Développement d'agents IA et intégration de serveurs MCP : relier les modèles de langage aux systèmes que vous exploitez déjà

Les démonstrations fonctionnent toujours. Le pilote qui résumait votre documentation était impressionnant, le prototype qui répondait aux questions du support semblait prêt : puis il a rencontré le vrai CRM, le vrai modèle de permissions et les vraies données, et il a cessé de l'être.

C'est cet écart qui constitue le travail. Non pas le modèle, devenu la partie facile, mais tout ce qui se trouve entre un modèle de langage et un système qui a des exigences en matière d'authentification, de limites d'appels, de cloisonnement des locataires et de droits d'accès.

Ce que nous construisons

Des serveurs MCP pour vos systèmes internes

Le Model Context Protocol est un standard ouvert qui expose outils et données aux assistants IA de manière uniforme d'un client à l'autre. Il s'est imposé comme la réponse pratique à la question : comment laisser un assistant utiliser nos systèmes sans écrire une intégration sur mesure pour chaque assistant.

Nous construisons des serveurs MCP de production au-dessus de ce que votre entreprise exploite réellement : CRM, outil de ticketing, entrepôt de données, API internes, référentiel documentaire, ERP. Pas un serveur de démonstration avec un jeton codé en dur, mais un serveur doté d'une authentification sérieuse, d'une autorisation par utilisateur qui respecte les permissions déjà appliquées par vos systèmes, d'un cloisonnement multi-locataires, d'une limitation de débit, de journaux structurés et d'un traitement des erreurs qui dit au modèle quelque chose d'utile quand un appel échoue.

Des agents et assistants IA sur mesure

Des agents qui font un travail de bout en bout : trier une file entrante, réconcilier deux systèmes qui se contredisent, rédiger la première version d'un document qu'un humain valide ensuite, mener une recherche à travers des sources internes et externes. Nous les construisons avec les parties ingrates incluses : reprises, délais d'expiration, plafonds de coût, idempotence sur toute opération qui écrit, et une étape de validation humaine partout où une action est difficile à défaire.

La recherche documentaire sur vos propres contenus

Le RAG, fait correctement : ingestion et découpage des documents qui respectent leur structure plutôt qu'un nombre de caractères, embeddings et recherche vectorielle, recherche hybride lexicale et sémantique (parce que le vectoriel seul rate les correspondances exactes), reclassement, et citations vers la source pour qu'une réponse puisse être vérifiée. Plus la moitié ingrate : maintenir l'index à jour au fil des évolutions des documents, et respecter le contrôle d'accès pour que la recherche ne fasse jamais apparaître un document que l'utilisateur n'aurait pas pu ouvrir autrement.

L'automatisation des processus et des fonctions support

Tout ne réclame pas un agent. Une large part de ce que les entreprises attendent de l'IA relève de la classification, de l'extraction et du routage : lire un courriel entrant et décider de ce dont il s'agit, extraire des données structurées d'un document qui ne l'est pas, rapprocher une description d'une référence catalogue. C'est moins cher, plus fiable et plus facile à évaluer qu'un agent, et lorsque c'est la bonne réponse, c'est cela que nous construisons.

Évaluation, observabilité et garde-fous

Une fonctionnalité d'IA sans évaluation est une fonctionnalité que personne ne peut améliorer. Nous constituons des jeux de test à partir de vos cas réels, nous mesurons à chaque changement, nous traçons chaque appel avec ses entrées, ses appels d'outils, sa latence et son coût, et nous posons les limites avant qu'une boucle emballée ne découvre votre facture d'API. L'injection de prompt devient un risque réel dès qu'un agent lit du contenu non fiable et peut aussi agir : nous concevons la frontière des outils pour qu'un document malveillant ne puisse pas se transformer en action destructrice.

Notre position vis-à-vis des fournisseurs de modèles

Nous ne sommes liés à aucun. Nous développons avec les modèles Claude d'Anthropic, avec OpenAI, avec Google et avec des modèles à poids ouverts exécutés sur votre propre infrastructure, et nous concevons l'intégration de sorte que le modèle reste un composant remplaçable. Le bon choix dépend de la tâche, de la latence exigée, du coût par appel à votre volume et (critère de plus en plus décisif en Europe), du territoire où les données ont le droit d'aller.

Pour les clients soumis à des contraintes de localisation des données, nous déployons dans des régions européennes ou en inférence auto-hébergée sur votre matériel, et nous vous dirons honnêtement à quel endroit cela vous coûte en capacité.

Ce que nous ne sommes pas

Nous ne sommes pas un cabinet de conseil en stratégie IA. Nous n'animons pas d'ateliers sur le potentiel transformateur de quoi que ce soit.

Nous ne construirons pas davantage un agent pour un problème qui n'en demande pas. Une part significative des projets d'IA qu'on nous soumet se résout mieux par une intégration d'API bien spécifiée, un index de recherche, ou la correction du problème de qualité de données qui se trouve dessous. Le recommander nous coûte une mission plus grosse et vous épargne un système qu'il aurait fallu maintenir.

Là où cela produit le plus d'effet

Une connaissance interne techniquement disponible et pratiquement inatteignable : des milliers de documents répartis entre un wiki, un lecteur partagé et un outil de ticketing, où la seule personne qui sait lequel fait foi est en congé.

Le tri à fort volume : files de support, réception de sinistres, demandes commerciales entrantes, examen de candidatures. Tout ce où un humain lit aujourd'hui quelque chose, décide de ce dont il s'agit, et le transmet.

Les systèmes qui n'ont jamais eu d'intégration : deux outils qui devraient se parler, ne le font pas, et le contournement s'appelle une personne avec un tableur. Un agent disposant d'un accès MCP aux deux est souvent un chemin plus court qu'un projet d'intégration en bonne et due forme.

Les métiers à forte densité documentaire : contrats, factures, cahiers des charges, dossiers réglementaires. L'extraction assortie d'une relecture humaine est aujourd'hui suffisamment fiable pour changer l'économie de ces processus.

La productivité des développeurs dans votre propre base de code : outillage interne, aide à la revue de code, génération de tests, et serveurs MCP donnant aux assistants de votre équipe accès à votre chaîne de build, à votre gestionnaire de tickets et à vos journaux.

Déroulement des missions

Cadrage, une à deux semaines. Nous examinons le processus que vous voulez changer, les systèmes concernés et l'état réel des données. Le livrable est une évaluation écrite de ce qui est faisable, du coût mensuel d'exploitation à votre volume et des modes de défaillance. Il lui arrive de conclure qu'il ne faut pas construire cela.

Preuve de concept, trois à six semaines, sur des données réelles dans un environnement maîtrisé. L'objectif n'est pas une démonstration mais un résultat d'évaluation auquel vous pouvez vous fier, avec un chiffre d'exactitude mesuré sur des cas que vous avez choisis.

Réalisation en production, en général huit à seize semaines, incluant authentification, autorisation, supervision, harnais d'évaluation, maîtrise des coûts et documentation. Déployée dans votre infrastructure, dans votre dépôt, avec votre équipe impliquée du début à la fin.

Exploitation ou transfert. Soit votre équipe reprend l'ensemble, avec le manuel d'exploitation et la suite d'évaluation, soit nous continuons à l'exploiter sous contrat de support. Les modèles changent, les prompts dérivent, et la suite d'évaluation est ce qui vous prévient quand quelque chose s'est discrètement dégradé.

Technologies

Python et TypeScript pour le travail agents et MCP ; PostgreSQL avec pgvector, Qdrant, Weaviate ou OpenSearch pour la recherche ; AWS Bedrock, Azure OpenAI, API fournisseurs en direct, et inférence auto-hébergée avec vLLM ou Ollama quand les données ne peuvent pas sortir ; traçage fondé sur OpenTelemetry ; et, côté intégration, votre pile existante, quelle qu'elle soit, puisque c'est là que le travail se joue réellement.

Questions fréquentes

Qu'est-ce qu'un serveur MCP, concrètement ?

Un petit service qui expose une capacité (lire dans une base de données, créer un ticket, chercher dans vos documents), dans un format standard que les assistants IA comprennent. Vous en construisez un, et tout assistant compatible MCP peut utiliser cette capacité sans intégration spécifique.

Faut-il construire un serveur MCP ou une intégration d'API classique ?

Si un seul assistant IA doit accéder à un seul système, l'intégration directe est plus simple. MCP prend tout son sens quand plusieurs assistants ou plusieurs équipes ont besoin des mêmes systèmes, quand vous voulez que la capacité reste disponible pour des outils que vous n'avez pas encore choisis, ou quand vous voulez un seul endroit où vivent les permissions et la journalisation d'audit.

Comment empêchez-vous un agent de faire quelque chose de destructeur ?

Par couches. Les outils qui écrivent sont séparés de ceux qui lisent, et les outils d'écriture sont cadrés aussi étroitement que la tâche le permet. Tout ce qui est irréversible passe par une validation humaine. Chaque appel est journalisé avec ses arguments. Et l'agent s'exécute sous une identité de service ne portant que les permissions nécessaires au travail, de sorte que le rayon d'impact est borné par votre propre modèle d'autorisation, et non par le prompt.

Combien coûte l'exploitation ?

Cela dépend presque entièrement du volume et de la quantité de contexte transportée par appel. Nous modélisons ce point pendant le cadrage avec vos chiffres réels, car l'écart entre une conception qui envoie un document entier à chaque tour et une conception qui n'en récupère que la partie utile peut atteindre un ordre de grandeur sur la facture mensuelle.

Est-ce que cela peut fonctionner sans que nos données quittent l'UE ?

Oui. Les grands fournisseurs proposent des régions européennes, et les modèles à poids ouverts peuvent tourner sur une infrastructure que vous contrôlez. Il y a généralement un compromis en capacité, et nous serons précis sur sa nature plutôt que de prétendre qu'il n'existe pas.

Notre précédent pilote d'IA n'est jamais arrivé en production. Pourquoi celui-ci y arriverait-il ?

En général parce que le pilote a prouvé que le modèle savait faire la tâche sans jamais toucher à l'authentification, aux permissions, au traitement des erreurs, à l'évaluation ni au coût : c'est-à-dire aux quatre-vingt-dix pour cent de travail restants. Nous partons du principe que le modèle fonctionne et consacrons la mission à tout le reste.

Commencer

Décrivez le processus que vous voulez changer et les systèmes qu'il touche. Nous vous dirons si un agent est le bon instrument, à quoi ressemble une première version réaliste, et ce que cela coûte à construire puis à exploiter.

Contactez-nous pour convenir d'une session de cadrage technique.

Services associés

• Renforcement d'Équipe et Outsourcing : des ingénieurs IA intégrés à votre équipe
• Conformité au règlement européen sur l'IA : pour le moment où ce que vous construisez entre dans le champ
• Optimisation des coûts AWS : les charges d'inférence et de recherche ont l'habitude de surprendre