No. 12 · Technical

La pile technologique agentique

Les plateformes infonuagiques, les modèles, les passerelles et les mécanismes de contrôle qui soutiennent les charges de travail agentiques en Alberta, ainsi que les principes guidant leur sélection.

Afin de bien choisir les meilleurs outils, nous avons mis à l’essai une vaste gamme d’outils de codage agentique et de plateformes d’IA générative. Voici notre pile actuelle. Nous nous attendons à ce qu’elle évolue à mesure que de nouveaux outils émergent, et nos choix sont guidés par un objectif simple : le bon modèle, dans le bon environnement, pour le bon cas d’usage. Nous avons délibérément diversifié notre chaîne d’approvisionnement en IA, tant pour la capacité que pour la variété nécessaires à couvrir un large éventail de travaux, et nous évitons de confier toutes les charges de travail à un seul fournisseur.


## §01 Choisir les bons outils

L’industrie évolue très rapidement, et l’avance change souvent de mains, parfois tous les deux mois. Par exemple, Google peut lancer un modèle d’images très performant, comme Nano Banana 2, et quelques mois plus tard, OpenAI propose une nouvelle avancée avec GPT Image 2. Dans ce contexte, il est essentiel de rester flexible et d’utiliser chaque plateforme selon ses forces. Au cours des dix‑huit derniers mois, l’Alberta a testé plusieurs modèles, notamment ceux de Gemini, OpenAI et Anthropic. À l’heure actuelle, les modèles Claude d’Anthropic offrent les meilleures performances dans plusieurs cas, mais cette situation peut évoluer rapidement. C’est pourquoi la pile technologique est conçue pour s’adapter facilement à ces changements. Pour les travaux présentés dans ces documents, l’Alberta s’est appuyée principalement sur Claude, en utilisant les modèles Opus et Sonnet, passant de la version 3.5 il y a un an à l’Opus 4.8 d’aujourd’hui. Les modèles évoluent rapidement, tout comme les outils et les interfaces qui permettent d’y accéder, de nouveaux ajouts à Claude Code et à d’autres applications de codage apparaissant quasi quotidiennement.

Une couche d’abstraction, comme la passerelle Bifrost, permet de déplacer facilement les charges de travail entre différents fournisseurs, ou même du nuage vers une infrastructure interne. Elle aide aussi à mieux contrôler les coûts, notamment en fixant des budgets par charge de travail pour éviter les dérives liées à l’utilisation des modèles. Dans un domaine qui évolue aussi vite, il n’est pas recommandé de dépendre d’un seul fournisseur. La diversification et la flexibilité sont essentielles pour s’adapter aux avancées technologiques, aux coûts et aux besoins qui changent constamment.


## §02 La pile

L’Alberta opère dans un environnement hybride. Elle utilise les principaux nuages des grands fournisseurs Google, Azure et AWS, tout en s’appuyant aussi sur des plateformes plus petites et en maintenant trois centres de données hérités qui hébergent des systèmes et du code plus anciens. Les modèles d’IA sont déployés de plusieurs façons. Certains modèles à code source ouvert sont exécutés directement sur une grappe de GPU interne, notamment pour les charges de travail sensibles ou hors ligne. Pour les modèles hébergés, l’accès se fait par des plateformes comme AWS Bedrock, Google Agent Platform et Azure AI Foundry. L’Alberta teste également de façon proactive la majorité des nouveaux modèles disponibles, que ce soit sur son propre matériel ou localement sur des appareils Mac M5 haute performance. Aujourd’hui, les principales charges de travail passent surtout par AWS Bedrock et Google Agent Platform.

La plupart des charges de travail agentiques infonuagiques de l’Alberta sont actuellement déployées dans Google Cloud, tandis que les applications traditionnelles continuent de fonctionner dans Azure et AWS. La conteneurisation qui soutient cette approche est décrite dans le document Nexus. L’Alberta évalue aussi des solutions comme Red Hat OpenShift afin d’héberger davantage de charges de travail sur ses propres infrastructures. L’objectif est de mieux utiliser la capacité déjà disponible dans ses centres de données, tout en gardant la flexibilité d’un environnement hybride.


## §03 Classification et résidence

Le gouvernement de l’Alberta classe l’information selon différents niveaux : non classifiée, Protégé A, Protégé B et Protégé C. Même si certains systèmes atteignent le niveau Protégé C, la grande majorité, environ 99 %, se situe au niveau Protégé B ou inférieur. Une grande partie des travaux en IA présentés dans ces documents repose sur du code et des architectures hérités, non classifiés et appartenant au gouvernement, sans données personnelles provenant des systèmes de production. Cela permet de repenser les systèmes gouvernementaux en utilisant l’IA comme outil de construction, sans exposer les données des citoyens, sauf lorsque cela est strictement nécessaire.

Toutes les données liées à ces charges de travail sont contrôlées au Canada grâce à des ententes d’entreprise et à des mécanismes de protection en place dans les plateformes. Selon le type de travail, certaines opérations utilisent une capacité de calcul locale, tandis que d’autres recourent à des services d’inférence offerts depuis les États‑Unis, comme c’est encore souvent le cas avec les fournisseurs infonuagiques. L’Alberta travaille avec ces fournisseurs pour augmenter la capacité disponible au Canada et déplacer progressivement davantage de charges de travail vers des environnements souverains. En parallèle, elle suit de près l’évolution des initiatives canadiennes en matière de calcul souverain et a lancé une démarche pour qualifier des entreprises entièrement canadiennes capables de contribuer aux travaux les plus sensibles. Pour les domaines critiques comme la santé et la sécurité, le principe est clair : le contrôle exclusif des données par le gouvernement de l’Alberta est non négociable.


## §04 Gouvernance et protection de la vie privée

Nos décisions sont guidées par la politique d’utilisation de l’IA de l’Alberta et par notre cadre de gouvernance, qui définissent les principes à suivre pour adopter ces technologies dans la fonction publique. La protection des renseignements personnels est encadrée par la Protection of Privacy Act. Cette loi précise dans quels contextes l’IA peut être utilisée et exige, lorsque nécessaire, la réalisation d’une évaluation des impacts sur la vie privée, à déposer auprès du Commissariat à l’information et à la protection de la vie privée avant toute mise en œuvre.

Résistance à l’injection d’invites 95-98 %. Même les meilleurs modèles d’IA ne résistent pas toujours aux tentatives de détournement : leur taux de fiabilité se situe généralement entre 95 % et 98 %. Aucun modèle n’est totalement invulnérable. Pour cette raison, l’IA destinée au grand public, et plus encore celle qui touche aux renseignements personnels, est soit évitée, soit utilisée de manière très encadrée.

En pratique, nous adoptons une approche prudente. Les systèmes accessibles au public sont conçus avec des limites strictes, et leur utilisation avec des données sensibles est soigneusement contrôlée. À ce jour, nous avons surtout utilisé des données synthétiques pour tester ces outils et démontrer leurs capacités. Cela permet de mieux comprendre leurs forces et leurs limites, tout en fournissant aux ministères des repères clairs pour encadrer leur utilisation.


## §05 Sécurité et chaîne d’approvisionnement

Nous faisons preuve de prudence avec les composants d’agents à code source ouvert, par choix pratique plutôt que par règle stricte. Un harnais, même s’il ne s’agit que d’un ensemble de fichiers de compétences, reste un logiciel et doit être vérifié avant d’être utilisé. Il peut introduire des risques, comme des injections d’invites, ou être affecté par une chaîne d’approvisionnement compromise, ce qui pourrait amener un agent à se comporter de façon imprévue. Dans les cas extrêmes, l’agent lui‑même pourrait devenir une source de menace. C’est pourquoi nous sélectionnons avec soin ce que nous utilisons et procédons à une évaluation préalable avant toute intégration.

Autour des modèles, nous utilisons des passerelles comme Bifrost pour gérer l’accès aux fournisseurs, maîtriser les coûts et encadrer l’utilisation des données. Nous recommandons aussi des outils comme Microsoft Defender et Purview, ou leurs équivalents, pour prévenir les pertes de données, en complément des outils intégrés à GitHub. Il reste toutefois du travail à faire. Nous collaborons avec l’industrie pour renforcer la sécurité autour des agents, notamment en ce qui concerne la gestion de leur identité ainsi que le suivi et l’observation de leurs actions dans le réseau. Nous prévoyons aussi inviter des entreprises à tester leurs solutions dans des environnements gouvernementaux, notamment à travers des initiatives liées au calcul souverain et de futurs appels d’offres. Enfin, nous cherchons à établir des partenariats avec d’autres organisations publiques — fédérales, provinciales, territoriales et municipales, afin de partager les apprentissages et développer une communauté de pratique active sur ces enjeux.


## §06 Coût et échelle

Nous consommons déjà des milliards de jetons de calcul par mois, et nous prévoyons que ce coût atteindra des centaines de milliers de dollars par mois à mesure que les quatre approches seront mises en œuvre et qu’un agent d’IA sera associé à chaque application pour la surveillance, la cybersécurité et le développement. Les coûts relatifs demeurent faibles : même avec ces nouvelles dépenses, l’économie réalisée sur une seule application parmi des centaines peut souvent dépasser le coût annuel total du calcul d’IA. La capacité devient désormais une contrainte importante. Les limites d’infrastructure et de mémoire freinent le calcul, et même nos ententes actuelles, qui permettent entre 25 et 50 millions de jetons par minute, risquent bientôt d’être insuffisantes. Pour y faire face, nous adoptons une approche diversifiée et équilibrée, en répartissant les charges de travail entre plusieurs fournisseurs afin de maximiser le débit et la résilience.

Planifier une tâche de longue durée 250 agents · 50 jours. Le traitement d’environ 14 millions d’images et de dossiers historiques pourrait être réalisé par un maximum d’environ 250 agents fonctionnant en parallèle pendant plusieurs semaines, pour un coût de quelques centaines de milliers de dollars, soit possiblement autour de 1 % du coût d’un traitement manuel équivalent. Ces chiffres sont révélateurs. L’impact le plus important de l’IA n’est pas seulement de réduire le coût des travaux existants, mais surtout de rendre possibles des projets qui n’auraient jamais été entrepris autrement. À mesure que ces outils deviennent accessibles, l’intérêt pour créer de nouveaux services et réduire la dette technique augmente en parallèle.
L’objectif est clair : moderniser rapidement, améliorer les services offerts et éviter des coûts importants, tout en maintenant un effectif stable. Cela implique aussi de passer de technologies fermées, dépendantes de fournisseurs, à des plateformes plus ouvertes et plus flexibles, capables d’évoluer avec les besoins liés à [L’impératif de la cybersécurité](/paper/mwo98) et [le navire de Thésée à deux milliards de dollars](/paper/cux4h), et nous prenons soin de ne pas échanger un problème contre un autre.

Ces chiffres de coûts sont intéressants. L’effet le plus marquant de ces outils est qu’ils ouvrent la porte à des travaux que nous n’aurions tout simplement pas entrepris autrement, plus qu’ils ne réduisent le coût des travaux que nous faisons déjà. À mesure que les outils deviennent disponibles, l’appétit pour la création de nouveaux services utiles et le besoin de résorber la dette technique croissent de pair. Notre objectif est de moderniser à un rythme rapide et d’offrir des services bonifiés, avec des centaines de millions par année en coûts évités et un effectif stable, et de passer de technologies verrouillées par les fournisseurs vers des plateformes qui nous donnent de la latitude à mesure que nous prenons de l’ampleur. Nous explorons l’IA pour les raisons exposées dans L’impératif de la cybersécurité et le navire de Thésée à deux milliards de dollars, et nous prenons soin de ne pas échanger un problème contre un autre. Pour assurer le meilleur investissement global, il faut former notre personnel à bien planifier et à mettre en œuvre les charges de travail propulsées par l’IA au gouvernement, ce qui fait l’objet de notre prochain document sur l’Académie d’IA de l’Alberta.

Tags: tech-stack, cloud, models, sovereign-compute, bifrost, security, governance, open-source

Open the interactive version