Je n'avais pas assisté à une conférence au Moscone Center depuis la dernière Microsoft Build qui s'y est tenue en 2016, mais cet événement a attiré beaucoup plus de participants et a fait l'objet de mesures de sécurité physique bien plus strictes que toutes les conférences Microsoft précédentes dont je me souvienne.

Comme prévu, cette année était encore une fois axée sur l'IA, mais sur un type d'IA très précis.

Comprendre l'IA moderne

Le terme « IA » est un peu chargé ces jours-ci, mais de manière générale, l'IA est devenue indissociable des grands modèles linguistiques (LLM) et de la complétion de textes (ou d'images, de vidéos, etc.) en langage naturel. En me rendant à Ignite, je me demandais si j'avais manqué quelque chose sur le fonctionnement de l'IA générative moderne. Il était tellement question de la puissance de l'IA générative et des systèmes agents que j'ai commencé à douter de ma compréhension du tour de magie.

La beauté d'une conférence comme celle-ci est que vous pouvez interagir avec des personnes très brillantes. J'ai eu l'occasion de discuter avec Mark Russinovich, directeur de la technologie chez Azure, qui est, dans l'ensemble, une personne très intelligente. Je lui ai demandé directement si je passais à côté de quelque chose, et il a confirmé que ce n'était pas le cas. L'IA moderne se résume vraiment à ces trois éléments :

• Prédiction de jetons : Étant donné une série de jetons, quel est le prochain jeton de la séquence ? Par exemple, si vous donnez à un LLM la phrase « nous finissons les phrases de l'autre... », il prédira que le mot suivant est « sandwichs » (peut-être, en gardant à l'esprit que tout cela est probabiliste). Génération augmentée par récupération (RAG) : Au lieu de réentraîner un modèle, la génération augmentée par récupération fonctionne en fournissant au modèle linguistique du matériel de référence supplémentaire, comme si on lui donnait un manuel scolaire en lui demandant d'y trouver la réponse. Le modèle linguistique utilise ces informations récupérées pour orienter ses réponses, façonnant le résultat en fonction du contexte ajouté. Appels d'outils : Conventions de messagerie qui renvoient des messages formatés pouvant être utilisés pour invoquer un outil spécifique. Cela peut consister à exécuter un morceau de code, à créer un ticket SQL ou même simplement à renvoyer l'heure actuelle. Un appel d'outil combine la prédiction de jetons et le RAG pour générer un ensemble spécial de jetons qui représente quelque chose qu'un système d'enregistrement peut traiter.

C'est vraiment tout. Un modèle linguistique peut prédire des jetons. Vous pouvez augmenter cette prédiction avec des données dans une invite, et vous pouvez lister des outils dans une invite qui seront des complétions spéciales. Cela ne diminue en rien ce que font ces éléments. Même s'il s'agit d'une solution coûteuse et brutale au problème des réseaux neuronaux, les LLM sont des technologies incroyables. Comprendre que ce que nous voyons est le fruit de l'ingéniosité humaine, qui découvre de nouvelles façons d'utiliser cette technologie fondamentale, aide à apaiser ces préoccupations.

Sur cette base, considérez le thème de cette année, qui était encore une fois les agents intelligents et l'IA agentique. Si l'année dernière était axée sur l'intégration des agents dans Copilot, cette année visait à intégrer des agents partout et à adopter les normes qui ont commencé à émerger.

Pourquoi le MCP est important : une utilisation des outils plus intelligente et plus naturelle

L'une des choses pour lesquelles j'ai été reconnaissant cette année est d'avoir eu l'occasion de prendre le temps d'approfondir le fonctionnement du protocole de contexte de modèle (MCP). À la base, il s'agit d'un moyen intelligent de combiner le RAG et l'appel d'outils, afin que les agents puissent communiquer entre eux en utilisant le langage naturel.

La façon dont les agents utilisent les outils est devenue beaucoup plus fluide avec le MCP. Auparavant, si vous vouliez qu'un assistant IA ou Copilot utilise une application ou un connecteur spécifique, vous deviez l'appeler par son nom, ce qui rendait le tout maladroit. Je me souviens avoir essayé d'utiliser l'Assistant Google à l'époque des premières enceintes intelligentes et avoir dû dire « useOurGroceries pour ajouter du beurre » juste pour obtenir la bonne application de liste de courses. Si je disais simplement « ajoute du beurre à la liste d'épicerie », il utilisait par défaut autre chose, comme Google Keep, parce qu'il ne comprenait pas mes préférences. Les extensions Teams avaient un problème similaire : vous deviez mentionner avec « @ » l'extension exacte que vous vouliez au lieu que le système sache simplement quels outils étaient disponibles et choisisse le bon.

Le MCP résout ce problème en donnant aux agents des descriptions claires de l'utilité de chaque outil (par exemple, « utilisez cet outil pour ajouter quelque chose à une liste d'épicerie »). Le modèle peut alors décider lui-même quand utiliser le bon outil, de la même manière que vous vous attendez à ce que quelqu'un saisisse un marteau lorsque vous dites « Peux-tu enfoncer un clou ? » sans avoir besoin de lui expliquer. Lorsque vous ajoutez la mémorisation des préférences de l'utilisateur, l'expérience devient encore plus naturelle. Vous pouvez toujours demander une confirmation avant l'exécution d'un outil, mais cela devient un choix de conception, et non une limitation technique. Après Ignite, j'ai quelques idées sur la façon de rendre notre solution de centre de contact ice encore plus performante avec le MCP à l'avenir !

L'évolution rapide des outils d'IA d'Azure

Les outils de l'équipe Azure autour des services d'IA ont évolué à un rythme effréné. Auparavant, des outils comme Prompt Flow, Language Studio et Power Virtual Agents étaient au centre des préoccupations, mais aujourd'hui, AI Foundry occupe le devant de la scène. Foundry a simplifié le processus de création, de test et de déploiement d'agents IA en combinant la définition et l'hébergement des agents dans une interface unique et facile à utiliser. Pour quelqu'un qui développe des solutions d'IA, cela signifie beaucoup moins de temps de configuration et moins d'éléments mobiles à gérer.

L'une des fonctionnalités les plus intéressantes est la nouvelle capacité de génération augmentée par récupération (RAG) dans les bases de connaissances. Traditionnellement, l'extraction d'informations pertinentes pour un modèle d'IA pouvait nécessiter des invites soigneusement élaborées, mais avec Foundry, le système peut générer automatiquement plusieurs termes de recherche, classer les résultats et intégrer le contexte le plus utile dans l'agent. En pratique, cela signifie que les agents peuvent répondre aux questions avec plus de précision et d'efficacité, sans qu'un développeur ait à ajuster manuellement chaque invite. Par exemple, vous pourriez demander à un agent d'extraire rapidement les documents ou les enregistrements les plus pertinents d'une base de données, en lui fournissant des réponses précises en quelques secondes.

Ce qui ressort vraiment, c'est la rapidité avec laquelle vous pouvez prototyper et expérimenter avec des agents IA. J'ai pu assembler quelques prototypes rapides dans Foundry pour voir comment fonctionne la plateforme de création d'agents, et les fonctionnalités d'observabilité ainsi que les garde-fous intégrés facilitent la surveillance et le déploiement sécurisé de l'IA en production. Bien que nous explorions encore quelle part de cette pile sera utilisée pour notre solution, la vitesse à laquelle on peut itérer est impressionnante. Une fois qu'une solution est construite, il existe des possibilités d'optimisation pour des aspects comme le coût et la performance, mais pour explorer des possibilités et tester de nouvelles idées, Foundry est un outil puissant pour les équipes qui cherchent à innover rapidement.

Utilisations créatives de l'IA à travers Ignite

Au-delà des outils, ce qui était formidable à Ignite cette année, c'était de voir comment les gens prenaient ces capacités fondamentales (prédiction de jetons, RAG, appel d'outils) et les combinaient pour créer des systèmes intéressants. Par exemple, dans un laboratoire sur la mémoire sémantique, j'ai vu un exemple d'invite extrêmement bien conçue qui inspectait le dialogue à chaque tour pour rechercher des « facettes » (un terme défini par le développeur) d'éléments à stocker en tant que souvenirs concernant l'appelant. Dans ce cas, il s'agissait des préférences de voyage, mais ce qui était intéressant, c'était la façon dont l'invite était construite pour définir des règles, des catégories et des méthodes de notation spécifiques (préférence forte ou faible). Ayant créé des invites tout aussi complexes pour certaines des fonctionnalités d'informations sur les contacts dans ice, j'ai appris quelques nouvelles astuces.

Il y a également eu l'occasion de se familiariser avec les nouvelles fonctionnalités de SQL Server qui permettent la recherche sémantique avec des types vectoriels natifs, de sorte que tout est désormais une base de données vectorielle. Il y a quelques endroits où nous effectuons déjà des recherches en texte intégral dans SQL (transcriptions de contacts et informations), donc l'une des choses que nous allons essayer est de voir si rendre cela sémantique est efficace, et comment cela pourrait changer la façon dont nous créons des tâches d'informations sur les contacts.

Autres points saillants à Ignite

En dehors de l'IA, il y a eu très peu de mises à jour concernant les autres secteurs de Microsoft, ce qui est révélateur. À l'origine, Ignite est né du regroupement de plusieurs événements plus restreints (TechEd, Lync, SharePoint, Exchange, etc.) en une seule méga-conférence couvrant l'ensemble de l'écosystème Microsoft. C'était idéal pour les profils axés sur l'étendue technologique comme moi, car cela permettait de prendre connaissance de la stratégie globale de Microsoft et de voir comment elle pouvait soutenir ou compléter celle de ComputerTalk pour l'année à venir. Avec l'accent mis exclusivement sur l'IA ces dernières années, on peut s'interroger sur le niveau d'investissement dans certains domaines technologiques, sauf s'ils contribuent à favoriser l'adoption de l'IA. Microsoft Teams, par exemple, était à peine présent, et des groupes comme Azure Communication Services étaient totalement absents de la liste des sessions.

J'ai tout de même assisté à quelques bonnes sessions sur l'infrastructure de base et les outils, notamment sur Visual Studio 2026 et Azure Kubernetes Service. Il y avait également de nombreux experts des équipes produits de Microsoft sur le salon, et j'ai eu des échanges intéressants sur des sujets comme Github, Azure Devops, Fabric, CosmosDB et divers autres composants Azure. Cependant, la plupart, sinon la totalité, des sessions, conférences principales et ateliers étaient filtrés à travers le prisme de l'IA.

Perspectives pour 2026

Le retour à la réalité après une semaine dans une conférence comme celle-ci provoque toujours un léger choc culturel. Comme je l'ai déjà mentionné, l'un des aspects les plus précieux de tels événements est la possibilité de prendre du recul pour observer les tendances de l'industrie, identifier les nouveautés à surveiller et trouver des idées pour faire évoluer ice et les activités de ComputerTalk. À cet égard, Ignite a certainement été une réussite cette année. J'ai une longue liste de tâches à accomplir et de nouveaux contacts à relancer au cours de l'année. J'ai déjà hâte de voir ce que nous réservera l'édition 2026 à San Francisco, ainsi que l'évolution du paysage de Microsoft et du CCaaS d'ici là.