Confluent, Inc. (Nasdaq: CFLT), pionnier du data streaming, annonce de nouvelles capacités de Confluent Intelligence permettant de connecter les agents d’intelligence artificielle (IA) et d’offrir des analyses de données plus précises et plus intelligentes. Les Streaming Agents de Confluent exploitent le protocole Agent2Agent (A2A) pour enclencher et coordonner des agents d’IA externes à partir de flux de données en temps réel, facilitant ainsi l’interconnexion des systèmes d’IA à l’échelle de l’entreprise.
La détection d’anomalies multivariée analyse simultanément plusieurs indicateurs afin d’identifier automatiquement des schémas inhabituels dans les flux de données. Elle permet aux équipes de prévenir les incidents avec une plus grande précision avant qu’ils ne provoquent des interruptions de service ou des impacts en aval. Ensemble, ces nouvelles capacités permettent de concevoir des systèmes d’IA intelligents et contextuels, capables de s’adapter à l’évolution des données, des agents et des conditions métier.
« Si vous voulez rester compétitif, votre IA ne peut pas se contenter d’analyser le passé », déclare Sean Falconer, Head of AI chez Confluent. « Vous avez besoin d’un écosystème d’agents d’IA qui collaborent, apprennent en continu et partagent des informations en temps réel. Confluent Intelligence connecte les investissements et les systèmes d’IA des équipes, où qu’ils soient déployés, afin que l’IA puisse réagir automatiquement aux données en direct, déclencher des actions, coordonner les systèmes et alerter les équipes lorsque nécessaire. »
Construire des écosystèmes d’agents collaboratifs
Les entreprises se tournent de plus en plus vers les agents d’IA pour automatiser les décisions et gérer des tâches toujours plus complexes. Selon les prévisions IDC FutureScape: Worldwide Future of Work 2026, « d’ici 2026, 40 % des postes au sein des entreprises du G2000 impliqueront une collaboration avec des agents d’IA, redéfinissant les rôles traditionnels, du niveau débutant au niveau senior ». Et cette estimation pourrait encore être conservatrice.
Cependant, à mesure que les agents se multiplient au sein des outils et des systèmes, la plupart fonctionnent encore en silo. Si les agents ne peuvent pas communiquer entre eux ou partager un contexte métier, les informations restent cloisonnées et les décisions sont fragmentées.
Les Streaming Agents de Confluent répondent à cet enjeu en connectant les agents d’IA aux flux de données en temps réel via le Model Context Protocol (MCP) d’Anthropic, ainsi qu’aux autres agents grâce au protocole A2A. Ensemble, ils permettent un analyse en continu d’informations issues de frameworks d’agents tels que LangChain et de plateformes de données comme BigQuery, Snowflake ou Databricks. Ils peuvent ensuite déclencher des workflows sur des plateformes d’IA d’entreprise telles que ServiceNow ou Salesforce afin d’agir immédiatement. Cette approche comble ainsi le fossé entre l'analyse et la mise en œuvre. En connectant ces systèmes, Confluent transforme l’analyse au niveau des flux en une logique « insight to action », générant l’intelligence temps réel nécessaire pour s’adapter rapidement à l’évolution des besoins métier.
Avec la prise en charge du protocole A2A dans Streaming Agents, les équipes peuvent :
Concevoir des agents d’IA plus intelligents et réutilisables : alimenter les agents et systèmes existants avec un contexte actualisé issu de Confluent afin de répondre de manière asynchrone aux événements et déclencher des actions supplémentaires.
Activer la communication inter-agents et la traçabilité : enregistrer chaque action d’agent dans un journal immuable afin d’en assurer le suivi et la possibilité de relecture. Exploiter Apache Kafka® pour orchestrer les échanges entre agents et réutiliser leurs résultats dans d’autres systèmes.
Centraliser l’orchestration et la gouvernance : Streaming Agents agit comme orchestrateur, tandis que Confluent assure la gouvernance, la sécurité et l’observabilité de bout en bout de toutes les interactions entre agents.
Les équipes, tous secteurs confondus, peuvent tirer parti de la prise en charge d’A2A dans Streaming Agents pour générer davantage de revenus, réduire les risques et optimiser les coûts. Les Streaming Agents trouvent des applications dans de nombreux secteurs. Dans le retail, ils permettent de personnaliser les offres. Dans les services financiers, ils contribuent à réduire le risque de crédit. Ils automatisent les recommandations de soins dans la santé, prédisent les besoins de maintenance dans l’industrie manufacturière et remédient de manière proactive aux interruptions dans les télécommunications.
La prise en charge d’A2A dans Streaming Agents est désormais disponible en Open Preview.
Exploiter les signaux en temps réel et éliminer les angles morts
Les entreprises génèrent plus de données que jamais, mais peinent à distinguer l’essentiel du superflu. La détection d’anomalies permet d’identifier menaces et opportunités qu’aucun humain ne pourrait repérer seul.
Les approches traditionnelles analysent souvent les indicateurs de manière isolée et reposent sur des traitements batch de données historiques. Fondées sur des baselines statistiques simples, elles sont sensibles au bruit, aux pics ponctuels et aux données erronées. Sans contexte, elles génèrent des faux positifs et identifient généralement les problèmes une fois l’impact déjà constaté.
La détection d’anomalies multivariée de Confluent, nouvelle fonctionnalité des fonctions de Machine Learning intégrées, analyse conjointement plusieurs indicateurs corrélés afin de réduire les faux positifs et d’identifier plus rapidement les incidents réels. Elle permet de détecter des anomalies à travers plusieurs métriques tout en ignorant les valeurs aberrantes, garantissant une plus grande précision dans la supervision de systèmes complexes.
Les équipes peuvent l’utiliser immédiatement, sans avoir à construire ni à mettre à jour de modèle : celui-ci apprend et s’adapte automatiquement à l’évolution des données.
En complément, les équipes peuvent :
Comprendre l’état normal d’un système : là où les outils traditionnels reposent sur des moyennes facilement perturbées par un pic isolé, la Détection d’anomalies multivariée exploite le machine learning pour apprendre en continu à partir des données en temps réel et distinguer les anomalies réelles des simples incidents ponctuels.
Identifier des problèmes et schémas complexes : en analysant simultanément plusieurs indicateurs (par exemple CPU, mémoire et latence) plutôt que séparément, elle détecte des corrélations invisibles à l’analyse unitaire.
Agir automatiquement : en mesurant en permanence l’écart entre les nouvelles données et l’état « réellement normal », toute dérive significative est instantanément signalée comme anomalie.
La détection d’anomalies multivariée analyse simultanément plusieurs indicateurs afin d’identifier automatiquement des schémas inhabituels dans les flux de données. Elle permet aux équipes de prévenir les incidents avec une plus grande précision avant qu’ils ne provoquent des interruptions de service ou des impacts en aval. Ensemble, ces nouvelles capacités permettent de concevoir des systèmes d’IA intelligents et contextuels, capables de s’adapter à l’évolution des données, des agents et des conditions métier.
« Si vous voulez rester compétitif, votre IA ne peut pas se contenter d’analyser le passé », déclare Sean Falconer, Head of AI chez Confluent. « Vous avez besoin d’un écosystème d’agents d’IA qui collaborent, apprennent en continu et partagent des informations en temps réel. Confluent Intelligence connecte les investissements et les systèmes d’IA des équipes, où qu’ils soient déployés, afin que l’IA puisse réagir automatiquement aux données en direct, déclencher des actions, coordonner les systèmes et alerter les équipes lorsque nécessaire. »
Construire des écosystèmes d’agents collaboratifs
Les entreprises se tournent de plus en plus vers les agents d’IA pour automatiser les décisions et gérer des tâches toujours plus complexes. Selon les prévisions IDC FutureScape: Worldwide Future of Work 2026, « d’ici 2026, 40 % des postes au sein des entreprises du G2000 impliqueront une collaboration avec des agents d’IA, redéfinissant les rôles traditionnels, du niveau débutant au niveau senior ». Et cette estimation pourrait encore être conservatrice.
Cependant, à mesure que les agents se multiplient au sein des outils et des systèmes, la plupart fonctionnent encore en silo. Si les agents ne peuvent pas communiquer entre eux ou partager un contexte métier, les informations restent cloisonnées et les décisions sont fragmentées.
Les Streaming Agents de Confluent répondent à cet enjeu en connectant les agents d’IA aux flux de données en temps réel via le Model Context Protocol (MCP) d’Anthropic, ainsi qu’aux autres agents grâce au protocole A2A. Ensemble, ils permettent un analyse en continu d’informations issues de frameworks d’agents tels que LangChain et de plateformes de données comme BigQuery, Snowflake ou Databricks. Ils peuvent ensuite déclencher des workflows sur des plateformes d’IA d’entreprise telles que ServiceNow ou Salesforce afin d’agir immédiatement. Cette approche comble ainsi le fossé entre l'analyse et la mise en œuvre. En connectant ces systèmes, Confluent transforme l’analyse au niveau des flux en une logique « insight to action », générant l’intelligence temps réel nécessaire pour s’adapter rapidement à l’évolution des besoins métier.
Avec la prise en charge du protocole A2A dans Streaming Agents, les équipes peuvent :
Concevoir des agents d’IA plus intelligents et réutilisables : alimenter les agents et systèmes existants avec un contexte actualisé issu de Confluent afin de répondre de manière asynchrone aux événements et déclencher des actions supplémentaires.
Activer la communication inter-agents et la traçabilité : enregistrer chaque action d’agent dans un journal immuable afin d’en assurer le suivi et la possibilité de relecture. Exploiter Apache Kafka® pour orchestrer les échanges entre agents et réutiliser leurs résultats dans d’autres systèmes.
Centraliser l’orchestration et la gouvernance : Streaming Agents agit comme orchestrateur, tandis que Confluent assure la gouvernance, la sécurité et l’observabilité de bout en bout de toutes les interactions entre agents.
Les équipes, tous secteurs confondus, peuvent tirer parti de la prise en charge d’A2A dans Streaming Agents pour générer davantage de revenus, réduire les risques et optimiser les coûts. Les Streaming Agents trouvent des applications dans de nombreux secteurs. Dans le retail, ils permettent de personnaliser les offres. Dans les services financiers, ils contribuent à réduire le risque de crédit. Ils automatisent les recommandations de soins dans la santé, prédisent les besoins de maintenance dans l’industrie manufacturière et remédient de manière proactive aux interruptions dans les télécommunications.
La prise en charge d’A2A dans Streaming Agents est désormais disponible en Open Preview.
Exploiter les signaux en temps réel et éliminer les angles morts
Les entreprises génèrent plus de données que jamais, mais peinent à distinguer l’essentiel du superflu. La détection d’anomalies permet d’identifier menaces et opportunités qu’aucun humain ne pourrait repérer seul.
Les approches traditionnelles analysent souvent les indicateurs de manière isolée et reposent sur des traitements batch de données historiques. Fondées sur des baselines statistiques simples, elles sont sensibles au bruit, aux pics ponctuels et aux données erronées. Sans contexte, elles génèrent des faux positifs et identifient généralement les problèmes une fois l’impact déjà constaté.
La détection d’anomalies multivariée de Confluent, nouvelle fonctionnalité des fonctions de Machine Learning intégrées, analyse conjointement plusieurs indicateurs corrélés afin de réduire les faux positifs et d’identifier plus rapidement les incidents réels. Elle permet de détecter des anomalies à travers plusieurs métriques tout en ignorant les valeurs aberrantes, garantissant une plus grande précision dans la supervision de systèmes complexes.
Les équipes peuvent l’utiliser immédiatement, sans avoir à construire ni à mettre à jour de modèle : celui-ci apprend et s’adapte automatiquement à l’évolution des données.
En complément, les équipes peuvent :
Comprendre l’état normal d’un système : là où les outils traditionnels reposent sur des moyennes facilement perturbées par un pic isolé, la Détection d’anomalies multivariée exploite le machine learning pour apprendre en continu à partir des données en temps réel et distinguer les anomalies réelles des simples incidents ponctuels.
Identifier des problèmes et schémas complexes : en analysant simultanément plusieurs indicateurs (par exemple CPU, mémoire et latence) plutôt que séparément, elle détecte des corrélations invisibles à l’analyse unitaire.
Agir automatiquement : en mesurant en permanence l’écart entre les nouvelles données et l’état « réellement normal », toute dérive significative est instantanément signalée comme anomalie.
Autres articles
-
Data et IA : la résilience n’est plus un bonus, c’est une exigence
-
En 2026, la vitesse de la donnée primera sur l’IA
-
La donnée comme dernier rempart contre l’accident industriel
-
Apache Kafka : 15 ans pour réconcilier la technique et le métier
-
Confluent dévoile Confluent Intelligence, la clé d’une IA plus contextuelle et plus fiable
