J’ai passé plus de 25 ans dans le domaine des technologies, ce qui signifie que je suis rarement surpris par les nouvelles technologies : je les découvre généralement de près avant le grand public. En tant que responsable informatique, je n’évalue jamais une nouvelle fonctionnalité de manière isolée : elle est toujours mise en balance avec de véritables cas d’usage métier, ainsi qu’avec les risques qui les accompagnent. Ces jours-ci, je dis souvent qu’être directeur des systèmes d’information à l’ère de l’IA, c’est occuper deux postes à la fois : l’ingénieur qui renforce le barrage, et l’opérateur qui doit malgré tout ouvrir les vannes.
Cette semaine, MongoDB a annoncé l’aperçu public du moteur d’agents Atlas, et je ne pourrais pas être plus enthousiaste quant à ses promesses pour les clients. Le moteur d’agents Atlas offre un moyen sécurisé de créer, de déployer et de gérer des agents d’IA en production. Grâce à sa mémoire et à sa récupération intégrées, le moteur d’agents Atlas indexe les données d’entreprise là où elles résident et fournit un contexte précis en temps réel, améliorant la précision tout en réduisant les coûts en jetons. Il est également ouvert et souple de par sa conception, ce qui signifie que les équipes peuvent créer avec le grand modèle de langage et le cadre de leur choix (et bientôt dans l’environnement de leur choix).
Les clients sont déjà enthousiasmés par les promesses du moteur d’agents Atlas pour leurs activités. Par exemple, Paysafe utilise MongoDB Atlas pour alimenter un système agentique destiné aux requêtes en langage naturel vers SQL sur des données transactionnelles, le premier d’une série de pipelines de flux de travail réutilisables que Paysafe prévoit de créer en tant que modèles pour des cas d’utilisation futurs.
Aujourd'hui, la configuration Snowflake MCP de l’entreprise ne donne aux clients API qu'une compréhension limitée du schéma de données sous-jacent. L’architecture documentaire souple et l’échelle fiable de MongoDB Atlas prennent en charge un agent conçu pour remplacer cette configuration par un pipeline plus performant et réutilisable que les clients API peuvent interroger directement en langage naturel.
« L’examen d’activités inhabituelles sur notre réseau de paiement signifie aujourd’hui que nos analystes doivent rassembler manuellement des données provenant de plusieurs systèmes, souvent sous pression », explique Jana Janarthanan, vice-président senior de l’ingénierie des paiements chez Paysafe. « Nous sommes enthousiasmés par le potentiel d’un agent intelligent, basé sur le moteur d’agents Atlas de MongoDB, pour réduire le délai entre l’apparition d’un problème et l’action de notre équipe, ce qui donnera à nos analystes plus de temps pour se concentrer sur les jugements qui comptent le plus. »
Lorsque l’équipe MongoDB m’a présenté pour la première fois le moteur d’agents Atlas, l’expression « sécurisé et gouverné dès la conception » a immédiatement attiré mon attention. Car s’il y a une chose qui m’empêche de dormir la nuit, c’est l’idée d’agents devenus incontrôlables dans les systèmes de MongoDB (ou de nos clients).
La gouvernance des agents n’est pas uniquement ma préoccupation. C’est dans l’actualité et c’est une question que les responsables informatiques du secteur doivent aborder. Chaque conversation que j’ai avec mes pairs renforce la même chose : la demande d’agents dans l’entreprise ne cesse de croître, mais les responsables informatiques ont besoin d’un moyen de les déployer de manière sûre et sécurisée, et pas seulement rapidement.
Fondamentalement, il s’agit d’une histoire opposant centralisation et décentralisation. Les développeurs souhaitent l’autonomie nécessaire pour déployer rapidement des agents avec un minimum de frictions, les responsables informatiques souhaitent un contrôle centralisé, une visibilité et des leviers d’optimisation des coûts sur la manière dont les agents se comportent à grande échelle. Les entreprises qui franchiront cette étape construiront une architecture qui répondra à ces deux attentes.
Les logiciels deviennent de plus en plus headless et pilotés par des agents, et les CIO ont besoin d’options dès maintenant. Autrement dit, l’avenir est là, et notre mission consiste à le façonner de manière responsable.
Client zéro : Notre stratégie d'IA interne en action
L’une des façons dont nous y parvenons chez MongoDB est d’agir en tant que « client zéro » pour nos produits. Le secteur a nommé cette pratique de nombreuses manières, « dogfooding » et « boire son propre champagne » étant deux exemples, mais la signification reste identique. Avant de sortir un produit, nous agissons en tant que notre propre client pour tester le logiciel en production, en utilisant des cas d’utilisation et des situations du monde réel.
Par exemple, lors du lancement de MongoDB 8.0 par la société en 2024, mon collègue Jim Scharf a rédigé un article de blog expliquant à quel point la version 8.0 avait permis d’améliorer la performance de l’équipe.
Avec le moteur d’agents Atlas, nous avons fait notre propre « dogfooding » en utilisant Holly, un espace de travail agentique unifié qui permet aux vendeurs de MongoDB de centraliser toutes les informations dont ils ont besoin, au lieu d’avoir recours à sept outils différents. Avant Holly, la préparation d’un compte exigeait de passer d’un outil à l’autre, sans que ces derniers ne partagent le moindre contexte, et demandait 4 à 6 heures par compte ou cycle de vente, pour une perte de temps pure et simple. Holly met fin à ce problème. Sept outils deviennent une expérience agentique unique, et les commerciaux récupèrent ce temps pour le consacrer là où il est précieux : avec les clients.
Holly : transformer des heures de travail en quelques minutes
Les équipes GTM de MongoDB suivent une méthodologie étape par étape standardisée pour comprendre la situation actuelle d’un client, ses objectifs et ce qu’il faudra pour les atteindre. Les commerciaux l’appellent un "spoke", et ce n’est pas rapide ; Jack Bunkenburg, Strategic Account Executive chez MongoDB, affirme que les spokes lui prennent un jour ou deux de sa semaine, chaque semaine.
Le problème était l'outillage, pas le processus. Les commerciaux avaient besoin d’un outil capable de comprendre l’intégralité du corpus de données qu’ils exploitent et qui conserve une mémoire des systèmes qui n’avaient jamais communiqué entre eux auparavant.
Sans cela, travailler sur un compte à travers sept outils différents revient un peu à consulter sept spécialistes pour une seule affection, sans qu’aucun d’eux ne puisse voir ce que les autres ont trouvé. Chaque visite recommence à zéro : vous réexpliquez vos symptômes, vos antécédents et ce que le dernier médecin a déjà appris. Chaque spécialiste peut être excellent. Mais le système continue de vous faire défaut, car le contexte ne circule jamais. Vous êtes le seul.
Avant de développer quoi que ce soit, l’équipe a observé comment le travail se déroulait réellement, et la réalité sur le terrain était, selon les termes de Bunkenburg, « bien plus désordonnée » que le processus sur le papier. La recherche sur les comptes impliquait à elle seule de jongler avec plusieurs outils d’IA (ChatGPT, Claude, Gemini) qui ne partagent pas de contexte entre eux ni avec les systèmes de MongoDB, et qui fournissent des réponses génériques et standardisées. Trouver des éléments de preuve était tout aussi manuel. Il en allait de même pour filtrer les résultats afin de ne retenir que ce qui comptait réellement.
Holly est la solution — le contexte partagé dont les autres outils n’ont jamais disposé. Une interface unique, sans basculement entre les outils, qui rassemble tout ce dont un commercial a besoin pour faire des recherches, se préparer et passer à l’action. En coulisses, le moteur d’agents Atlas assure l’essentiel du travail — exécution, sécurité, identité, orchestration, état, observabilité et gestion du cycle de vie — afin que les agents de Holly s’exécutent en production, et pas seulement lors d’une démonstration.
Figure 1. Architecture d’agent de Holly.
En pratique, cela signifie que Holly organise et résume les transcriptions de réunions, rédige des fiches de synthèse, met en évidence les questions auxquelles un commercial n’a pas encore répondu et aide à rédiger les messages de prise de contact. Résultat : les commerciaux qui utilisent Holly ont réduit d’environ 95 % le temps nécessaire pour effectuer des recherches et établir une liste de prospection sortante, et une préparation qui prenait auparavant des heures ne prend plus que quelques minutes. Cela signifie que les commerciaux abordent chaque échange en étant mieux préparés, et pas seulement plus rapidement.
« Avant Holly, j’utilisais une douzaine d’outils différents pour effectuer des recherches et de la prospection, donc tout avoir dans une seule interface a été une véritable valeur ajoutée », a déclaré Bunkenburg. « De nombreux outils ne comprennent pas les activités de MongoDB, ni exactement ce que nous essayons d’accomplir avec ces outils, mais c’est le cas de Holly. »
La plateforme de données intelligente pour l’ère de l’IA
À l’avenir, la vision est que Holly devienne une couche d’intelligence entièrement intégrée qui comprenne en profondeur MongoDB, nos clients et les comptes individuels, aidant ainsi toute l’organisation de mise sur le marché à exécuter plus efficacement les flux de travail de bout en bout.
Ce qui m’enthousiasme le plus, c’est ce qui sous-tend Holly. Holly fonctionne aujourd’hui avec environ 30 agents, tous basés sur la même architecture de moteur d’agents Atlas. Cette architecture ne devient pas plus instable à mesure que l’on y ajoute des agents : elle a été conçue pour tenir, que vous en exécutiez 30 ou 3 000. Nous n’avons pas créé un outil juste pour notre équipe de mise sur le marché. Nous avons prouvé un modèle : un modèle qui évolue en toute sécurité à chaque fois qu’une entreprise ajoute un nouvel agent, au lieu d’accumuler les risques à chaque fois.
Voilà ce que représente Atlas Agent Engine : on dépasse les agents ponctuels pour passer à une plateforme gouvernée et réutilisable, qui n'est liée ni à un cloud, ni à un modèle, ni à un framework en particulier. C'est la différence entre espérer que vos agents se comportent comme prévu et savoir qu'ils le feront, quel que soit leur nombre.
Le lancement du moteur d’agents Atlas est l’une des trois annonces majeures faites cette semaine par MongoDB, aux côtés de MongoDB 9.0 et d’Atlas Infinite. Les lancements s’appuient les uns sur les autres : MongoDB 9.0 renforce la base sur laquelle chaque client de MongoDB fonctionne déjà, Atlas Infinite supprime les limites de l’évolutivité de cette base, et le moteur d’agents Atlas fait tourner les agents d’IA par dessus les deux autres, régis et fondés sur des données en temps réel.
Les développeurs ont toujours choisi MongoDB car son modèle documentaire correspond à la forme naturelle des données applicatives et à la manière dont les systèmes d’IA représentent et échangent des informations. Il est ainsi plus rapide de développer des applications et plus facile de les adapter. Les entreprises sont de plus en plus nombreuses à choisir MongoDB car cette plate-forme allie cette adaptation native aux données opérationnelles en temps réel, une échelle élastique, la possibilité d’exécuter l’application n'importe où, et désormais une plate-forme spécialement conçue pour l’ère des agents.
Une plateforme unique. Un nombre illimité d’agents. Créez, déployez et exécutez-les là où se trouvent déjà vos données, avec la plateforme de données intelligente de MongoDB.
Pour aller plus loin
Pour en savoir plus sur la manière dont Atlas Agent moteur peut vous aider à créer, déployer et régir des agents en production, consultez notre annonce officielle ou la page d’Atlas Agent moteur.
Découvrez ces nouvelles fonctionnalités dès aujourd’hui sur mongodb.com/atlas. Et pour acquérir les compétences nécessaires pour faire passer les agents IA du prototype à la production, explorez les nouveaux Skill Badges de MongoDB sur la gouvernance, l’observabilité et l’évaluation des plateformes d’agents.