Web, Technologies, IA, Vidéo...

Vers une pile standardisée pour les protocoles des agents IA ?

Et si les agents IA avaient besoin de leur propre TCP/IP ?

Tout système d’interaction repose sur un protocole défini. Les agents IA et leurs écosystèmes n’y font pas exception. Pourtant, les débats actuels opposent souvent MCP, A2A, ACP ou ANP comme s’ils résolvaient le même problème. En réalité, ils répondent à des couches distinctes d’une architecture commune, comparable à ce que TCP/IP a été pour Internet.

Tentons de clarifier le rôle de chaque protocole et montrer comment ils s’articulent pour construire l’Internet des agents. J'espère ne rien oublier !

1. Couche Identité & Découverte

• Protocole phare : [ANP](https://github.com/agent-network-protocol/AgentNetworkProtocol) (Agent Network Protocol)
• Fonction : Permet de découvrir des agents, leurs capacités, leurs identités et leurs permissions
• Question clé : « Comment trouver le bon agent et savoir ce qu’il sait faire ? »

2. Couche Communication/Messaging

• Protocole phare : [ACP](https://www.ibm.com/fr-fr/think/topics/agent-communication-protocol) (conçu par IBM)
• Fonction : Définis les formats de messages et les mécanismes d’échange entre agents
• Question clé : « Quel langage ou format utilisent les agents pour communiquer ? »

3. Couche Coordination

• Protocole phare : [A2A](https://a2a-protocol.org/latest/) (Agent-to-Agent)
• Fonction : Permet à plusieurs agents de collaborer, se déléguer des tâches et partager leur état d’avancement
• Question clé : « Comment des agents travaillent-ils ensemble ? »

4. Couche Outils

• Protocole phare : [MCP](https://modelcontextprotocol.io/docs/getting-started/intro) (Model Context Protocol - conçu par Anthropic)
• Fonction : Permet à un agent de découvrir et utiliser des outils, APIs, bases de données ou services externes
• Question clé : « Comment un agent interagit-il avec une ressource ? »

5. Couche Transport : le défi restant

• Problématique : Le HTTP est largement utilisé malheureusement il ne pourra pas répondre à toutes les contraintes : NAT traversal, routage notamment.
• Question clé : « Comment les messages circulent-ils physiquement entre les agents ? »

💡 Vers une pile de protocoles pour les agents !

Les couches Outils, Coordination, Communication et Découverte commencent à se structurer. Reste un défi majeur : la couche Transport.

Et si la vraie question n’était plus « Quel protocole va gagner ? », mais plutôt :

« Comment ces protocoles vont-ils s’articuler pour construire l’Internet des agents ? »

L’IA entre-t-elle dans une nouvelle phase : celle de l’optimisation ?

Les annonces se multiplient ces dernières semaines à propos de l’optimisation des LLM (ces "cerveaux" capables de comprendre et générer du texte, comme Gemini ou GPT). Google, OpenAI, Mistral… Tous cherchent à rendre leurs modèles plus performants, plus précis, ou moins coûteux.

Mais un autre mouvement, tout aussi stratégique, émerge. L’optimisation ne se limite plus aux modèles eux-mêmes. Avec l’avènement des agents IA, c’est tout l’écosystème autour des LLM qui devient un levier clé.

🚗 Pour tout comprendre, prenons une analogie et imaginons une voiture :

• Le LLM, c’est le moteur (ex : un V12 Ferrari). Puissant, mais inutile sans le reste.
• L’agent IA, c’est la carrosserie, la boîte de vitesses et le pilote : en bref tout ce qui permet d’exploiter pleinement ce moteur.

Mettre un V12 dans une Twingo, ça ne servira à rien : il faut un châssis adapté, une transmission efficace, et un bon conducteur. Avoir un bon agent IA est maintenant tout aussi crucial que le LLM lui-même. Et les choses bougent, aussi bien dans les solutions propriétaires que dans l’open source.

🔹 Un exemple révélateur : Harness-1

Dans un article récent, VentureBeat présente Harness-1, un projet open source développé par des chercheurs. Il s’agit d’un agent IA qui, placé en amont du LLM, optimise la recherche et la sélection des informations.

Résultat : quand on lui demande de trouver des réponses précises sur une question posée, le couple Harness-1 et LLM standard (ex : GPT-5.4) obtient 73 % de précision, contre 70,9 % pour GPT-5.4 seul.

En quoi cela est révolutionnaire ?

Harness-1 ne remplace pas le LLM: il améliore son environnement. Les informations sont de meilleures qualités avant d’être envoyé au LLM.

Il prouve qu’un agent léger, couplé à un workflow intelligent, peut surpasser un LLM géant utilisé seul.

Pour moi, l’IA ne progresse plus uniquement grâce à des modèles toujours plus grands. C’est l’architecture complète qui compte avec :

• Des agents qui savent mieux interagir avec le monde réel (outils, bases de données, APIs).
• Des workflows optimisés qui combinent plusieurs étapes (recherche \> filtrage \> génération) pour maximiser l’efficacité.
• L’open source, qui ouvre des voies alternatives pour innover sur l’architecture plutôt que sur la taille.

💡 En résumé :

On passe d’une course à la taille ("plus gros = mieux") à une course à l’intelligence collective :

LLM + Agents + Workflows = L’écosystème gagnant.