Agents IA et automatisation : RAG, workflows, guides

MCP (Model Context Protocol) a démarré comme une petite spécification qu'Anthropic a déposée discrètement sur GitHub. Seize mois plus tard, il atteignait 97 millions de téléchargements mensuels du SDK (+4 750 %), plus de 10 000 serveurs publics, l'adoption complète par OpenAI/Google/Microsoft/AWS, et en décembre 2025 Anthropic en a cédé la propriété à la Linux Foundation — en faisant une infrastructure partagée par l'industrie, l'« USB-C de l'ère de l'IA ». Cet article couvre l'histoire de ces 16 mois, l'architecture à trois éléments Client/Serveur/Transport, cinq serveurs MCP utilisables aujourd'hui (filesystem/github/postgres/slack/fetch), l'implémentation minimale maison en 30 lignes de Python, les raisons de la victoire de MCP, les pièges de sécurité et d'injection de prompt, et ce qui vient ensuite — fondé sur des sources officielles et l'expérience de terrain.

En passant de ChatGPT Plus à Claude Code, certains ingénieurs ont vu leur facture mensuelle multipliée par 10. La bonne nouvelle : en combinant trois leviers (mise en cache des prompts, routage des modèles, budget de sortie), vous pouvez accomplir le même travail pour 20-30 % du coût non optimisé. Cet article s'appuie sur les recommandations officielles d'Anthropic, la recherche industrielle et des données opérationnelles réelles pour expliquer le détail des coûts (entrée/sortie/cache/outils), comment choisir la bonne formule, le piège du multi-agent (15× de tokens), la surveillance et les alertes de facturation, ainsi que sept gaspillages courants à éviter.

L'intuition disait que l'IA remplacerait d'abord les vétérans qui font du travail routinier. Les données 2025-2026 montrent l'inverse : les développeurs de 22 à 25 ans sont à −20 % par rapport au pic, alors que l'emploi IT des 35-49 ans progresse de +9 %. Les chercheurs nomment cela « changement technologique biaisé par l'ancienneté » : l'IA se substitue à la connaissance codifiée et amplifie le jugement adossé à l'expérience. Cet article parcourt la conclusion des données, pourquoi les seniors survivent, l'impact par secteur, le risque structurel d'« évaporation du pipeline de formation », la contre-thèse de la Réserve fédérale et les stratégies concrètes pour juniors, seniors et entreprises.

En février 2025, Andrej Karpathy a inventé le terme « vibe coding » : un style de programmation où l'on décrit en langage naturel ce que le code doit faire et où l'on accepte ce que l'IA renvoie sans lire le code généré. Un an plus tard, Karpathy lui-même propose de le renommer « ingénierie agentique » et les chiffres de sécurité sont sans appel : 40 à 62 % du code IA contient des vulnérabilités, les CVE liées au vibe coding ont été multipliées par six en trois mois et 100 % des cinq principaux agents introduisent la même faille SSRF. Cet article parcourt la définition, le workflow réel, les principaux outils (Claude Code, Cursor, Codex CLI, Lovable, v0, Bolt.new, Devin), la face sombre côté sécurité, la distinction entre vibe et ingénierie agentique, les règles « Vibe & Verify » qui se standardisent en 2026 et qui devrait viber sur quoi.

En 2026, la conversation autour des agents IA est passée de « un super-agent qui fait tout » à « une équipe d'agents aux rôles différents ». Cet article part de la définition de ce qu'est réellement un système multi-agent, puis parcourt les cinq patterns d'architecture (orchestrateur-worker, handoff, hiérarchique, peer-to-peer, pipeline), un comparatif des frameworks de production (Claude Agent SDK, OpenAI Agents SDK, LangGraph, Strands), des exemples concrets (Anthropic Research, Claude Code, Devin, Cursor), la structure des coûts (x2 à x15 en tokens) et finalement quand vous devriez en utiliser un et quand vous ne devriez pas.

En avril 2026, Anthropic Claude Opus 4.7 et OpenAI GPT-5.5 ont été lancés à une semaine d'intervalle. Opus mène sur le travail de base de code réelle (SWE-bench Pro 64,3 %) ; GPT-5.5 mène sur le contrôle du terminal et le support client (Terminal-Bench 82,7 %, OSWorld 78,7 %) — des forces presque en miroir. Et bien qu'Opus ait un prix affiché plus bas, le volume de tokens de sortie fait souvent que GPT-5.5 revient à environ un quart du coût réel sur la même tâche. Cet article expose la fiche technique, la plongée dans les benchmarks, l'économie des tokens, la cartographie des forces et faiblesses, les choix par cas d'usage et une stratégie bi-fournisseur, le tout fondé sur des sources officielles et des évaluations tierces.

Le centre de gravité s'est déplacé du prompt engineering vers le harness engineering — le nouveau terrain de bataille de l'ère des agents IA. Cet article expose ce qu'est réellement le harness engineering, en quoi il diffère du prompt engineering, les six composants (définition des outils, gestion du contexte, mémoire, boucle, garde-fous, UX de sortie), un comparatif côte à côte de Claude Code, Cursor, Codex CLI et Devin, et une checklist de conception pratique — les fondations dont vous avez besoin pour utiliser ou construire des agents IA sérieusement.

Quand Claude Code, Cursor, Copilot ou Codex ignore une règle .md, distinguez chargement et respect des consignes. Vérifiez la portée, la réinjection après compression et les conflits, puis examinez les diffs, les codes de sortie et le périmètre testé. Les Hooks, la CI, les skills et la revue remplissent des rôles différents, sans garantie fondée sur le seul nombre de lignes.

OpenAI a livré « ChatGPT 5.5 (GPT-5.5) » le 23 avril 2026. Présenté comme « une nouvelle classe d'intelligence pour le travail réel et les agents IA », il atteint 82.7% sur Terminal-Bench 2.0 — devançant Claude Opus 4.7 (69.4%) et Gemini 3.1 Pro (68.5%) pour reprendre la première place. Mais le prix de l'API a doublé face à GPT-5.4 ($5/$30 par MTok) et Claude Opus 4.7 reste devant sur SWE-Bench Pro. Cet article dresse le panorama complet : fonctionnalités, benchmarks, prix, disponibilité par plan, duel avec Claude et Gemini, et comment choisir — le tout appuyé sur les sources officielles.

Faire répondre ChatGPT à partir de vos documents internes ? C'est ce que permet le RAG (Retrieval-Augmented Génération, ou génération augmentée par recherche). Cet article presente le RAG en trois étapes illustrees, detaille les bases vectorielles, donne un exemple d'implémentation avec LangChain et compare clairement RAG et fine-tuning. De nombreux cas concrets sont abordes : QA interne, support client, droit, médical, etc.

Claude Code et OpenAI Codex savent désormais générer du code d'infrastructure (Terraform, Docker, Ansible...). Certains s'inquietent : les ingénieurs infra vont-ils disparaître ? La réalité est plus nuancee. Cet article distingue ce que l'IA maîtrise vraiment des domaines où l'humain reste indispensable (couche physique, décisions d'incident, responsabilité sécurité) et montre comment l'ingénieur infra doit évoluer.

OpenClaw est le projet GitHub à la croissance la plus rapide de 2026 : un assistant IA open source qui se connecte à WhatsApp, Slack, Discord et plus de 50 plateformes. Mais que peut-il réellement faire, et quels sont les risques ? De l'architecture aux failles de sécurité, voici tout ce qu'il faut savoir.