Présentation du protocole Agentic Multiplayer (AMP)
Atlassian a annoncé Agentic Multiplayer Protocol, une mise à jour de plateforme destinée à placer les agents d’intelligence artificielle au même niveau que les utilisateurs humains. Le protocole attribue à chaque agent une identité gérée par l’administration, avec des droits d’accès et un périmètre d’action clairement définis. Cette approche vise à éviter que les agents n’opèrent en dehors des limites du système tout en leur fournissant le contexte de données nécessaire à leurs tâches.
Fonctionnement de Rovo Work et de Rovo Code Search
Le mode Rovo Work étend le chatbot Rovo aux tâches multi‑étapes à horizon long. Lorsqu’un utilisateur lance une requête, il autorise explicitement l’agent à exécuter le processus complet, y compris la capacité d’auto‑apprentissage si le modèle de base ne possède pas les connaissances requises. L’exemple fourni montre un responsable produit demandant un « reel Instagram » : l’agent a recherché les instructions, a appris le format requis et a intégré un outil de synthèse vidéo, démontrant une boucle d’apprentissage en temps réel.
Parallèlement, Rovo Code Search intègre le code source dans le Teamwork Graph, un moteur de données qui cartographie les relations entre personnes, code et documents. Cette intégration donne aux agents un aperçu complet du contexte technique et métier, facilitant la génération ou la modification de code en fonction des exigences business.
Architecture, outils exposés et gestion des permissions
Le Model Context Protocol (MCP) server constitue l’interface commune entre les agents externes et la plateforme Atlassian. Le serveur expose plus de 200 outils différents et traite environ 15 millions d’appels d’outils chaque jour. Chaque appel est soumis à la même logique d’identité et de portée que les utilisateurs humains, ce qui permet aux agents de « laisser du travail » dans l’espace partagé pour que d’autres agents ou humains le reprennent.
La plateforme intègre également Loom, un outil de capture vidéo qui transforme les gestes visuels en prompts structurés. En enregistrant des actions à l’écran (clics, déplacements, modifications), Loom fournit aux agents un signal visuel complémentaire aux instructions textuelles, réduisant les ambiguïtés liées à la description verbale.
Implications et limites
Le modèle d’interaction « multiplayer » crée un environnement où les agents peuvent collaborer, mais il repose sur une gouvernance stricte : les identités, les autorisations et les limites d’exécution sont centralisées. Le volume d’appels quotidien (15 M) indique une adoption rapide, mais il soulève des questions de scalabilité et de suivi des actions automatisées. De plus, la capacité d’auto‑apprentissage de Rovo Work, bien que démontrée sur un cas de création vidéo, reste dépendante de la disponibilité de sources externes fiables et de la validation humaine avant la mise en production.
En résumé, Atlassian fournit une infrastructure qui combine identité, contexte de données et capacités d’apprentissage pour placer les agents IA au même niveau que les collaborateurs humains. La réussite de ce modèle dépendra de la robustesse des contrôles d’accès, de la transparence des actions automatisées et de la capacité des équipes à superviser les agents dans des scénarios complexes.
