Le contexte et l’architecture deviennent la couche de contrôle des coding agents
Chez LinkedIn, le contexte devient une couche d’infrastructure pour les coding agents. Plus de 600 playbooks, servis via MCP avec recherche progressive, encapsulent runbooks, conventions et procédures internes. L’entreprise rapporte plus de 8 000 utilisateurs quotidiens et un gain de productivité de 20 %, sans baisse de fiabilité.
Microsoft arrive au même constat par les workflows. Après des centaines d’initiatives internes, l’entreprise recommande de redessiner le processus de bout en bout, de construire une source de vérité commune et de décider explicitement ce que les agents peuvent faire, comment leurs actions sont suivies et où l’humain doit intervenir.
À AGNTCon Europe, Reboot pousse cette logique jusqu’à l’architecture : domaines et comportements restent la représentation active du logiciel, tandis que l’IA génère l’implémentation. Pour les développeurs, le différenciateur durable devient donc le contexte versionné, les contrats d’architecture et les boucles de validation qui survivent au remplacement du LLM.
Sources
Chaque onglet présente la publication d’origine et son lien direct.
Context Engineering at LinkedIn: How We Built an Organizational Context Layer for AI Agents with MCP
Ajay Prakash décrit l’infrastructure de contexte de LinkedIn : un serveur MCP local sert outils et playbooks, plus de 600 playbooks automatisent des workflows et plus de 8 000 utilisateurs s’en servent chaque jour. La présentation rapporte un gain de productivité de 20 % sans perte de fiabilité.
What we’ve learned from Microsoft's own AI transformation
Microsoft synthétise des centaines d’initiatives internes et recommande de redessiner les workflows de bout en bout avant d’y insérer des agents. Dans la supply chain, une source de vérité commune et plus de 100 agents ont réduit jusqu’à 75 % le temps de cycle de certains processus.
At AGNTCon Europe, ensuring AI agents don’t kill us all
Le reportage d’AGNTCon Europe décrit Reboot, qui fait travailler les développeurs sur des domaines et comportements représentant directement l’architecture du logiciel, tandis que l’IA génère le code d’implémentation. L’objectif est de conserver le contrôle humain au niveau de l’architecture.