Déployer une IA agentique en entreprise : 7 étapes, risques et conformité

Par Elisha Bajemon, Ingénieur IA chez TW3 Partners. Dernière mise à jour : 28 mai 2026.

TW3 Partners, cabinet de conseil IA, expose au Hall 7.2, Allée C, Stand 74, du 17 au 20 juin 2026 à VivaTech 2026 (Paris Expo Porte de Versailles).

En bref

Une IA agentique en entreprise se déploie en sept étapes : cadrer le cas d’usage et la valeur, choisir l’architecture (mono ou multi-agents), stabiliser les données et le RAG, poser des garde-fous alignés sur l’OWASP Top 10 for LLM Applications 2025, instrumenter l’observabilité, sécuriser les outils (sandbox, moindre privilège, journaux d’audit) et industrialiser (CI/CD, versioning, runbooks). À titre d’ordre de grandeur observé chez TW3 Partners, un premier cas d’usage se situe souvent entre 4 et 9 mois entre cadrage, pilote et production stabilisée ; les cas suivants sur la même plateforme sont plus rapides. Stack 2026 : LangGraph, CrewAI, Microsoft Agent Framework, OpenAI Agents SDK, Pydantic AI, Model Context Protocol. Observabilité : Langfuse, Arize Phoenix, OpenTelemetry. Cadre réglementaire : AI Act (UE 2024/1689), ISO/IEC 42001, RGPD, NIS2 pour les entités essentielles ou importantes concernées.

Selon le rapport The state of AI in 2025: Agents, innovation, and transformation publié par McKinsey en novembre 2025, 88 % des organisations interrogées déclarent utiliser régulièrement l’IA dans au moins une fonction métier (contre 78 % un an auparavant), 23 % indiquent passer à l’échelle au moins un système d’IA agentique et 39 % expérimentent des agents. Gartner annonce dans un communiqué du 26 août 2025 que 40 % des applications d’entreprise embarqueront des agents IA spécialisés d’ici fin 2026 (contre moins de 5 % en 2025), et anticipe dans un communiqué du 25 juin 2025 que plus de 40 % des projets d’IA agentique seront annulés d’ici fin 2027 en raison de coûts non maîtrisés, d’une valeur métier mal cadrée ou de contrôles de risque insuffisants. Les analystes de marché convergent sur un point : l’IA agentique suscite une forte attente, mais les projets échouent lorsque la valeur métier, le coût d’exploitation et les contrôles de risque ne sont pas cadrés dès le départ.

Sommaire

1. Pourquoi l’agentique en 2026
2. Définition et architecture d’une IA agentique
3. Les 7 étapes de déploiement
4. Risques OWASP LLM Top 10 et garde-fous
5. Métriques et observabilité
6. Conformité et cadres réglementaires
7. Méthode TW3 Partners
8. Cas d’usage par vertical
9. Pour aller plus loin
10. FAQ
11. Sources

1. Pourquoi l’agentique en 2026

Trois signaux convergent. D’abord, l’adoption industrielle décolle : selon McKinsey, 23 % des organisations interrogées passent à l’échelle un système agentique et 39 % expérimentent. Ensuite, l’outillage mûrit : les frameworks de référence (LangGraph, CrewAI, Microsoft Agent Framework, OpenAI Agents SDK) ont franchi des paliers majeurs sur 2025-2026, le Model Context Protocol, introduit par Anthropic puis donné en décembre 2025 à l’Agentic AI Foundation sous l’égide de la Linux Foundation, s’impose progressivement comme standard ouvert d’interconnexion entre agents et outils, et les principaux fournisseurs frontier proposent désormais des mécanismes structurés d’appel d’outils. Enfin, le cadre réglementaire se précise : l’AI Act déploie ses obligations par jalons, l’OWASP Top 10 for LLM Applications 2025 consolide la taxonomie des risques côté sécurité applicative.

La contrepartie est documentée : la majorité des projets agentiques restent au stade du proof of concept et peinent à passer à l’échelle. Les entreprises qui réussissent partagent trois pratiques : un cadrage chiffré dès l’amont, des garde-fous traités comme un produit à part entière, et une SRE IA capable d’exploiter le système en continu.

2. Définition et architecture d’une IA agentique

Une IA agentique désigne un système qui combine un ou plusieurs modèles de langage avec une capacité d’exécution autonome d’actions, à la différence d’un chatbot qui se limite à la conversation. L’agent reçoit un objectif, planifie une séquence d’actions (pattern planner-executor), appelle des outils (API, bases de données, scripts), observe les résultats, raisonne, ajuste, puis boucle jusqu’à atteindre l’objectif ou à échouer de façon contrôlée.

Trois briques constitutives.

• Tool use. Capacité du LLM à appeler des outils externes via une interface structurée. Les principaux fournisseurs frontier proposent désormais des mécanismes structurés d’appel d’outils (Anthropic tool use, OpenAI function calling, Google Gemini function calling, Mistral function calling). Les modèles ouverts (Llama, Qwen, Mistral, Phi) peuvent également être intégrés à des workflows tool use via frameworks et templates adaptés.
• Mémoire. Court terme (contexte de la conversation), long terme (vector store, mémoire structurée type Letta), épisodique pour rejouer un raisonnement.
• Orchestration. Graphe d’états explicite, conversation entre agents, ou superviseur orientant des exécutants spécialisés.

Frameworks 2026 à connaître.

• LangGraph : option très utilisée pour les graphes d’états explicites, les reprises human-in-the-loop et la traçabilité.
• CrewAI : composition d’agents par rôles et tâches, utile pour prototyper des workflows multi-agents.
• Microsoft Agent Framework : successeur direct de Semantic Kernel et AutoGen, conçu par les mêmes équipes pour combiner orchestration multi-agents, état de session, typage, filtres, télémétrie et intégrations modèles.
• OpenAI Agents SDK : SDK officiel d’OpenAI pour construire des agents, orchestrer des outils et intégrer les modèles OpenAI dans des workflows agentiques.
• Pydantic AI : agents Python typés, validation structurée des entrées et sorties.
• n8n : orchestration low-code utile pour des équipes IT et métier mixtes, pas un framework agentique pur.
• AG2 : continuation communautaire d’AutoGen sous gouvernance open source.
• Letta : framework de mémoire longue pour agents stateful.
• Model Context Protocol (MCP) : introduit par Anthropic, donné en décembre 2025 à l’Agentic AI Foundation, un fonds dirigé sous l’égide de la Linux Foundation. MCP s’impose progressivement comme un standard ouvert d’interconnexion entre assistants IA et outils ; son adoption progresse dans l’écosystème, avec des niveaux de support variables selon les fournisseurs et les frameworks. Il permet de réduire le couplage à un fournisseur unique.

3. Les 7 étapes de déploiement

Ces étapes sont issues de retours d’expérience sur des projets agentiques en banque, assurance, industrie et service public. Elles forment un pipeline ; sauter une étape se paie plus tard.

Étape 1. Cadrer le cas d’usage et la valeur

Durée typique : 2 à 4 semaines. Identifier le processus cible, le volume, le persona utilisateur, la valeur attendue (gain de productivité, qualité, conformité, expérience client). Chiffrer le baseline (temps moyen, coût, taux d’erreur) et l’objectif. Cartographier les décisions exigeant un human-in-the-loop. Classer le cas d’usage selon les catégories de risque de l’AI Act (interdit, haut risque, risque limité, risque minimal). Livrable : note de cadrage avec baseline, périmètre, KPI, gouvernance et classification réglementaire.

Étape 2. Choisir l’architecture

Durée typique : 2 à 4 semaines. Trancher entre mono-agent à outils (orchestrator + tools) et système multi-agents (planner-executor, superviseur, rôles spécialisés). Sélectionner le framework, choisir les LLM par rôle (modèle frontier pour la planification, modèle plus économe pour les sous-tâches répétitives), définir le schéma de mémoire (court terme, long terme, épisodique), arrêter la liste d’outils accessibles et leurs permissions. Livrable : schéma d’architecture, matrice agents/outils/permissions, justification du choix de framework.

Étape 3. Données et accès

Durée typique : 4 à 8 semaines. Cartographier les sources de données, valider qualité et fraîcheur, construire le pipeline d’ingestion (parsing, chunking, embeddings), choisir le vector store, exposer les API et schémas dont l’agent a besoin. Bâtir un RAG fonctionnel et le tester sur un golden dataset de 100 à 300 questions et réponses validées par les métiers. Sans RAG stable, l’agent hallucine ou produit des décisions incorrectes en cascade. Livrable : pipeline d’ingestion documenté, golden dataset, taux de réponse correcte mesuré.

Étape 4. Garde-fous

Durée typique : 3 à 5 semaines. Quatre couches obligatoires.

• Entrée. Détection et filtrage des injections de prompt (LLM01:2025), classification des intentions interdites, normalisation des entrées.
• Sortie. Validation contre un schéma structuré, refus assumé en cas de doute, citation des sources RAG (LLM05:2025 Improper Output Handling).
• Exécution. Sandbox pour toute action sensible, allowlist d’outils par rôle, principe du moindre privilège strict (LLM06:2025 Excessive Agency).
• Human-in-the-loop. Validation humaine obligatoire pour les actions à fort impact (financier, juridique, sécurité, RH, données personnelles).

Livrable : matrice de garde-fous documentée, tests adverses passés, exigences de validation humaine cartographiées.

Étape 5. Observabilité

Durée typique : 2 à 4 semaines, intégrée à l’étape 4. Déployer Langfuse ou Arize Phoenix pour les traces et l’évaluation, OpenTelemetry pour la corrélation avec l’observabilité applicative existante, et un outil d’évaluation continue (DeepEval, Ragas, Promptfoo, TruLens, Inspect AI développé par l’UK AI Security Institute et Meridian Labs). Sans observabilité, l’agent en production est invisible et la dérive qualité passe inaperçue. Livrable : dashboard de traces, latence, coût, taux de succès et taux d’escalade humain, alerting configuré.

Étape 6. Sécurité

Durée typique : transverse, point dur en revue avant pilote. Sandbox d’exécution pour toute action effective (containers éphémères, FS isolé, accès réseau filtré), allowlists d’outils, principe du moindre privilège sur chaque connecteur (un agent support ne lit pas l’ERP en écriture), rotation et coffre-fort des secrets, journal d’audit immuable, tests d’exfiltration via outils, contrôle des dépendances (LLM03:2025 Supply Chain) et protection du vector store (LLM08:2025 Vector and Embedding Weaknesses). Revue RSSI obligatoire. Livrable : threat model, journal d’audit, tests d’intrusion ciblés agents.

Étape 7. Industrialisation

Durée typique : 6 à 10 semaines. Passage en production étendue : CI/CD spécifique LLM (régression sur golden dataset à chaque release), versioning des prompts et des outils, gestion des versions de modèles, runbooks d’astreinte, post-mortems, plan de continuité en cas d’indisponibilité fournisseur, formation des utilisateurs et des opérationnels, documentation technique exigée par l’AI Act pour les systèmes classés haut risque. Livrable : agent en production avec SLO documentés, processus de release, runbook, formation effectuée.

4. Risques OWASP LLM Top 10 et garde-fous

L’OWASP Top 10 for LLM Applications 2025 est la référence opérationnelle. Voici la lecture appliquée aux agents.

Cartographier ces dix risques sur chaque agent avant pilote est la pratique minimale. Les compléter par les publications ENISA relatives à la cybersécurité de l’IA et à la sécurisation des algorithmes de machine learning pour les environnements régulés.

5. Métriques et observabilité

Les indicateurs à piloter dès le premier jour.

• Task success rate. Taux de réussite de la tâche complète bout en bout, mesuré sur un golden dataset versionné.
• Tool call accuracy. Taux d’appels d’outils corrects (bon outil, bons arguments, bon moment).
• Cost per task. Coût total (tokens, infrastructure, outils payants) par tâche, segmenté par cas d’usage et par modèle.
• Latency p95. Latence au 95e percentile, segmentée planification, retrieval, appel d’outils, génération.
• Taux d’escalade humain. Part des tâches remontées à un opérateur, signal de calibration des garde-fous.
• Hallucination rate. Mesuré sur les réponses citables, via eval automatisée (Ragas, DeepEval) et revue humaine échantillonnée.
• Dérive qualité. Variation des métriques ci-dessus dans le temps, sur le même golden dataset, à modèle constant et à modèle mis à jour.

Outils 2026.

• Évaluation : DeepEval, Ragas, Promptfoo, TruLens, Inspect AI.
• Traces et monitoring : Langfuse, Arize Phoenix.
• Corrélation et SRE : OpenTelemetry, Datadog LLM Observability ou observabilité applicative équivalente.

6. Conformité et cadres réglementaires

Quatre cadres à articuler en pratique.

AI Act (règlement UE 2024/1689). Entré en vigueur le 1er août 2024, application par jalons. Les pratiques interdites et l’obligation de littératie IA s’appliquent depuis le 2 février 2025. Les obligations applicables aux fournisseurs de modèles GPAI s’appliquent depuis le 2 août 2025, avec des modalités de conformité précisées par le General-Purpose AI Code of Practice et les lignes directrices associées de l’AI Office. L’accord provisoire du 7 mai 2026 sur le Digital Omnibus prévoit un report des obligations applicables aux systèmes à haut risque : au 2 décembre 2027 pour les systèmes relevant de l’Annexe III et au 2 août 2028 pour les systèmes relevant de l’Annexe I.

L’article 4 de l’AI Act impose aux fournisseurs et déployeurs de prendre des mesures pour assurer un niveau suffisant de littératie IA aux personnels et autres personnes traitant avec les systèmes d’IA pour leur compte.

Sanctions prévues à l’article 99 du règlement : jusqu’à 35 millions d’euros ou 7 % du chiffre d’affaires mondial pour les pratiques interdites, jusqu’à 15 millions d’euros ou 3 % pour les autres obligations applicables aux opérateurs, jusqu’à 7,5 millions d’euros ou 1 % pour les informations incorrectes, incomplètes ou trompeuses fournies aux autorités. Pour les PME et start-up, c’est le moindre des deux montants qui s’applique.

La classification d’un agent dépend de sa finalité, de son rôle, de son autonomie et de son impact sur les personnes ou la sécurité. Cette classification se fait dès l’étape de cadrage, pas après le pilote. Éviter toute communication présentant un système comme « conforme AI Act » de façon absolue : la conformité dépend de l’usage, des contrôles effectifs et de la documentation tenue à jour.

ISO/IEC 42001:2023. Première norme certifiable de système de management de l’IA, publiée en décembre 2023. Cadre Plan-Do-Check-Act applicable à l’organisation, complémentaire de l’AI Act sur les volets gouvernance, risques, cycle de vie et fournisseurs. La certification n’est pas une obligation réglementaire ; elle constitue un signal de maturité interne et externe.

RGPD (règlement UE 2016/679). Toujours applicable dès qu’il y a traitement de données personnelles, qu’il s’agisse d’entrées utilisateur, de logs ou de fine-tuning. DPO en revue dès le cadrage, AIPD si traitement à risque élevé (article 35 RGPD).

NIS2 (directive UE 2022/2555). Si l’organisation relève du périmètre NIS2 en tant qu’entité essentielle ou importante (énergie, santé, transports, banque, infrastructures numériques, administration publique, etc.), les composants agentiques doivent être intégrés à la gouvernance cybersécurité, à la gestion des incidents, à la continuité d’activité et à la gestion de la chaîne d’approvisionnement. Coordination RSSI obligatoire.

Pour les entreprises exposées au marché américain, suivre également le NIST AI Risk Management Framework et le Generative AI Profile (NIST AI 600-1), utiles comme grille d’évaluation indépendamment du périmètre réglementaire.

7. Méthode TW3 Partners

TW3 Partners accompagne ses clients sur l’ensemble des sept étapes, avec deux principes opérationnels.

Le pilote contraint. Pas de promesse d’autonomie totale en phase un : périmètre étroit, volume capé, human-in-the-loop sur les décisions à enjeu, garde-fous conçus avant le pilote, observabilité instrumentée avant l’élargissement. Le but est de prouver la valeur métier sur un cas mesurable avant d’élargir.

La SRE IA comme produit. Astreinte, runbooks, post-mortems, régression continue sur golden dataset, gestion des versions de modèles et de prompts, plan de continuité en cas d’indisponibilité fournisseur. La production agentique ressemble plus à un service distribué qu’à une application web classique.

Sur les volets sensibles (haut risque AI Act, périmètre NIS2, RH, santé), TW3 cadre l’analyse de risque, la documentation technique et la gouvernance avant tout développement. Les ateliers d’audit IA et de cadrage agentique sont accessibles sur rendez-vous, y compris pendant VivaTech 2026 au stand TW3 Partners (Hall 7.2, Allée C, Stand 74).

Ordres de grandeur observés

À titre d’ordre de grandeur observé chez TW3 Partners, un premier cas d’usage agentique en entreprise se situe souvent entre 4 et 9 mois entre cadrage, pilote et production stabilisée. Les cas suivants peuvent être plus rapides si la plateforme, les garde-fous et l’observabilité sont déjà en place.

À titre indicatif, un premier cas d’usage agentique peut représenter 150 à 400 k€ selon le périmètre, la criticité, le niveau d’intégration SI, les exigences de sécurité et l’accompagnement. Les cas suivants sur une plateforme déjà industrialisée peuvent se situer dans une enveloppe plus basse. Le poste dominant reste l’humain (architectes, ML engineers, SRE IA, expert métier), pas les tokens.

8. Cas d’usage par vertical

La classification AI Act dépend de la finalité exacte, du rôle du système, de son autonomie et de son impact sur les personnes ou la sécurité ; les éléments ci-dessous orientent l’analyse, ils ne s’y substituent pas.

Banque et assurance. Back-office (instruction de dossiers, KYC, avenants), assistance conseiller, lutte anti-fraude. Les systèmes utilisés pour évaluer la solvabilité ou établir une note de crédit peuvent relever du haut risque au sens de l’AI Act ; l’assistance documentaire ou le support conseiller relèvent d’une analyse distincte. AIPD systématique en cas de données personnelles.

Industrie. Maintenance prédictive assistée, synthèse de documentation technique, génération de procédures. Sandbox systématique, vigilance sur les secrets industriels, classification AI Act à instruire au cas par cas selon l’intégration produit et l’impact sécurité (Annexes I et III du règlement).

Santé. Assistance documentaire clinique, codage médical, préparation de RCP. Si le logiciel constitue un dispositif médical, articulation avec le règlement européen MDR 2017/745. Si hébergement de données de santé à caractère personnel en France, label HDS obligatoire. Human-in-the-loop médical, validation clinique avant production, gouvernance DPO renforcée. La classification haut risque AI Act dépend de la finalité exacte.

Service public. Lorsque l’agent intervient dans l’instruction d’un droit, d’une prestation ou d’une décision administrative, l’analyse doit couvrir l’AI Act, le RGPD, l’explicabilité, les voies de recours et la supervision humaine. Souveraineté des données, modèles auto-hébergés ou cloud souverain qualifié à privilégier, traçabilité décisionnelle complète.

Retail et e-commerce. Assistance achat, gestion catalogue, support multilingue, opérations marketing. Vigilance LLM10:2025 (Unbounded Consumption) sur les coûts à fort volume.

Juridique. Recherche jurisprudentielle, analyse contractuelle, premiers jets. Validation humaine systématique avant toute action externalisée.

RH. Lorsqu’un agent intervient dans le tri de candidatures, l’évaluation des collaborateurs ou des décisions affectant la relation de travail, l’analyse AI Act et RGPD (article 22) s’impose ; classification haut risque possible selon la finalité.

9. Pour aller plus loin

• Choisir un cabinet de conseil IA en 2026 : guide pillar
• Méthodologie d’audit IA en entreprise : cadre, étapes et conformité AI Act
• Mettre en place un RAG souverain : architecture, stack technique et conformité AI Act
• Build vs buy IA générative
• Comparatif des cabinets de conseil IA présents à VivaTech 2026
• Rencontrer un expert IA TW3 sur VivaTech 2026

10. FAQ

Combien de temps pour passer un agent IA en production ?
À titre d’ordre de grandeur observé chez TW3 Partners, 4 à 9 mois entre cadrage et production stabilisée pour un premier cas d’usage, 2 à 4 mois pour les cas suivants sur la même plateforme. La trajectoire dépend surtout de la qualité du RAG en amont et de la maturité SRE IA.

Quel framework agentique choisir en 2026 ?
LangGraph est très utilisé pour ses graphes d’états explicites et ses points de reprise. CrewAI reste pertinent pour la composition multi-agents par rôles. Microsoft Agent Framework, successeur direct de Semantic Kernel et AutoGen, combine orchestration multi-agents, état de session, typage, filtres et télémétrie. OpenAI Agents SDK convient aux stacks alignées OpenAI et aux workflows centrés sur les outils OpenAI. Pydantic AI s’impose pour les agents Python typés avec contraintes de validation fortes. Le Model Context Protocol standardise l’interconnexion outils, à privilégier pour limiter le couplage à un fournisseur.

Faut-il un LLM frontier ou un modèle ouvert pour un agent ?
Les deux, en architecture hybride. Modèle frontier (Anthropic, OpenAI, Google) pour la planification et les arbitrages complexes, modèle ouvert (Mistral, Llama, Qwen, Phi) pour les sous-tâches répétitives avec gain de coût et de souveraineté. Mesurer le compromis qualité/coût sur le golden dataset.

Quels garde-fous mettre en place en priorité ?
Couvrir les dix risques de l’OWASP Top 10 for LLM Applications 2025. En pratique, commencer par : filtre injection de prompt, validation structurée des sorties, sandbox d’exécution, allowlist d’outils par rôle, human-in-the-loop sur les actions sensibles, quotas et timeouts contre la consommation non maîtrisée.

Quelle observabilité pour un agent en production ?
Traces et évaluations avec Langfuse ou Arize Phoenix, corrélation applicative avec OpenTelemetry, évaluation continue avec DeepEval, Ragas, Promptfoo ou Inspect AI. Dashboards latence p95, coût par tâche, taux de succès, taux d’escalade humain.

Comment l’AI Act impacte-t-il un projet agentique ?
La classification dépend de la finalité, du rôle du système, de son autonomie et de son impact sur les personnes ou la sécurité. Beaucoup d’agents back-office relèvent du risque limité (transparence) ; un agent intervenant dans la notation de crédit, les RH, la santé, la justice, la biométrie ou les infrastructures critiques peut relever du haut risque (documentation technique, gestion des risques, supervision humaine, monitoring post-déploiement). L’article 4 (littératie IA) est applicable depuis le 2 février 2025, indépendamment du niveau de risque. L’accord provisoire du 7 mai 2026 sur le Digital Omnibus prévoit un report des obligations applicables aux systèmes à haut risque : au 2 décembre 2027 pour les systèmes relevant de l’Annexe III et au 2 août 2028 pour les systèmes relevant de l’Annexe I.

Quel budget prévoir ?
À titre indicatif, un premier cas d’usage agentique peut représenter 150 à 400 k€ selon le périmètre, la criticité, le niveau d’intégration SI, les exigences de sécurité et l’accompagnement. Les cas suivants sur une plateforme déjà industrialisée peuvent se situer dans une enveloppe plus basse. Le poste dominant est l’humain, pas les tokens.

Quel rôle pour le Model Context Protocol ?
MCP, introduit par Anthropic, est devenu un standard ouvert d’interconnexion entre assistants IA et outils. Il a été donné en décembre 2025 à l’Agentic AI Foundation, sous l’égide de la Linux Foundation. La fondation est cofondée par Anthropic, Block et OpenAI, avec le soutien de Google, Microsoft, AWS, Cloudflare et Bloomberg. MCP facilite la portabilité entre frameworks et modèles et réduit le couplage à un fournisseur unique.

Pourquoi Gartner anticipe-t-il l’annulation de plus de 40 % des projets agentiques d’ici fin 2027 ?
Trois raisons documentées dans le communiqué Gartner du 25 juin 2025 : coûts non maîtrisés, valeur métier mal cadrée, contrôles de risque insuffisants. Les sept étapes décrites ici visent précisément à éviter ces trois causes.

Comment rencontrer TW3 Partners pour discuter d’agentique ?
Sur rendez-vous via tw3partners.fr, ou pendant VivaTech 2026 (17 au 20 juin 2026) sur le stand Hall 7.2, Allée C, Stand 74.

11. Sources

• McKinsey, The state of AI in 2025: Agents, innovation, and transformation
• Gartner, Gartner Predicts 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026
• Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
• OWASP Top 10 for LLM Applications 2025
• Règlement (UE) 2024/1689, AI Act
• Règlement (UE) 2016/679, RGPD
• Directive (UE) 2022/2555, NIS2
• Accord provisoire du 7 mai 2026 sur le Digital Omnibus, Conseil de l’Union européenne et Parlement européen
• Commission européenne, AI Office et General-Purpose AI Code of Practice
• ISO/IEC 42001:2023, AI Management System
• NIST AI Risk Management Framework 1.0
• NIST AI 600-1, Generative AI Profile
• ENISA, Securing Machine Learning Algorithms
• ENISA, Multilayer Framework for Good Cybersecurity Practices for AI
• Anthropic, donation du Model Context Protocol à l’Agentic AI Foundation sous l’égide de la Linux Foundation, décembre 2025
• Model Context Protocol
• LangGraph
• CrewAI
• Microsoft Agent Framework
• OpenAI Agents SDK
• Pydantic AI
• Letta
• AG2
• n8n
• Anthropic tool use
• OpenAI function calling and tools
• Google Gemini function calling
• Mistral function calling
• Inspect AI, UK AI Security Institute et Meridian Labs
• Langfuse
• Arize Phoenix
• OpenTelemetry
• Datadog LLM Observability
• DeepEval
• Ragas
• Promptfoo
• TruLens
• VivaTech 2026
• TW3 Partners