Publié le 20 octobre 2026 · Publication originale
15 octobre 2026.
Une entreprise connecte son agent à Salesforce, Jira, GitHub, Slack et ses applications internes.
Chaque intégration augmente ses capacités.
Elle augmente aussi ce que le modèle doit lire avant d’agir.
Chez Arcade.dev, le catalogue dépasse 8.000 outils, soit environ 1,76 million de tokens s’ils étaient tous chargés.
Tool Recommendation change l’architecture.
Au lieu d’envoyer tout le catalogue au LLM, le MCP Gateway expose quelques méta-outils, dont Arcade_SelectTools et Arcade_UseTool.
L’agent décrit son besoin. Arcade_SelectTools recherche les fonctions pertinentes et ne renvoie que leurs schémas.
Identité, OAuth, politiques d’accès et audit restent appliqués lors de l’exécution.
Arcade annonce jusqu’à 91% de tokens d’entrée en moins sur dix tours, mais ce chiffre concerne les définitions d’outils et les réponses de recommandation, pas toute la conversation.
Sur 408 sessions et 64 workflows avec Codex et Claude Code: -7,6% de coût total input + output en moyenne, IC95% 2,5%-12,6%, sans baisse du taux de complétion.
Sous 25 à 28 outils, une liste fixe peut rester moins chère.
Autre détail décisif: le matching utilise le nom de l’outil et la première ligne de sa description, pas ses paramètres.
Une mauvaise description devient donc une erreur d’infrastructure.
ULTRA®
Le vrai déplacement consiste à découpler la croissance du catalogue de celle du prompt.
Avec une liste fixe, chaque nouvel outil augmente ce que le modèle doit lire à chaque tour.
Avec Tool Recommendation, le catalogue devient un index interrogé à la demande.
Il faut donc mesurer: bon outil retrouvé au premier appel, tokens par workflow, latence et taux d’erreur après sélection.
À grande échelle, la question devient: combien d’outils l’agent doit-il lire avant de choisir correctement?
LI!GHT WORKFORCE ©
LOGICIEL: Arcade Tool Recommendation
SOCIÉTÉ: Arcade.dev
La capacité déplacée concerne une partie du travail des équipes plateforme: maintenir pour chaque agent ses listes d’outils et ses règles de routage.
Avec un index partagé, cette curation devient infrastructure.
Le travail humain reste sur la conception, les descriptions, les politiques d’accès, les tests de retrieval et les exceptions sensibles.
Le gain se mesure en temps de maintenance par agent, coût par workflow, taux de mauvais routage et interventions humaines.
Une équipe peut ainsi ouvrir davantage de capacités sans faire croître proportionnellement le contexte.
ARGOS
Une infrastructure d’agents devient scalable quand ses capacités augmentent sans que chaque modèle doive tout connaître.
Sources
Arcade.dev, “Introducing Tool Recommendation”, 15 octobre 2026
Arcade Docs, Tool Recommendation; Contextual Access
#Arcade #MCP #AIAgents #AIInfrastructure #LightWorkforce #VOCEAssociation