Agentic Resource Discovery : le standard ouvert qui va unifier les agents IA
🔎 L'écosystème agent IA a un problème de découverte, et Google + Microsoft viennent de le résoudre
Mai 2026. L'IA agentique explose, mais un goulot d'étranglement invisile freine tout l'écosystème : les agents ne savent pas trouver les outils dont ils ont besoin. Chaque intégration est câblée à la main. Chaque nouveau MCP server nécessite une configuration manuelle. Ce n'est pas scalable.
Google, Microsoft, GitHub, HuggingFace, NVIDIA, Salesforce, Snowflake et d'autres viennent de publier ARD (Agentic Resource Discovery), une spécification ouverte sous licence Apache 2.0. Son ambition est claire : devenir la couche de découverte manquante de l'IA agentique. Le "HTTP des agents", selon plusieurs observateurs.
L'annonce a été publiée fin mai 2026 sur le blog de Google Developers et celui de Microsoft Command Line, avec un dépôt de spécification hébergé sur GitHub (ards-project/ard-spec). Un groupe de travail au sein de la Linux Foundation chapeaute le projet.
L'essentiel
- ARD est une spécification ouverte (Apache 2.0) pour publier, découvrir et vérifier les capacités IA sur le web, annoncée conjointement par Google, Microsoft et une douzaine d'acteurs majeurs.
- Le mécanisme repose sur deux primitives : les organisations publient un fichier
ai-catalog.jsonsur leur domaine, et des registres fédérés indexent ces catalogues pour permettre la recherche. - ARD ne remplace pas MCP — il s'ajoute au-dessus comme couche de découverte, résolvant le problème que MCP ne couvre pas : comment un agent trouve un outil qu'il ne connaît pas encore.
- La spécification est encore en draft mais le soutien industriel est sans précédent pour un standard d'interopérabilité agentique.
Outils et acteurs impliqués dans ARD
| Acteur / Outil | Rôle dans l'écosystème ARD | Statut (juin 2026) |
|---|---|---|
| ards-project/ard-spec | Dépôt officiel de la spécification | Draft ouvert, Apache 2.0 |
| Google Developers Blog | Annonce et co-création de la spec | Co-auteur principal |
| Microsoft Command Line | Annonce et co-création | Co-auteur principal |
| Hugging Face | Implémentation et plaidoyer open source | Contributeur actif |
| GitHub | Co-développeur de la spécification | Contribution architecturale |
| NVIDIA, Salesforce, Snowflake | Contributeurs industriels | Support annoncé |
Ce qu'est ARD exactement — un annuaire machine pour les agents
ARD définit un standard fédéré pour que les agents IA découvrent des ressources agentiques à l'exécution, sans intervention humaine. Pas besoin de connaître l'URL d'un MCP server à l'avance. Pas besoin de configurer une intégration. L'agent cherche, trouve, vérifie et se connecte.
Le concept repose sur un fichier ai-catalog.json publié à la racine d'un domaine. Ce fichier décrit de manière structurée les capacités mises à disposition : outils, APIs, modèles, autres agents. Selon Hugging Face, ce fichier est le point d'entrée que les agents consultent pour comprendre ce qu'un domaine offre.
Un registre d'indexation (similaire au rôle d'un moteur de recherche) agrège ces catalogues et permet des requêtes sémantiques. Un agent peut donc demander "trouve-moi un outil de recherche web vérifié" et obtenir une liste de ressources avec leurs métadonnées, leurs schémas d'entrée/sortie et leurs preuves de vérification.
InfoWorld décrit ARD comme un ensemble de primitives fondamentales organisées autour d'un modèle de données appelé "AI Catalog". Ce modèle normalise la description des ressources agentiques : nom, description, capacités, schéma d'appel, niveau de confiance, méthode d'authentification.
La spécification est ancrée au domaine, ce qui signifie que chaque organisation contrôle son propre catalogue. Pas de plateforme centrale. Pas de vendor lock-in. C'est l'approche fédérée qui a fait le succès du web lui-même.
Pourquoi c'est le "HTTP des agents" — le parallèle avec les débuts du web
En 1991, le web avait deux problèmes : comment transférer des documents (HTTP) et comment les trouver (URLs + liens). L'IA agentique en 2026 est dans une situation analogue mais incomplète.
MCP (Model Context Protocol d'Anthropic) résout le problème du transfert et de l'exécution : comment un agent appelle un outil de manière standardisée. A2A (Agent-to-Agent de Google) résout le problème de la communication inter-agents. Mais aucun des deux ne résout la découverte. C'est comme avoir HTTP sans les moteurs de recherche ni les liens.
Search Engine Journal résume la situation : ARD définit comment les agents trouvent et vérifient les outils, les compétences et d'autres agents sur le web. C'est la brique manquante.
Le parallèle est frappant. Sans ARD, chaque déploiement d'agent nécessite une configuration explicite de chaque outil. Avec ARD, un agent peut dynamiquement élargir son périmètre de capacités en fonction de la tâche. C'est ce qui transforme un outil spécialisé en un système véritablement autonome.
Pour les meilleurs agents IA autonomes qui émergent en 2026, cette capacité de découverte est ce qui différencie un agent qui exécute un workflow préconfiguré d'un agent qui résout un problème nouveau.
ARD vs MCP vs A2A vs ACP — où chaque protocole se positionne
L'espace des protocoles agentiques s'est densifié en 2025-2026. Une étude publiée sur arXiv en mai 2026 examine quatre protocoles d'interopérabilité : MCP, ACP, A2A et ANP. K21 Academy propose une synthèse de ces comparaisons.
Leur conclusion est convergente : ces protocoles ne sont pas en compétition. Ils opèrent à des couches différentes de la pile agentique.
| Protocole | Créateur | Fonction principale | Relation avec ARD |
|---|---|---|---|
| MCP | Anthropic | Connexion agent → outil (appel de fonction) | ARD découvre les serveurs MCP |
| A2A | Communication agent ↔ agent | ARD découvre les agents A2A | |
| ACP | Communauté | Orchestration de workflows multi-agents | ARD fournit le registre de capacités |
| ANP | Communauté | Négociation et contrats entre agents | ARD fournit les métadonnées de négociation |
| ARD | Google + Microsoft + consortium | Découverte et vérification des ressources | Se place au-dessus de tous les autres |
MCP est devenu le standard de fait pour connecter un agent à un outil spécifique. Mais MCP suppose que l'agent sait déjà quel serveur MCP appeler et où il se trouve. ARD comble cette lacune : il permet à un agent de découvrir dynamiquement qu'un serveur MCP existe, ce qu'il offre, et s'il est digne de confiance.
Digital Loop identifie trois mécanismes de canal de signal complémentaires dans ARD : le mécanisme de découverte (comment trouver), l'implémentation technique (le fichier ai-catalog.json et les registres) et la fonction stratégique (la vérification et la confiance).
Comment ARD fonctionne techniquement — le fichier ai-catalog.json
L'implémentation concrète d'ARD repose sur un mécanisme élégant de simplicité, similaire à robots.txt ou sitemap.xml dans le web classique.
Une organisation publie un fichier ai-catalog.json à un emplacement standardisé sur son domaine. Ce fichier contient une liste de ressources agentiques, chacune décrite par un schéma normalisé. Grounding Page détaille la structure : chaque entrée inclut un identifiant, une description textuelle, le type de ressource (outil MCP, agent A2A, API REST, modèle), les schémas d'entrée/sortie, les exigences d'authentification et des métadonnées de vérification.
Les registres ARD sont des services qui crawle le web à la recherche de ces fichiers ai-catalog.json, les indexent et exposent une API de recherche. Un agent interroge un registre, obtient une liste de ressources candidates, vérifie leurs métadonnées (signature cryptographique, preuve de domaine), puis se connecte directement via le protocole approprié (MCP, A2A, etc.).
AI Weekly souligne que cette architecture à deux primitives (publication + indexation) est volontairement minimaliste. Le but n'est pas de créer une plateforme centralisée mais un standard que n'importe qui peut implémenter.
Synscribe confirme que le groupe de travail Linux Foundation a opté pour une approche fédérée dès le départ, évitant le piège de la plateforme propriétaire qui a bloqué d'autres tentatives de standardisation IA.
Les implications pour les développeurs d'agents IA
Pour un développeur qui construit des agents, ARD change fondamentalement la façon dont on pense l'intégration d'outils. Aujourd'hui, chaque nouvel outil nécessite : trouver la documentation, configurer l'URL du serveur MCP, gérer l'authentification, tester la connexion, et tout recommencer pour le suivant.
Avec ARD, le flux devient : l'agent reçoit une tâche, interroge un registre ARD, filtre les résultats par pertinence et niveau de confiance, et se connecte automatiquement. Le développeur n'a plus qu'à configurer le registre ARD auquel l'agent fait confiance.
Cela a un impact direct sur le choix des LLM pour les agents IA. Un modèle comme GPT-5.5 (score agentic 98.2 sur les benchmarks de référence de juin 2025) ou Gemini 3 Pro Deep Think (95.4) peut exploiter ARD pour décider dynamiquement quels outils appeler en fonction du contexte, sans que le développeur ait anticipé tous les cas d'usage.
Pour ceux qui préfèrent exécuter des agents en local, la question se pose : ARD fonctionne-t-il avec des déploiements hors ligne ? La spécification le permet techniquement (un registre privé peut indexer des catalogues internes), mais la valeur principale d'ARD réside dans la découverte de ressources web publiques. Les agents IA open source avec Ollama pourront interroger des registres ARD tout en exécutant le modèle localement — la découverte et l'exécution sont découplées.
Les implications pour les entreprises — publier ses capacités comme on publie une API
Pour les entreprises, ARD inverse la logique d'intégration. Au lieu que chaque client IA doive intégrer vos outils manuellement, vous publiez un ai-catalog.json et n'importe quel agent ARD-compatible peut découvrir et utiliser vos capacités.
C'est analogue au passage des intégrations point-à-point aux APIs REST publiques. Avant les APIs, chaque client nécessitait un connecteur dédié. Avec les APIs, un standard (HTTP + JSON) a permis à n'importe quel client de consommer n'importe quel service. ARD fait la même chose pour la couche agentique.
Les entreprises qui publient tôt des catalogues ARD auront un avantage de découverte : leurs outils seront indexés par les registres et disponibles pour des millions d'agents. C'est un nouveau canal d'acquisition, comparable au SEO mais pour les machines.
Si vous hébergez ces catalogues, un hébergeur comme Hostinger suffit pour un ai-catalog.json statique — pas besoin d'infrastructure complexe au départ.
La gouvernance devient un enjeu critique. L'initiative d'Agentic AI governance entre Google et SAP montre que les entreprises ne veulent pas déployer des agents sans cadre de contrôle. ARD intègre des mécanismes de vérification (signatures, preuves de domaine) qui s'inscrivent dans cette logique de gouvernance.
Ce que ARD change pour la robotique et les systèmes multi-agents
Au-delà des agents logiciels, ARD a des implications profondes pour les systèmes physiques. Dans l'Agentic AI pour la robotique, le défi principal est la coordination entre robots aux capacités hétérogènes. ARD pourrait servir de couche de découverte pour que des robots découvrent dynamiquement les capacités de leurs voisins dans un environnement partagé.
Un robot de livraison pourrait découvrir qu'un robot d'entrepôt propose un service de chargement via son catalogue ARD local, négocier les termes via A2A, et exécuter via MCP. Sans configuration préalable. Sans intégration bespoke.
Pour les systèmes multi-agents complexes, cette découverte dynamique réduit le problème de l'orchestration centralisée. Chaque agent publie ce qu'il sait faire. Le système émerge de la découverte mutuelle plutôt que d'un planificateur central.
Entraînement et vérification — le lien avec le reinforcement learning agentic
Un aspect sous-estimé d'ARD est son potentiel pour l'entraînement des agents. La méthode SDAR (Self-Distillation Agentic Reinforcement) montre comment les agents apprennent à utiliser des outils via le reinforcement learning. ARD enrichit ce processus en fournissant un espace d'outils dynamique et vérifié.
Au lieu d'entraîner un agent sur un ensemble fixe d'outils, on peut l'entraîner dans un environnement où les outils sont découverts via ARD. L'agent apprend non seulement à utiliser des outils mais à découvrir et évaluer de nouveaux outils — une méta-compétence fondamentalement différente.
Les métadonnées de vérification d'ARD (signatures, réputation, historique) fournissent aussi des signaux de récompense naturels pour le RL : un agent qui choisit des outils bien vérifiés et obtient de meilleurs résultats renforce ce comportement de sélection.
Les limites actuelles de la spécification
ARD est prometteur mais reste un draft. Plusieurs défis techniques et écosystémiques sont encore non résolus.
Premièrement, la sécurité. Un fichier ai-catalog.json peut décrire des ressources malveillantes. Les mécanismes de vérification existent dans la spécification mais leur implémentation concrète et leur robustesse face à des attaques par empoisonnement de catalogue restent à prouver en production.
Deuxièmement, la performance. Interroger un registre ARD ajoute de la latence à chaque découverte. Pour les tâches temps réel, ce surcoût peut être prohibitif. Le caching local de catalogues fréquemment utilisés sera nécessaire mais n'est pas encore standardisé.
Troisièmement, l'adoption. Une spécification ouverte n'a de valeur que si elle est implémentée. Le soutien de Google et Microsoft est un signal fort, mais il faudra surveiller le nombre réel de catalogues ai-catalog.json déployés sur le web dans les mois qui viennent. Un standard sans implémentations n'est qu'un PDF sur GitHub.
Quatrièmement, la concurrence. D'autres initiatives de découverte agentique pourraient émerger. La fragmentation des standards est un risque réel dans un espace aussi jeune.
❌ Erreurs courantes
Erreur 1 : Confondre ARD et MCP
ARD ne remplace pas MCP. MCP définit comment un agent appelle un outil. ARD définit comment un agent trouve cet outil. Ce sont des couches complémentaires, pas concurrentes. Confondre les deux mène à des architectures où l'on essaie d'utiliser ARD pour exécuter des appels de fonction — ça ne marchera pas.
Erreur 2 : Publier un catalogue sans vérification
Un ai-catalog.json sans signature cryptographique ni preuve de domaine est inutile en pratique. Les agents ARD-compatible filtreront les ressources non vérifiées. Si vous publiez un catalogue, implémentez les mécanismes de vérification dès le départ.
Erreur 3 : Voir ARD comme un produit
ARD est une spécification, pas un service. Il n'y a pas de "plateforme ARD" à laquelle on s'inscrit. On publie un fichier, on s'inscrit dans un registre, c'est tout. Attendre un SaaS ARD de Google ou Microsoft est une erreur de compréhension du modèle fédéré.
Erreur 4 : Ignorer la gouvernance interne
Déployer des agents qui découvrent dynamiquement des outils externes sans politique de gouvernance est un risque sécurité majeur. Définissez quels registres sont de confiance, quels types de ressources sont autorisés, et quels niveaux de vérification sont requis avant d'activer ARD en production.
❓ Questions fréquentes
ARD remplace-t-il MCP ?
Non. MCP gère l'exécution (comment appeler un outil), ARD gère la découverte (comment trouver cet outil). Ils sont complémentaires et opèrent à des couches différentes de la pile agentique.
Qui contrôle la spécification ARD ?
Le groupe de travail Linux Foundation, avec des contributeurs de Google, Microsoft, GitHub, HuggingFace, NVIDIA, Salesforce et Snowflake. La spécification est sous licence Apache 2.0, donc librement implémentable.
Un agent peut-il utiliser ARD sans MCP ?
Oui. ARD peut découvrir n'importe quel type de ressource : serveurs MCP, agents A2A, APIs REST, modèles. Le protocole de connexion est indépendant du mécanisme de découverte.
ARD est-il utilisable en production aujourd'hui ?
La spécification est en draft (juin 2026). Les implémentations de référence existent mais le nombre de catalogues déployés est encore limité. Suivez le dépôt GitHub pour le statut de maturité.
Comment publier mon premier catalogue ARD ?
Créez un fichier ai-catalog.json à la racine de votre domaine, décrivez vos ressources agentiques selon le schéma de la spec, et soumettez l'URL à un registre ARD compatible. La documentation officielle sur le dépôt GitHub détaille le format exact.
✅ Conclusion
ARD ne sera peut-être pas le dernier standard de découverte agentique, mais il est le premier à réunir un consortium aussi large autour d'un problème réel et bien défini. Si l'adoption suit — et le soutien de Google et Microsoft le suggère — il deviendra la couche de découverte par défaut de l'écosystème agent IA. Suivez le dépôt officiel et commencez à réfléchir au ai-catalog.json que votre organisation devrait publier.