Déployer quelques assistants isolés branchés en direct sur des fichiers Excel ou des API disparates produit rarement une intelligence artificielle exploitable à l'échelle d'une entreprise. Dès que la direction générale, la finance, la logistique et le commerce interrogent des sources non réconciliées, les agents produisent des chiffres contradictoires et multiplient les failles d'accès. Construire une véritable IA centrale d'entreprise sur Google Cloud (GCP) repose sur trois piliers indissociables : un socle de données unifié par des pipelines ETL/ELT vers BigQuery, des agents orchestrés dans Google Cloud Agent Platform (Vertex AI Agent Builder / Gemini Enterprise), et un portail web interne sur mesure pour administrer tous ses serveurs MCP (Model Context Protocol).

Schéma d'architecture d'une IA centrale sur Google Cloud reliant les pipelines ETL BigQuery, une app web de gestion MCP et Vertex AI Agent Engine

1. Migrer et gouverner l'écosystème de données avec des pipelines ETL vers GCP

Un agent IA n'est jamais plus fiable que la couche de données qu'il interroge. Avant même d'écrire la première instruction système dans Vertex AI, l'étape fondatrice consiste à éliminer les silos opérationnels en migrant les flux critiques vers un entrepôt gouverné sur Google Cloud.

Ingestion hybride temps réel (CDC) et batch vers Cloud Storage et BigQuery

Dans une architecture de data engineering moderne, tous les systèmes sources ne se synchronisent pas au même rythme :

  • Bases transactionnelles (PostgreSQL, MySQL, Oracle, SQL Server, AlloyDB) : Google Cloud Datastream capture en continu les journaux de transactions (Change Data Capture sans agent) et réplique les écritures vers BigQuery ou Cloud Storage avec une latence de quelques minutes.
  • ERP, CRM et API métiers (Odoo, SAP, HubSpot, Salesforce, outils RH) : des connecteurs orchestrés par Cloud Composer (Apache Airflow managé) ou des jobs Python serverless sur Cloud Run Jobs extraient les entités incrémentales, déposent les payloads bruts horodatés dans des buckets Cloud Storage immuables (zone Bronze), puis chargent les tables de staging.
  • Flux d'événements et télémétrie : Pub/Sub couplé à Cloud Dataflow (Apache Beam) nettoie, déduplique et enrichit les événements à la volée avant insertion.
  • Corpus documentaires non structurés (PDF, contrats, appels d'offres, procédures) : les documents atterrissent sur Cloud Storage, passent par Document AI (Layout Parser) pour préserver la structure des tableaux, puis alimentent un datastore Vertex AI Search doté d'une indexation hybride (vecteurs denses + recherche lexicale) et d'un héritage strict des listes de contrôle d'accès (ACL).

Modélisation médaillon et sécurité fine dans BigQuery

Une fois les données centralisées dans BigQuery, Dataform ou dbt transforme les tables brutes (Bronze) en entités nettoyées et typées (Silver), puis en tables analytiques certifiées (Gold) exposant des définitions uniques du chiffre d'affaires, de la marge nette, des encours clients ou des niveaux de stock. La gouvernance est appliquée au plus près de la donnée grâce à Dataplex : Row-Level Security (filtrage par filiale ou pays), Policy Tags (masquage dynamique des salaires ou données personnelles soumises à la nLPD suisse et au RGPD) et hébergement dans la région suisse europe-west6 (Zurich).

2. Développer et orchestrer ses agents dans Google Cloud Agent Platform

En 2026, Vertex AI Agent Builder s'intègre au sein de la Gemini Enterprise Agent Platform pour offrir à la fois un kit de développement orienté code et un environnement d'exécution managé de niveau bancaire.

Concevoir un graphe multi-agent déterministe avec ADK 2.0

L'Agent Development Kit (ADK 2.0) de Google Cloud (disponible en Python, TypeScript, Go et Java) permet de structurer l'IA centrale non pas comme un prompt géant, mais comme une hiérarchie supervisée : un agent coordinateur qualifie la demande de l'utilisateur et délègue le travail à des sous-agents spécialisés (finance, opérations, support juridique, achats) via un moteur de workflow en graphe ou le protocole inter-agents A2A (Agent-to-Agent). On peut ainsi combiner Gemini 4 Carbon pour la planification complexe et Gemini 4 Hydrogen pour l'exécution rapide des appels d'outils.

Déployer en production sur Vertex AI Agent Engine

Au lieu de gérer soi-même l'infrastructure d'état et de mémoire conversationnelle, une simple commande CLI déploie le graphe ADK sur Vertex AI Agent Engine :

  • Gestion native des sessions et de la mémoire à long terme isolée par identité utilisateur.
  • Protection contre l'injection de prompt indirecte grâce à Model Armor, qui inspecte les entrées utilisateurs comme les réponses renvoyées par les documents ou outils externes.
  • Observabilité complète OpenTelemetry dans Cloud Trace et Cloud Logging pour auditer chaque étape de raisonnement, la latence par outil et le coût exact en tokens par département.

3. Gérer ses serveurs MCP depuis une application web interne sur mesure

C'est souvent le maillon manquant des déploiements agentiques : lorsque l'entreprise connecte ses agents à dix outils internes (BigQuery, Odoo, Jira, Google Calendar, Slack, API logistique), coder en dur les connecteurs et les clés API dans le dépôt de chaque agent devient ingérable. Le standard Model Context Protocol (MCP) résout l'interopérabilité technique, mais en entreprise il faut y ajouter un plan de contrôle web sur mesure (MCP Control Plane).

Architecture du registre MCP « homemade » sur Cloud Run

Nous recommandons de déployer une application web d'administration interne (par exemple en Next.js ou FastAPI derrière Identity-Aware Proxy — IAP sur Cloud Run, adossée à une base Cloud SQL PostgreSQL et à Secret Manager) qui remplit quatre fonctions critiques :

  1. Catalogue centralisé des serveurs MCP : enregistrement des serveurs distants exposés en Streamable HTTP sur Cloud Run privé, incluant notamment la MCP Toolbox for Databases officielle de Google Cloud (qui expose des requêtes SQL paramétrées et vérifiées sur BigQuery, Cloud SQL ou AlloyDB sans laisser le LLM forger du DDL arbitraire) ainsi que vos serveurs MCP métiers (API JSON-2 Odoo, CRM, facturation).
  2. Matrice de droits RBAC par rôle et par outil : un contrôleur de gestion voit les outils MCP de lecture bigquery.finance_kpis, mais pas les outils RH ; un agent commercial peut préparer un brouillon de devis dans l'ERP, mais l'outil erp.confirm_order reste verrouillé.
  3. Validation humaine (human-in-the-loop) sur les actions mutatives : tout appel d'outil MCP marqué write_action = true dans l'application web met la transaction en attente et affiche une carte d'approbation dans l'interface métier avant exécution réelle.
  4. Coupe-circuit (kill switch), quotas et télémétrie : désactivation instantanée d'un serveur MCP en maintenance sans redéployer les agents Vertex AI.
# Chargement dynamique des serveurs MCP autorisés depuis l'app web interne vers un agent Google ADK
import httpx
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool import MCPToolset, StreamableHTTPConnectionParams

async def build_enterprise_agent(user_email: str, id_token: str) -> LlmAgent:
    # 1. Interroger le plan de contrôle web interne pour récupérer les MCP autorisés pour cet employé
    async with httpx.AsyncClient(timeout=10.0) as client:
        resp = await client.get(
            "https://mcp-admin.internal.entreprise.ch/api/v1/authorized-servers",
            params={"user": user_email},
            headers={"Authorization": f"Bearer {id_token}"},
        )
        resp.raise_for_status()
        mcp_configs = resp.json()["servers"]

    # 2. Instancier uniquement les toolsets MCP filtrés par gouvernance RBAC
    toolsets = [
        MCPToolset(
            connection_params=StreamableHTTPConnectionParams(
                url=srv["endpoint_url"],
                headers={"Authorization": f"Bearer {srv['scoped_obo_token']}"},
            ),
            tool_filter=srv["allowed_tool_names"],
        )
        for srv in mcp_configs
    ]

    return LlmAgent(
        name="central_enterprise_assistant",
        model="gemini-4-hydrogen",
        instruction=(
            "Tu es l'assistant central de l'entreprise. Appuie chaque chiffre sur les outils "
            "MCP BigQuery certifiés et cite systématiquement les documents Vertex AI Search."
        ),
        tools=toolsets,
    )

Pourquoi cette convergence ETL + MCP + GCP crée un avantage durable

En séparant clairement la couche de vérité analytique (ETL vers BigQuery + Vertex AI Search), la couche d'outillage gouvernée (application web interne pilotant les serveurs MCP) et la couche de raisonnement (Google Cloud Agent Platform / ADK), l'entreprise évite tout enfermement propriétaire dans une boîte noire SaaS. Vous pouvez faire évoluer un modèle Gemini, ajouter un connecteur ERP en trente minutes depuis votre interface d'administration MCP, et exposer la même intelligence centrale à la fois dans Google Workspace, Slack ou une interface dédiée inspirée de 21brain.

Sources et documentation de référence

En tant que Google Cloud Select Technology Partner basé en Suisse, 21datas conçoit de bout en bout vos pipelines ETL vers BigQuery, vos portails d'administration MCP et vos agents métiers sur Google Cloud et AI Engineering. Prenez rendez-vous avec nos architectes ou contactez-nous pour cadrer votre plateforme d'IA centrale.

in Data