Il existe une situation courante qui se produit souvent lors du déploiement de l'IA en entreprise. Une équipe connecte un agent IA à Salesforce. Elle pose à l'agent une question concernant le pipeline commercial. L'agent rédige une requête, l'exécute, mais ne renvoie aucun résultat. Ou pire encore, il renvoie des données erronées avec une certitude absolue.
Le problème ne vient pas du modèle. Le problème, c'est que l'agent a deviné votre schéma.
Chaque organisation Salesforce est unique. Elle comporte des champs personnalisés, des objets personnalisés et des conventions de nommage propres à elle, mis en place au fil des ans par des collaborateurs qui ont depuis quitté l'entreprise. Il se peut que le champ « Forecast_Category__c » de votre organisation n'existe tout simplement pas dans une autre. Un agent qui ne connaît pas votre schéma spécifique sera contraint de deviner, ce qui entraînera un taux d'échec.
C'est le problème auquel s'attaque le MCP (Model Context Protocol), et il est utile de bien le comprendre avant d'évaluer tout agent d'IA destiné à un usage professionnel.
Ce que fait réellement MCP
MCP est une norme permettant aux agents d'IA d'accéder de manière structurée et consultable au contexte dont ils ont besoin avant d'agir.
Dans un système agentique bien conçu, l'agent ne se connecte pas directement à Salesforce lorsque vous posez une question. Il commence par analyser la situation. Il extrait le schéma pertinent d'une bibliothèque de contextes, vérifie quels objets et champs existent réellement dans votre environnement, puis rédige la requête.
Résultat : les requêtes aboutissent car elles sont formulées en fonction de votre structure de données réelle, et non d'une hypothèse générique sur la configuration de Salesforce.
Lorsque l'agent rencontre quelque chose qu'il ne reconnaît pas, il le signale. C'est tout aussi important que les requêtes qui aboutissent. Un agent qui sait ce qu'il ignore est plus utile qu'un agent qui comble ses lacunes par des suppositions assurées.
Un exemple concret
Lors d'une récente réunion du groupe d'utilisateurs SnapLogic, nous avons présenté une démonstration en direct montrant un directeur commercial se préparant à un entretien individuel avec un commercial. Les demandes étaient formulées en langage clair : pipeline par étape, contrats conclus pour le trimestre, opportunités en cours devant aboutir dans les 30 prochains jours, prévisions pondérées pour le troisième trimestre.
Avant même que ces requêtes ne soient exécutées, Jean-Paul a consulté le schéma Salesforce de cette organisation. Il a ainsi pu récupérer les définitions des objets, les noms des champs et les catégories de prévisions personnalisées. Cela n'a pris que quelques secondes.
Le système a ensuite exécuté quatre requêtes en parallèle, qui ont toutes renvoyé des données exactes dès la première tentative.
Pas d'essais et d'erreurs. Pas de noms de champs fantaisistes. Pas de « Je n'ai pas trouvé ça » après 90 secondes d'attente.
C'est le contexte lu qui a rendu cela possible. Cela semble invisible dans une démo, car cela se produit avant que la réponse n'apparaisse. C'est justement cette invisibilité qui fait toute la différence.
Pourquoi cela est-il important pour votre évaluation ?
Lorsque vous évaluez un agent IA destiné à un usage professionnel, renseignez-vous spécifiquement sur la gestion des schémas.
Questions qu'il convient de se poser :
- L'agent consulte-t-il votre schéma réel avant d'effectuer une requête, ou se base-t-il sur les données d'entraînement et des hypothèses ?
- Que se passe-t-il lorsqu'une requête échoue ? L'agent effectue-t-il une nouvelle tentative en apportant les corrections nécessaires, ou signale-t-il l'erreur ?
- Comment le contexte est-il mis à jour lorsque votre schéma change ?
Un agent qui n'a pas accès à un contexte structuré fonctionnera bien dans les démonstrations basées sur des structures de données simples et familières. Il rencontrera toutefois des difficultés en production, où les données vous appartiennent et où les noms des champs sont tout sauf évidents.
MCP offre aux agents un moyen fiable de répondre correctement à cette première question à chaque fois. Jean-Paul est plateforme d'agents IA d'entreprise de SnapLogic. Contactez-nous dès aujourd'hui pour une démonstration.
