expertise métier et comparer un agent généraliste à une chaîne spécialisée, sur qualité, coût et conformité.

Source primaire : Cadence, résultats Q3 et Maestro (26/10)

🧭 Ce que ça change pour nous

L’architecture agentique doit désormais posséder trois contrats vérifiables : la sémantique (règles et KPI), l’autorité (identité, périmètre et durée des permissions) et la preuve (tests, simulation, exploitabilité, coût). Sans ces contrats, multiplier les agents ne multiplie que les erreurs possibles.

Côté organisation, rapprocher PO métier, Data, sécurité et plateforme autour des mêmes critères d’acceptation. Côté Delivery, intégrer ces contrôles dans la CI/CD et les revues de release plutôt que dans un comité de rattrapage.

🏢 Le sujet que je mettrais sur la table d’un COMEX IT

Quel pourcentage de nos décisions automatisées repose sur des règles métier versionnées et auditables ?

Je demanderais un inventaire des vingt décisions IA les plus sensibles, leur source de vérité, leur propriétaire métier, leurs droits d’exécution et leur mécanisme de retour arrière. Le budget prioritaire n’est peut-être pas un nouveau modèle : c’est la remise en état de nos contrats de données.

🧪 À tester lundi

Sur un cas de facturation ou de vente, poser dix questions à un agent SQL avec accès aux tables brutes, puis avec des KPI et jointures formalisés. Ajouter deux cas piégeux : remboursement partiel et commande annulée. Mesurer exactitude, reproductibilité et coût. Puis simuler un refus IAM sur un environnement de test et vérifier que l’agent demande une élévation temporaire au lieu de contourner le contrôle.

Critère de succès : zéro action non autorisée et dix réponses réconciliées avec la référence métier ; le coût et le temps de résolution sont consignés.

💰 Où est le business ?

Offre packagée : « Semantic & Agent Readiness Sprint ». Deux à trois semaines pour cartographier cinq KPI critiques, formaliser les règles de calcul, sécuriser les accès agents et construire une batterie d’évaluations réutilisable. Livrables : contrats sémantiques, matrice IAM, tests automatisés, tableau coût/qualité.

Positionnement commercial : forfait de cadrage et industrialisation, puis accompagnement au déploiement. Le prix se justifie par la baisse du risque d’erreur métier et par une mesure avant/après — pas par le nombre de prompts livrés.

Complément : benchmark de coût/qualité sur vos propres dépôts (AWS, 21/10)

La question de la semaine

Si votre agent vous annonce demain un chiffre d’affaires faux, qui en est responsable : le modèle, l’équipe Data, le PO ou l’architecture qui a laissé l’agent deviner la règle ?

🤓 Pour ceux qui ont encore du contexte window

Google Cloud, LookML et Knowledge Catalog (26/10)

Google Cloud, IAM Helper (26/10)

AWS, Continuum GA (22/10)

OpenAI, GPT-6.1 Terra (26/10)

Cadence, résultats Q3 et Maestro (26/10)

AWS, méthode Tokenomics (21/10)