Présentation de Saddle 1.3
LittleHorse Enterprises a publié la version 1.3 de son moteur d’orchestration Saddle Command Center. Cette mise à jour introduit le déploiement d’agents sans code, des travailleurs de tâches pré‑construits, un SDK JavaScript et une offre d’essai serverless gratuite. La société indique que la plateforme est en production depuis plus de 18 mois et qu’elle prévoit un chiffre d’affaires supérieur à 1 million $ pour l’exercice en cours.
Architecture et modèle de décision
Le cœur de la nouveauté repose sur le « decision worker pattern ». Un agent reçoit un accès en lecture seule aux outils et exécute une tâche nécessitant un jugement. Le code de workflow, quant à lui, valide la sortie de l’agent avant d’autoriser l’action, ce qui maintient l’autorité hors de l’agent. L’utilisateur configure l’agent en sélectionnant des serveurs Model Context Protocol, en définissant un prompt système et en précisant les structures d’entrée et de sortie. Saddle consigne chaque appel d’outil et génère une trace d’appels (stack trace) pour le débogage. Les erreurs métier sont traitées selon les règles du workflow, tandis que les erreurs techniques (ex. : échec réseau) peuvent être retentées selon une politique définie.
Intégrations et capacités d’exécution
Version 1.3 ajoute un moteur de streaming compatible Apache Kafka, des connecteurs webhook et des sources de données, ainsi qu’un runtime dédié aux agents et aux travailleurs de tâches. La plateforme supporte Java, Python, Go, C# et, désormais, JavaScript, permettant aux développeurs de transformer du code existant en composants de workflow. L’option serverless gratuite supprime la nécessité de provisionner une infrastructure, ce qui facilite les tests rapides. La tarification d’entreprise se base sur la capacité de traitement, incluant le débit Kafka et le nombre de tâches de workflow exécutées par seconde.
Analyse des impacts et limites
LittleHorse vise à réduire la fragmentation des processus d’entreprise, souvent répartis entre SaaS, feuilles de calcul et intégrations manuelles. En limitant les agents aux tâches « floues » et en confiant la logique déterministe au moteur, la plateforme diminue les coûts de tokenisation et améliore la fiabilité et l’observabilité. Cependant, la dépendance à des services externes (ex. : modèles d’IA, API tierces) implique des risques de latence et de disponibilité qui doivent être gérés par des politiques de reprise. Le modèle open‑core, avec un noyau d’orchestration open‑source, facilite l’adoption initiale, mais la migration vers le support commercial ou l’hébergement peut être freinée par les exigences de capacité de traitement. Enfin, le succès commercial reste à confirmer au‑delà des prévisions de revenu, notamment face à la concurrence des plateformes d’orchestration déjà établies.
