🏗️ Du code jetable à la conception durable

La valeur cachée de la modélisation à l’ère de l’IA agente

Le mythe : « L’IA écrit du code maintenant, donc l’architecture n’a plus d’importance. »
La réalité : « L’IA exécute des actions maintenant, donc l’architecture est plus importante que jamais. »

🚨 Le coup d’alerte

Nous assistons à une ruée vers l’or du code jetable. Les développeurs assemblent des appels d’API avec des instructions collantes, créant des chaînes de logique fragiles qui fonctionnent magnifiquement dans une démonstration et s’effondrent en production.

À l’ère des chatbots, une hallucination était un message d’erreur amusant.
À l’ère de l’IA agente, une hallucination est une base de données supprimée, un virement non autorisé ou une violation d’une loi de conformité.

Alors que nous passons de générative à agente (exécutant des tâches), la valeur de la modélisation logicielle ne diminue pas — elle explose. Voici l’histoire de pourquoi l’avenir n’appartient pas aux meilleurs rédacteurs de prompts, mais aux meilleurs modélisateurs.

📉 Le piège de l’architecture « prompt en premier »

Actuellement, de nombreuses équipes construisent des agents de cette manière :

Entrée : L’utilisateur demande quelque chose de complexe.
Traitement : LLM reçoit un énorme prompt système avec 50 règles.
Action : LLM produit directement du JSON ou des appels de fonction.
Risque : Pas de suivi d’état, pas de sécurité de type, pas de garde-fous au-delà de « s’il vous plaît, ne cassez rien ».

⚠️ Pourquoi cela échoue à grande échelle

Fonctionnalité	Approche uniquement par prompt	Approche modélisée
Fiabilité	Probabiliste (Espérer que ça fonctionne)	Déterministe (Contraintes garanties)
Débogage	« Le prompt était trop vague »	« La transition d’état a violé la règle 4 »
Évolutivité	La fenêtre de contexte se remplit rapidement	L’état est externalisé et géré
Sécurité	Compter sur l’alignement du LLM	Compter sur la validation du schéma

💡 Point clé : Un agent sans modèle n’est qu’un stagiaire chaotique avec accès root. Un agent avec un modèle est un ingénieur senior avec une check-list.

🧱 La renaissance de la modélisation

La modélisation ne consiste pas à dessiner des diagrammes UML que personne ne lit. À l’ère agente, la modélisation consiste àcréer les garde-fous dans lesquels l’IA peut penser en toute sécurité.

1. La modélisation du domaine comme « vérité de base » 🌍

Les LLM sont formés sur l’intégralité d’internet, pas survotre logique métier. Si vous demandez à un agent de « traiter un remboursement », il devine ce que cela signifie en se basant sur des données publiques.

La solution : Définissez un modèle strictModèle de domaine.
La valeur : Vous contrainsez le LLM à mapper sa compréhension du langage naturel sur vos entités spécifiques (Commande, Client, Politique). Cela réduit les hallucinations en ancrant l’IA dans votre schéma.

2. Modélisation de l’état comme « mémoire » 🧠

Les agents doivent savoir où ils se trouvent dans un flux de travail. Les chaînes de prompts perdent le contexte.

La solution : Implémentez machines à états (par exemple : Inactif → Planification → Exécution → Vérification → Terminé).
La valeur : L’agent ne peut pas sauter des étapes. Il ne peut pas « exécuter » avant « planifier ». Il ne peut pas « terminer » avant « vérifier ».

3. Modélisation des contraintes comme « sécurité » 🛡️

Que se passe-t-il si l’agent tente d’appeler une API qu’il ne devrait pas appeler ?

La solution : Ontologies et cartes de capacités.
La valeur : L’agent n’est conscient que des outils valides pour son état actuel. Il ne peut littéralement pasvoir voir la fonction delete_user fonction pendant qu’il est en mode_seul_lecture.

🛠️ Étude de cas : Le duel des agents de voyage

Examinons deux approches pour construire un agent de voyage intelligent qui réserve des vols et des hôtels.

❌ Approche A : Le script jetable

Logique : Un seul grand prompt : « Vous êtes un agent de voyage. Réservez un vol et un hôtel pour l’utilisateur. Utilisez ces outils. »
Mode de défaillance : L’utilisateur dit « Réservez-moi un vol pour Mars. » Le LLM tente d’appeler l’API de vol avec des paramètres non valides. Ou alors, il réserve l’hôtel avant de confirmer la date du vol, ce qui provoque un conflit.
Résultat : Réservations corrompues, clients en colère, interdictions de limite de taux d’API.

✅ Approche B : Le système modélisé

Logique : A Graphique du flux de travail.
1. État d’intention : Valider que la destination existe dans la base de données.
2. État du vol : Rechercher → Sélectionner → Réserver (verrouiller l’inventaire).
3. État de l’hôtel : Rechercher → Sélectionner → Réserver.
4. État de la transaction : Facturer la carte → Confirmer les deux → Libérer.
Mode de succès : Si l’utilisateur dit « Mars », le Modèle de domaine rejette la destination avant que le LLM ne voie l’API. Si le vol échoue, la machine d’état annule automatiquement la réservation de l’hôtel.
Résultat : Transactions robustes, audibles et récupérables.

🚀 L’argument économique : la dette technique contre la dette de conception

Il existe une idée fausse selon laquelle la modélisation ralentit le développement. À l’ère de l’IA, c’est tout le contraire.

L’ajustement des invites est une dette itérative : Vous ajustez une invite, cela casse autre chose. Vous ajoutez « ne faites pas X », et cela cesse de faire « Y ». C’est une dette à haute maintenance.
La modélisation est un investissement initial : Vous définissez les types et les états une fois. L’IA s’adapte au modèle. Lorsque la logique métier change, vous mettez à jour le modèle, et non pas la prompt système de 50 pages.

📉 La courbe des coûts :

Semaine 1 : Le prompt est plus rapide.

Mois 1 : Le modelage est à vitesse égale.

Année 1 : Le prompt est une spaghetti invivable. Le modelage est un atout.

🧭 Le nouveau kit de l’architecte (M.A.P.)

Pour survivre à l’ère agente, adoptez le M.A.P. Cadre pour votre prochain projet d’IA :

1. MModélisez les données

Ne laissez pas le LLM produire des chaînes brutes. Forcez les sorties vers modèles Pydantic ou Schémas JSON.

Règle : Si ce n’est pas typé, ce n’est pas réel.

2. AConcevez le flux

Ne laissez pas le LLM décider de l’ordre des opérations. Utilisez Machines d’état ou Moteurs de workflow (comme Temporal ou LangGraph).

Règle : Le LLM remplit les cases ; le code fait avancer la voiture.

3. PProtégez les frontières

Définissez Conditions préalables et Conditions postérieures pour chaque outil que l’agent peut utiliser.

Règle : Fiez-vous, mais vérifiez. Validez toujours la sortie de l’agent avant l’exécution.

🔮 L’avenir : l’architecte en tant que jardinier

Dans le passé, les développeurs étaient des maçons, posant chaque ligne de code à la main.
À l’avenir, les développeurs seront des jardiniers.

Vous ne placez pas chaque feuille à la main. Vous concevez la treille (le modèle), vous enrichissez le sol (les données), et vous taillez les branches dangereuses (les contraintes). Ensuite, vous laissez l’IA pousser.

Le code jetable permet de créer des démonstrations.
Une conception durable construit des empires.

Alors que la poussière retombe sur l’excitation initiale autour de l’IA, le marché ne récompensera pas ceux qui peuvent produire le plus de code. Il récompensera ceux qui peuvent concevoir les systèmes qui maintiennent ce code honnête.

🏁 Point final

Ne cessez pas de coder. Commencez à modéliser. L’IA est le moteur, mais vous êtes le volant.