Les investissements des entreprises dans l’intelligence artificielle agentique s’accélèrent, mais l’infrastructure qui soutient ces systèmes continue de rattraper son retard.
Les organisations sont agents de déménagement dans le support client, le développement de logiciels, les opérations de vente et d'autres flux de production. Pourtant, nombre de ces agents restent apatrides, incapables de conserver un contexte durable, de partager leurs connaissances avec d’autres agents ou d’expliquer comment les décisions antérieures ont façonné les résultats actuels. Cet écart devient moins un problème de modèle qu’un problème d’architecture de données.
Dans le dernier épisode du podcast AppDevANGLE de CUBE Research, j'ai parlé avec Karthik Ranganathan, co-fondateur et PDG de Yugabyte, du lancement par la société de Meko, une nouvelle plate-forme d'infrastructure de données conçue pour fournir une mémoire persistante, des connaissances partagées et une traçabilité pour les systèmes multi-agents.
« Vos systèmes agents sont aussi bons que l'État et les données que vous leur fournissez », a déclaré Ranganathan. « Les problèmes de modèle sont très bien résolus, et les problèmes d'orchestration deviennent vraiment bons. Il s'agit désormais des cycles d'itération entre vos données et votre infrastructure de données. »
Les agents apatrides deviennent un goulot d’étranglement pour les entreprises
La première génération d’agents d’entreprise s’est largement concentrée sur la productivité individuelle. Un agent peut résumer un document, générer du code ou automatiser une tâche répétitive, aidant souvent un utilisateur à travailler plus rapidement dans le processus.
Cette valeur est réelle, mais elle reste linéaire. L'opportunité la plus importante apparaît lorsque plusieurs agents peuvent collaborer sur des flux de travail, des connaissances organisationnelles et des processus métier partagés.
C’est là que les architectures actuelles commencent à s’effondrer.
Les agents échangent généralement des résultats, mais pas le raisonnement, les hypothèses, le contexte ou les connaissances préalables qui ont produit ces résultats. Dans une équipe humaine, cela équivaudrait à partager uniquement les conclusions finales sans expliquer comment chacun y est parvenu.
« Lorsque vous regardez les équipes, les agents n'ont vraiment aucun moyen de partager leur contexte, leur état, leurs connaissances, leurs découvertes ou leur raisonnement », a déclaré Ranganathan. « Il n'y a même aucun moyen pour les agents de regarder ce que l'autre agent a produit comme résultat et pourquoi il a obtenu ce résultat. »
Le résultat est un travail répété, une orchestration supplémentaire et une consommation de jetons plus élevée. Les agents doivent continuellement reconstruire le contexte plutôt que de s’appuyer sur une base durable de connaissances organisationnelles partagées.
Reconnaître le problème comme un problème d’infrastructure de données change la question architecturale. Au lieu de se demander comment rendre un agent unique plus intelligent, les entreprises doivent déterminer comment les agents peuvent partager la vérité entre les systèmes.
Passer des bases de données basées sur l'IA à une infrastructure d'agent native
La plupart des fournisseurs de bases de données étendent les plates-formes existantes pour prendre en charge la recherche vectorielle, les intégrations et d'autres modèles d'accès liés à l'IA. Yugabyte adopte une approche plus large en combinant une évolution native de YugabyteDB basée sur l'IA avec une couche d'infrastructure supplémentaire conçue spécifiquement pour les flux de travail des agents.
YugabyteDB apporte déjà des fonctionnalités SQL distribuées à PostgreSQL, ainsi que la prise en charge des modèles d'accès relationnels, vectoriels, graphiques et de style NoSQL. Meko est destiné à s'asseoir au-dessus de cette fondation et à organiser la manière dont les systèmes agents stockent, récupèrent et partagent la mémoire et les connaissances.
« Nous faisons évoluer notre base de données pour qu'elle soit native de l'IA tout en créant une infrastructure de données native de l'IA qui utilise la base de données et fait plus », a déclaré Ranganathan.
La distinction est importante car le simple fait d’exposer davantage de modèles de données ne crée pas nécessairement des flux de travail d’agent efficaces. Sans couche structurée, les agents peuvent mapper différemment à chaque fois les conversations, les mémoires, les requêtes et les connaissances dans les systèmes sous-jacents.
Pour de nombreux flux de travail et utilisateurs, ces incohérences peuvent augmenter les coûts, réduire l'observabilité et rendre les performances difficiles à gérer.
« Vous vous retrouvez sans flux de travail structuré, sans modélisation efficace ou modèles de requêtes, et sans aucun moyen de réaliser que cela est fait de manière rentable », a déclaré Ranganathan.
Meko est conçu pour capturer ces flux de travail, optimiser la façon dont les informations sont stockées et récupérées et réduire la quantité de raisonnements répétés requis de la part des modèles et des couches d'orchestration.
La mémoire partagée devient la base de la collaboration des agents
L’idée centrale de Meko est que les agents devraient être capables d’apprendre non seulement de leurs propres interactions antérieures, mais également d’autres agents opérant dans le même environnement.
Cela nécessite plus que l’historique des conversations. Les systèmes d'entreprise doivent faire la distinction entre le contexte temporaire, la mémoire réutilisable et les connaissances organisationnelles validées.
Ranganathan a décrit un processus dans lequel les mémoires individuelles peuvent être élevées en mémoires collectives et en connaissances partagées. Ces actifs peuvent ensuite devenir disponibles dans les équipes et les applications agents via le Model Context Protocol, ou MCP.
Meko est également destiné à préserver l'origine de ces connaissances, y compris la conversation, le raisonnement de l'utilisateur, de l'agent et les requêtes qui y ont contribué.
« Vous pouvez revenir en arrière et voir d'où vient ce souvenir, qui l'a évoqué, quelle conversation, quel raisonnement d'agent a donné naissance à ce souvenir et à cette connaissance », a déclaré Ranganathan.
Cette lignée est essentielle car les agents ne sont pas déterministes. Une réponse peut être directionnellement correcte mais nécessiter néanmoins des corrections, des contraintes ou des hypothèses de l'utilisateur. Ces interactions contiennent souvent des connaissances institutionnelles précieuses qui autrement resteraient piégées dans une seule conversation.
En extrayant et en partageant ces connaissances, les entreprises peuvent commencer à passer d'interactions d'agents isolés à une intelligence artificielle collaborative.
L'auditabilité doit s'étendre au-delà des journaux d'activité
À mesure que les agents sont intégrés dans des flux de travail réglementés et critiques pour l'entreprise, l'auditabilité devient une exigence de plus en plus sérieuse en matière d'infrastructure.
Enregistrer ce qu’un agent a fait n’est pas la même chose que conserver pourquoi il l’a fait. Les entreprises peuvent éventuellement avoir besoin d'expliquer comment un agent a pris une décision, quelles données il a utilisées, quel contexte antérieur il a récupéré et si ces informations étaient exactes à ce moment-là.
Meko est conçu pour capturer le processus de raisonnement autour du flux de travail d'un agent, y compris les requêtes émises, le contexte récupéré, la durée de ces opérations et les données qui ont informé le résultat final.
Cette observabilité plus approfondie peut aider les équipes à identifier les informations manquantes, les données sources inexactes ou les conflits de connaissances avant qu'ils ne se propagent dans les systèmes automatisés.
Il prend également en charge la gouvernance dans des environnements dans lesquels plusieurs utilisateurs et agents hétérogènes contribuent à une base de connaissances partagée.
L’objectif à long terme n’est pas seulement d’enregistrer l’activité des agents, mais aussi de rendre les connaissances machine accumulées traçables, gouvernables et corrigibles.
Le fondement économique de l’infrastructure agentique
L'analyse de rentabilisation de Meko s'appuie également sur l'économie opérationnelle de la plateforme distribuée PostgreSQL sous-jacente.
Étude de validation économique récemment publiée par Yugabyte a constaté que les entreprises exécutant des charges de travail critiques sur PostgreSQL distribué peuvent réaliser un bénéfice économique net modélisé de 15,62 millions de dollars sur trois ans.
L'analyse a révélé que les architectures PostgreSQL distribuées modernes pourraient permettre une réduction de 55 % des revenus liés aux temps d'arrêt, des économies annuelles comprises entre 1,8 et 3,4 millions de dollars en matière d'infrastructure, de licences et de reprise après sinistre, ainsi qu'une réduction de 35 à 50 % des efforts d'ingénierie opérationnelle liés aux bases de données.
Ces avantages sont importants dans les environnements agentiques, car les applications d'IA peuvent rapidement augmenter les volumes de données, les locataires, les requêtes et les interactions. Chaque agent, utilisateur et workflow génère un état supplémentaire qui doit rester disponible, évolutif et traçable.
Une couche de données peu fiable ou inefficace compromet les gains de productivité que les systèmes agents sont censés offrir.
« Un système agent véritablement de nouvelle génération ne peut pas se permettre de temps d'arrêt », a déclaré Ranganathan. « Il est important d’établir les bonnes bases. »
L'étude révèle également que 63 % des organisations s'attendent à ce que les charges de travail des applications augmentent de plus de 25 % au cours des deux prochaines années, tandis que 64 % intègrent des fonctionnalités basées sur l'IA dans la livraison de logiciels. Dans le même temps, près de 60 % citent la complexité opérationnelle et les défis de gestion des données comme principaux obstacles à l’évolution.
Cette combinaison renforce un point plus large : l’IA agentique ne peut être séparée de l’économie et de la résilience de l’infrastructure de données qui la sous-tend.
L'essentiel
L'IA d'entreprise va au-delà des assistants isolés et s'oriente vers des équipes d'agents opérant sur des flux de travail partagés. Cette transition nécessite une couche persistante et gouvernable pour la mémoire, les connaissances, la lignée et la collaboration.
Meko représente la tentative de Yugabyte de construire cette couche manquante sur une base PostgreSQL distribuée conçue pour la disponibilité, l'évolutivité et l'efficacité opérationnelle.
Les implications plus larges sur le marché sont significatives. À mesure que les modèles et les cadres d'orchestration deviennent plus performants, la différenciation concurrentielle peut se déplacer de plus en plus vers l'infrastructure qui permet aux agents de conserver le contexte, de partager des connaissances validées et de fonctionner de manière fiable dans le temps.
Les organisations évaluant cette transition pourraient également bénéficier de l'étude de validation économique récemment publiée par Yugabyte, De l’infrastructure de base de données à l’avantage commercial, qui examine l'impact opérationnel et financier de PostgreSQL distribué et fournit un contexte supplémentaire sur la base de l'infrastructure prenant en charge les applications d'IA modernes.
Pour les entreprises, la prochaine phase de l’IA agentique ne sera pas déterminée uniquement par le modèle le plus performant. Cela dépendra de la capacité de l’architecture sous-jacente à transformer les interactions entre agents individuels en une intelligence collective durable.
Voici la conversation complète de theCUBE avec Karthik Ranganathan, qui fait partie de la série de podcasts AppDevANGLE de theCUBE Research :
