En 2025, l’année des agents IA a vu l’émergence de trois architectures distinctes, chacune répondant à des enjeux de scalabilité et de complexité. La première, l’agent monolithique, repose sur un seul modèle de langage (LLM) central qui appelle des outils pour exécuter des tâches. Si efficace pour le prototypage, il peine face à la surcharge d’outils, réduisant sa fiabilité dans des scénarios complexes. La deuxième, les workflows agencés (ou multi-agents), organise des agents spécialisés en nœuds d’un graphe, permettant le parallélisme, le contrôle des coûts et une meilleure prévisibilité — idéal pour les entreprises via des frameworks comme LangGraph. La troisième, et celle qui suscite le plus d’intérêt, est l’approche par compétences (Skills), défendue par Anthropic. Cette architecture modulaire consiste à étendre les LLM avec des compétences préconstruites ou personnalisées — des blocs de connaissances, d’instructions et de scripts réutilisables — pour des expertises spécifiques. Contrairement aux agents complexes, ces compétences ne nécessitent pas de gestion d’orchestration multi-agents. Elles s’intègrent dynamiquement, réduisent la surcharge d’outils, favorisent la composition et permettent une intégration fluide sans les surcoûts liés à la coordination. Anthropic promeut ainsi une philosophie claire : « Ne construisez pas d’agents, construisez des compétences », ce qui permet aux fournisseurs de monter dans la pile technologique en se concentrant sur des composants réutilisables. Dans la pratique, les compétences d’Anthropic, comme celle de gestion du temps réel ou d’interaction avec les interfaces graphiques (GUI), permettent aux modèles comme Claude 3.5 Sonnet d’agir dans le monde réel — naviguer sur un écran, cliquer, taper — sans être programmés pour une application spécifique. Cela réduit les barrières à l’application concrète des IA. Le développement devient plus efficace, plus modulaire, et mieux adapté à des déploiements évolutifs. Un exemple concret montre comment cela fonctionne : un agent capable de vérifier la météo sur une MacBook. En utilisant l’API d’Anthropic et celle d’OpenWeatherMap, un développeur crée une compétence nommée weather_checker, définie dans un fichier SKILL.md et implémentée en Python. L’agent charge dynamiquement cette compétence, la convertit en outil compatible avec l’API d’Anthropic, et la fait interagir avec Claude. Lorsqu’on demande « Quel temps fait-il à Paris ? », Claude détecte la nécessité d’utiliser l’outil, tente une requête initiale (« Paris France »), échoue (erreur 404), puis adapte sa requête (« Paris ») pour réussir. Il récupère les données, les analyse, et fournit une réponse claire et utile. Ce cas illustre parfaitement le pouvoir de l’approche par compétences : adaptation, résilience face aux erreurs, et capacité à tirer parti des données externes sans complexité d’orchestration. Cette architecture s’aligne parfaitement avec la tendance vers des systèmes modulaires, évolutifs et plus robustes. En évaluation, des experts du secteur soulignent que cette stratégie permet de réduire les risques liés à la sur-spécialisation des agents, améliore la sécurité (moins de points d’entrée), et renforce la souveraineté des modèles. Anthropic se positionne ainsi comme un acteur clé dans la transition vers des systèmes IA plus pratiques, composables et durables. Cette vision ne remplace pas les autres architectures, mais les complète — en offrant une voie plus efficace pour déployer des IA capables d’agir dans le monde réel, sans sacrifier la simplicité ou la maintenabilité.