Skills, MCP, RAG, mémoire : quatre façons d'apprendre quelque chose à une IA

Un modèle de langage a lu une quantité de textes qu'aucun humain n'approchera jamais. Il ne sait pourtant rien de votre grille tarifaire, ne peut pas ouvrir votre ERP, et il aura tout oublié de votre conversation d'hier. Ce n'est pas un défaut de conception : c'est la frontière exacte de ce qu'un modèle est. Tout le travail d'ingénierie consiste à franchir cette frontière — et il existe quatre façons distinctes de le faire.

Ces quatre mécanismes — les skills, le protocole MCP, le RAG et la mémoire — sont souvent présentés comme des options concurrentes, entre lesquelles il faudrait choisir. C'est un contresens. Ils répondent à quatre questions différentes, et un agent qui travaille vraiment dans une entreprise finit presque toujours par les utiliser tous les quatre. Ce qui se choisit, c'est la question qu'on traite en premier.

Le fossé entre ce que le modèle sait et ce que votre entreprise sait

Un modèle est entraîné sur un corpus arrêté à une date. Après cet entraînement, ses connaissances sont figées : elles vivent dans ses paramètres, elles ne se mettent pas à jour et elles ne sont pas modifiables poste par poste. Ce corpus est massif et généraliste. Il ne contient ni vos procédures internes, ni vos contrats, ni l'état de votre facturation.

La réponse intuitive consiste à tout coller dans la conversation : le catalogue, les procédures, l'historique client. Elle se heurte à deux murs. Le premier est économique — chaque caractère envoyé est facturé, à chaque tour de conversation. Le second est cognitif, et il est mieux documenté qu'on ne le croit. Dès 2023, Liu et ses coauteurs montraient dans Lost in the Middle que la performance d'un modèle est maximale quand l'information utile se trouve au début ou à la fin du texte fourni, et qu'elle se dégrade nettement lorsque cette information est enfouie au milieu d'un long document. Anthropic parle depuis d'un « budget attentionnel » limité : agrandir la fenêtre de contexte ne fait pas disparaître le problème, il le déplace.

Autrement dit : ce qu'on donne à un agent compte moins que le moment où on le lui donne. C'est exactement ce que les quatre mécanismes organisent. J'avais décrit dans Expliquer l'IA à un dirigeant : sortir de l'illusion de simplicité pourquoi un assistant qui répond bien en démonstration échoue en production ; ce qui suit en est la contrepartie constructive.

Les skills : la procédure, écrite une fois

Une skill est un dossier. Il contient un fichier SKILL.md, quelques lignes de métadonnées — un nom, une description — puis des instructions en français ou en anglais. À côté, éventuellement, des scripts, des modèles de document, des fichiers de référence. Rien de plus. C'est la forme la plus simple des quatre, et souvent la plus rentable.

Ce que l'on y écrit : la manière dont votre maison procède. Comment se structure une réponse à appel d'offres. Quelles mentions doivent figurer sur une convention de formation. Dans quel ordre on qualifie un lead entrant, et à partir de quel signal on arrête. Ce sont des connaissances procédurales — le genre de chose qu'un nouvel arrivant apprend en trois semaines et qu'aucun modèle ne devinera jamais tout seul.

L'astuce technique s'appelle la divulgation progressive, et c'est elle qui rend le procédé utilisable à l'échelle. Le chargement se fait en trois temps :

• Au démarrage, l'agent ne charge que le nom et la description de chaque skill disponible — de l'ordre de 100 tokens par skill selon la documentation d'Anthropic. Vous pouvez en installer trente sans peser sur la conversation.
• Quand une demande correspond à la description d'une skill, l'agent lit le corps du SKILL.md. La recommandation d'Anthropic est de le maintenir sous 5 000 tokens.
• Ensuite seulement, et seulement si la tâche l'exige, il ouvre les fichiers annexes ou exécute les scripts fournis. Le code d'un script n'entre jamais dans la conversation : seule sa sortie compte.

La limite d'une skill est nette : elle dit comment faire, elle ne fournit ni les données ni l'accès. Une procédure de relance client parfaitement écrite ne saura pas quelles factures sont impayées.

MCP : une prise standard vers vos systèmes

C'est là qu'intervient le deuxième mécanisme. Avant lui, chaque intégration entre un assistant et un logiciel métier était un développement spécifique : un connecteur pour l'ERP, un autre pour le CRM, un troisième pour la messagerie, à refaire pour chaque assistant. Le coût croissait comme un produit — nombre d'agents multiplié par nombre de systèmes.

Le Model Context Protocol, publié par Anthropic en novembre 2024, remplace ce produit par une addition. Il définit une conversation standard, en JSON-RPC 2.0, entre trois rôles : un hôte (l'application où vous parlez à l'agent), des clients (les connecteurs qu'elle ouvre) et des serveurs (les services qui exposent des capacités). Un serveur peut offrir trois choses : des ressources (des données à lire), des prompts (des modèles d'interaction) et des outils (des fonctions que le modèle peut déclencher — créer un devis, interroger un stock, envoyer un message).

L'adoption a été rapide et, fait notable, elle a franchi les frontières commerciales. Le 9 décembre 2025, la Linux Foundation a annoncé la création de l'Agentic AI Foundation, à laquelle Anthropic a versé le MCP, aux côtés de l'agent goose (Block) et du format AGENTS.md (OpenAI). Les membres fondateurs platine sont AWS, Anthropic, Block, Bloomberg, Cloudflare, Google, Microsoft et OpenAI. La fondation faisait alors état de plus de 10 000 serveurs MCP publiés. La spécification courante porte la date du 28 juillet 2026 et ajoute des extensions optionnelles : exécution asynchrone de tâches longues, interfaces interactives, et — la boucle se referme — distribution de skills par-dessus MCP.

Pour un dirigeant, la traduction est simple : MCP transforme « faire développer une intégration » en « brancher un connecteur », et rend ce branchement réutilisable d'un outil à l'autre. Ce n'est pas une garantie de qualité — un mauvais serveur MCP reste un mauvais logiciel — mais c'est la fin des connecteurs jetables.

Le RAG : retrouver le bon passage, au bon moment

Le troisième mécanisme est le plus ancien et le plus mal nommé. Le terme retrieval-augmented generation vient d'un article de Patrick Lewis et de ses coauteurs présenté à NeurIPS en 2020, qui proposait d'adjoindre au modèle une « mémoire non paramétrique explicite » : un index de documents consultable, séparé des paramètres du modèle.

Le principe tient en trois temps. On découpe le corpus — contrats, procédures, comptes rendus, base de connaissances du support — en passages. On les indexe, le plus souvent sous forme de vecteurs qui capturent leur sens. À chaque question, on récupère les quelques passages les plus proches et on les place dans le contexte, avec la question. Le modèle répond à partir de ce qu'il vient de lire, pas à partir de ce qu'il croit savoir.

Ce que le RAG résout : la masse. Dix mille pages de documentation ne tiennent dans aucune fenêtre de contexte, et n'auraient de toute façon aucun intérêt à y tenir ; trois pages pertinentes, si. Ce qu'il ne résout pas, en revanche, mérite d'être dit sans détour :

• Les droits d'accès. Un index qui ignore qui a le droit de lire quoi fabrique une fuite de données, pas un assistant. Le contrôle d'accès doit s'appliquer à la récupération elle-même, pas à l'affichage.
• La fraîcheur. Un document indexé le mois dernier répondra avec le tarif du mois dernier. Un pipeline de réindexation est un objet d'exploitation, pas un projet ponctuel.
• Le découpage. Une procédure coupée au mauvais endroit produit des réponses à moitié vraies — la moitié la plus rassurante, en général.
• La question mal posée. Si la recherche ne ramène rien de pertinent, le modèle répond quand même. Un système sérieux sait dire « je n'ai pas trouvé ».

Une question revient systématiquement : puisque les fenêtres de contexte atteignent aujourd'hui le million de tokens, le RAG n'est-il pas devenu inutile ? Le débat est ouvert et les travaux publiés ne le tranchent pas. Ce qui est établi, c'est la dégradation décrite plus haut : aucune fenêtre, si large soit-elle, ne garantit une attention uniforme sur toute sa longueur. La recommandation d'ingénierie qui en découle est la même dans les deux camps — charger au dernier moment ce dont la tâche a besoin, plutôt que tout précharger « au cas où ».

La mémoire : ce que l'agent retient de vous

Les trois premiers mécanismes ont un point commun : c'est vous qui écrivez. Une skill, un serveur MCP, un corpus indexé — dans les trois cas, un humain a décidé du contenu. La mémoire renverse ce rapport : c'est l'agent qui écrit.

Techniquement, le dispositif est d'une simplicité désarmante. L'outil de mémoire d'Anthropic donne au modèle six commandes de fichier — consulter, créer, remplacer, insérer, supprimer, renommer — sur un répertoire dédié, /memories. Ces opérations s'exécutent chez vous : l'agent les demande, votre application les exécute contre le stockage que vous contrôlez. Avant chaque tâche, l'agent commence par regarder ce qu'il a noté. Pendant, il consigne ce qui mérite de survivre. À la session suivante, il relit.

Ce qu'on y trouve après quelques semaines, ce ne sont pas des documents : ce sont des faits d'expérience. Que ce client préfère être relancé par courriel et jamais le vendredi. Que ce format d'export a échoué deux fois pour la même raison. Que la validation juridique passe par telle personne quand le montant dépasse tel seuil. Aucune de ces choses n'est écrite dans une procédure ; toutes se paient si on les oublie.

La différence avec le RAG est celle qui sépare une bibliothèque d'un carnet de notes. La bibliothèque contient ce que l'entreprise a produit, et on y cherche. Le carnet contient ce que l'agent a compris, et il le relit. Les deux sont utiles ; les confondre produit soit une bibliothèque encombrée d'anecdotes, soit un carnet qui recopie le manuel.

Trois précautions, dans cet ordre :

• La mémoire périme. Une note vraie en mars devient un contresens en septembre. Prévoyez une date, une revue, une purge — le mécanisme ne le fait pas pour vous.
• La mémoire est sensible. C'est un stockage de données, souvent personnelles au sens du RGPD. Il relève des mêmes obligations que le reste : minimisation, durée de conservation, droit d'accès et d'effacement.
• La mémoire est écrite par une machine. La documentation d'Anthropic insiste sur un point technique qui a une portée générale : toute opération doit être confinée au répertoire prévu, faute de quoi un chemin malveillant atteint le reste du système. Une mémoire est un fichier auquel un agent écrit ; elle se protège comme telle, et se relit de temps en temps par un humain.

Les quatre ensemble, sur un cas réel

Prenons une demande banale dans une PME de services : un client écrit pour demander une extension de son contrat. Voici ce que fait un agent correctement équipé, et ce que chaque mécanisme apporte :

1. Il lit sa mémoire et retrouve que ce client a déjà refusé une offre packagée, et qu'il traite avec la directrice administrative, pas avec le dirigeant.
2. Il déclenche la skill « avenant contractuel », qui décrit l'ordre des étapes, les mentions obligatoires et le seuil au-delà duquel une validation humaine est requise.
3. Il interroge le CRM et l'outil de facturation via MCP pour connaître le contrat en cours, son échéance et l'état des règlements.
4. Il retrouve par RAG les deux clauses du contrat-cadre qui encadrent l'extension demandée, et les cite.
5. Il rédige le projet d'avenant — puis s'arrête, parce que le montant dépasse le seuil, et le soumet à validation.
6. Il note en mémoire que l'extension a été demandée et par qui ; la prochaine session partira de là.

Retirez un mécanisme et observez ce qui casse. Sans skill, l'agent improvise une procédure : parfois juste, jamais reproductible. Sans MCP, il invente des données de contrat. Sans RAG, il paraphrase des clauses au lieu de les citer. Sans mémoire, il repart de zéro à chaque échange et refait les erreurs de la fois précédente. Ce même enchaînement, appliqué au support de niveau 1, est détaillé avec ses chiffres dans Agent IA support client N1 : ROI et retour d'expérience.

Les quatre erreurs qu'on rencontre le plus souvent

Un dernier point de cadrage. Bpifrance Le Lab a interrogé 1 209 dirigeants de PME et ETI d'octobre à décembre 2024 : 58 % considéraient déjà l'IA comme une question de survie à trois ou cinq ans, mais 26 % seulement utilisaient l'IA générative, et l'étude relevait au premier rang des freins le coût, devant la difficulté à identifier des cas d'usage concrets et la crainte d'un mauvais usage des données, citée par 33 % des répondants. Depuis, les usages ont progressé — mais l'écart entre la conviction et la mise en œuvre reste le vrai sujet. Les quatre mécanismes décrits ici sont précisément ce qui sépare un assistant qui impressionne en démonstration d'un agent qui tient en production. Ils s'installent progressivement : une skill, un connecteur, un corpus, un carnet de notes.

Sources

• Anthropic — Agent Skills : structure du fichier SKILL.md, divulgation progressive en trois niveaux et coût en tokens de chaque niveau.
• agentskills.io : spécification ouverte du format Agent Skills et liste des outils qui la prennent en charge.
• Model Context Protocol — spécification 2026-07-28 : architecture hôte / client / serveur, primitives et chapitre sur la sécurité.
• Linux Foundation — création de l'Agentic AI Foundation (9 décembre 2025) : contribution du MCP, membres fondateurs, nombre de serveurs publiés.
• Lewis et al. — Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (NeurIPS 2020) : article fondateur du RAG.
• Liu et al. — Lost in the Middle: How Language Models Use Long Contexts : dégradation de la performance selon la position de l'information dans le contexte.
• Anthropic — Effective context engineering for AI agents : budget attentionnel, récupération just-in-time, compaction et mémoire structurée.
• Anthropic — Memory tool : commandes de fichier, exécution côté client et protection contre la traversée de répertoire.
• Bpifrance Le Lab — L'IA dans les PME et ETI françaises : une révolution tranquille (juin 2025) : enquête auprès de 1 209 dirigeants menée d'octobre à décembre 2024.

À propos de l'auteur

Frédéric Michel dirige Oppchain, cabinet et organisme de formation certifié Qualiopi spécialisé en IA agentique. Il conçoit et met en production des agents pour des PME et des ETI, et anime des ateliers de cadrage IA en comité de direction.