360Learning est une EdTech créée il y a plus de dix ans. Elle compte plus de 400 salariés et près de 80 millions d'euros d'ARR. Adrien Gros y est AI PM, en charge de l'IA dans la plateforme. Ismaël Aliouat vient de passer AI Engineer, après quatre ans comme Software Engineer dans la même squad IA. Ensemble, ils ont présenté trois couches de leur produit IA : le MCP, l'agentique et le génératif. Le live était animé par Emma, Tech Host chez TPC.
Sommaire12 sections
- 1.Une EdTech de dix ans face au virage IA
- 2.« Est-ce que vous avez un MCP ? »
- 3.Ce que le MCP débloque
- 4.Les quatre chantiers d'un MCP en production
- 5.Un serveur MCP custom plutôt qu'une couche clé en main
- 6.Pourquoi un agent entre l'application et l'API
- 7.Contrôle, prévisibilité, réversibilité
- 8.Le workflow de l'agent, étape par étape
- 9.IA générative, adoption et coûts
- 10.Le SaaS face aux agents externes
- 11.De Software Engineer à AI Engineer
- 12.Le replay
1. Une EdTech de dix ans face au virage IA
Aujourd'hui, 360Learning sert des clients en France, en Europe et désormais aux États-Unis. Une plateforme de cet âge porte un legacy et des clients historiques à maintenir.
Le produit s'organise autour de trois personas. Les créateurs de contenu doivent produire des formations engageantes, plus vite. Les apprenants doivent être guidés, avec une expérience adaptée à leur contexte. Les administrateurs L&D doivent automatiser, piloter et prouver leur conformité.
Ces trois piliers donnent le cadre fonctionnel de toute l'IA de la plateforme.
Les grands comptes imposent un niveau de sécurité et de confidentialité maximal. L'équipe s'appuie principalement sur une stack Microsoft Azure. Aucune donnée client n'est utilisée pour entraîner des modèles. Ce choix aide aussi à rester en règle avec l'AI Act.
2. « Est-ce que vous avez un MCP ? »
La demande est arrivée avant le cas d'usage. Clients et prospects posaient la question chaque jour. La réponse de l'équipe produit était toujours la même : pour quoi faire ?
"Et qu'on leur disait, mais qu'est-ce que vous voulez en faire ? C'est quoi le use case ? C'est quoi le cas d'usage ? Il y a beaucoup de personnes qui ne savaient pas en fait."
Le sujet est évoqué en interne il y a un peu plus d'un an. Fin d'année, il entre dans la roadmap, sans cas d'usage encore arrêté. Début d'année, la demande s'accélère et le premier cas d'usage émerge.
C'est le learning in the flow of work. Le contenu de formation doit être accessible aux IA externes, en permanence. Qu'il s'agisse de Claude, de Microsoft Copilot ou d'une IA sur mesure.
L'équipe API s'empare du sujet côté infrastructure au printemps. Le MCP sort la semaine du live, à la fin de l'été. L'infrastructure et les premiers tools partent en même temps.
Adrien Gros compare ce lancement à la sortie de toutes ses API d'un coup. Le MCP a déjà passé le cap des dix mille appels.
3. Ce que le MCP débloque
Le premier tool permet d'aller chercher le contenu de formation depuis n'importe quelle IA. Adrien Gros juge l'approche plus simple que des API, et plus personnalisable côté client.
Sa démo : demander à Claude ce qu'est « Convexity ». Sans contexte, une IA répondrait géométrie ou mathématiques. Avec le MCP, elle identifie la culture d'entreprise et répond à partir des formations internes.
Avec l'agentique, les usages vont plus loin. Un agent peut interroger l'apprenant chaque lundi sur ses derniers apprentissages. Les cas couverts incluent l'onboarding, l'upskilling et le sales enablement.
Deux étapes suivent sur la roadmap. D'abord, détecter les occasions de créer du contenu, comme une nouvelle procédure documentée. Ensuite, ouvrir des cas d'administration pour piloter les données de formation hors plateforme.
4. Les quatre chantiers d'un MCP en production
"On jouait avec des MCP depuis quelques mois, voire depuis un an, côté Claude, et finalement en fait, quand il s'agit de faire son propre MCP, c'est un peu plus complexe."
Accompagner les clients sur leur stack
Connecter le MCP à Claude reste simple. Avec Microsoft Copilot, c'est déjà plus lourd. Avec une IA sur mesure ou un grand système RH, c'est du cas par cas. L'équipe apprend en marchant sur ce point.
Respecter l'authentification et la visibilité
Les règles de visibilité et de confidentialité sont critiques dans les grandes organisations. La donnée de formation ne doit pas être libérée dans la nature. Le serveur doit s'adapter à tous les niveaux d'authentification, SSO compris.
Absorber les appels malveillants
Une partie des appels vise à tester ou à chercher des vulnérabilités. Le serveur doit en tenir compte dès le lancement.
Commencer par la lecture
Le learning engage la preuve et la conformité. Les premiers tools sont donc en lecture seule.
"On ne peut pas se permettre de laisser l'IA écrire ce qu'elle veut dans nos systèmes."
Les premiers cas d'écriture arriveront dans des cadres très compartimentés.
5. Un serveur MCP custom plutôt qu'une couche clé en main
"Je pense que pour mille personnes, on n'aurait pas du tout eu les mêmes enjeux de scalabilité, de respect des visibilités et de sécurité."
Une équipe dédiée gère toute l'infrastructure API, dont la partie serveur. Elle a testé les couches MCP posées directement sur des endpoints existants. Certaines exposaient trop d'endpoints. D'autres ne couvraient pas les cas précis ou les règles de visibilité.
"Les solutions faciles et rapides ne matchaient pas notre besoin, nos requirements. Et finalement, on est parti sur un MCP Server custom qu'on a développé nous-mêmes avec différentes briques."
Le serveur assemble plusieurs briques : le serveur MCP, l'authentification, puis les tools. Pour Adrien Gros, un tool correspond à un grand cas d'usage, pas à un endpoint. Le tool de recherche trouve cours, activités et parcours, jusque dans le contenu. Il repose sur trois ou quatre endpoints. Le prochain tool donnera à l'IA le contexte de l'utilisateur.
Côté modèle économique, le MCP ne génère pas de coûts d'IA pour 360Learning. Il génère en revanche des coûts d'infrastructure, notamment de recherche. La version bêta et les tools actuels restent gratuits. L'équipe surveille les usages pour confirmer une offre incluse dans le cœur du produit.
6. Pourquoi un agent entre l'application et l'API
La plateforme avait déjà un compagnon IA. C'est un panneau de chat contextuel, avec une Smart Search sur le contenu de la plateforme. Il facilitait la lecture, pas l'édition.
L'application permet d'éditer, mais une action à la fois. L'API publique permet les actions massives, mais exige une équipe technique. L'agent vise l'administrateur non technique qui veut agir en masse.
Ismaël Aliouat reprend « Le bon, la brute et le truand ». L'application, c'est Clint Eastwood : le chemin balisé. L'API, c'est Tuco : l'action directe. L'agent, c'est Lee Van Cleef : le débrouillard, à qui l'on donne une intention.
Un seul cas d'usage pour commencer
L'agent utilise des outils qu'il faut souvent développer. Les routes d'API publiques existantes n'avaient pas la granularité utilisateur. Il a fallu ajouter une couche d'authentification utilisateur.
Donner plus d'outils à l'agent ne garantit pas une meilleure qualité.
"C'est assez bien documenté qu'au plus il a d'outils, au moins il choisit bien."
L'équipe a donc priorisé l'administration du catalogue. Exemple type : un auteur quitte l'entreprise et laisse cent cours derrière lui. Changer l'owner de ces cours en une requête évite cent actions manuelles.
Dans la démo, l'agent archive 118 modules créés en 2025. Il prépare un plan, attend la validation, exécute, puis propose d'annuler.
7. Contrôle, prévisibilité, réversibilité
Trois principes ont été fixés dès le départ.
Contrôle
L'agent agit toujours au nom de l'utilisateur, authentifié comme lui. Il n'accède qu'au contenu que l'utilisateur peut lire ou éditer. Chaque plan est validé par l'utilisateur avant toute action.
Prévisibilité
Le plan affiché doit être exactement celui qui sera exécuté.
"Donc, ce qu'on me montre, je dois être sûr que c'est absolument ce qui va être déclenché."
Réversibilité
Chaque plan embarque son plan inverse. Sans lui, annuler une édition de centaines de cours serait très difficile. Les sessions sont conservées vingt-quatre heures en cache. Le plan reste annulable pendant ce délai.
8. Le workflow de l'agent, étape par étape
Classifier l'intention
Le panneau de chat accepte des demandes variées. Une première étape détermine s'il s'agit d'une édition agentique.
Boucle agentique et plan structuré
L'agent choisit parmi des outils de lecture et de recherche. Pour un cours nommé approximativement, il passe par le moteur de recherche. Il produit ensuite un plan structuré. Les endpoints d'édition sont hardcodés et mappés sur des clés. L'agent ne peut donc jamais inventer un endpoint.
Un résumé écrit par la plateforme, pas par le LLM
La plateforme traduit le plan programmatique en langage naturel.
"Cette phrase-là, elle est construite de façon déterministe. Ce n'est pas le LLM qui va l'écrire."
Un seul mot faux dans le résumé suffirait à tromper l'utilisateur qui valide.
Exécution et reporting
L'agent ne réinterprète plus le plan à l'exécution. Il le récupère et lance les appels API. Le reporting est écrit par item : quatre-vingt-dix-neuf succès et un échec, par exemple. L'administrateur peut annuler ce qui a réussi.
Une interface hybride pour affiner la demande
En parallèle du chat, une table liste tous les éléments visés. L'utilisateur peut décocher des éléments avant de valider. Exclure cinq cours sur cent est difficile à formuler en langage naturel. Le bouton de validation se met à jour en direct.
Les actions à effets de bord
Une action à effets de bord déclenche une fenêtre d'avertissement avant exécution. Pour les emails, un buffer retarde l'envoi de quelques secondes ou minutes. L'utilisateur voit à l'avance ce que son action va déclencher.
9. IA générative, adoption et coûts
L'équipe fait de l'IA depuis avant 2022, d'abord en machine learning et en recommandation. La génération de cours est venue ensuite, à partir de documents bruts. Les dernières activités sont générées en HTML : flashcards, frises chronologiques interactives.
Aujourd'hui, un cours sur quatre est créé avec l'IA. Cela représente plusieurs milliers d'auteurs.
L'adoption du compagnon a été multipliée par huit depuis septembre. Le levier : rendre le compagnon conscient du contexte de l'utilisateur. Sa profession, ses enjeux, son historique de formation.
Les coûts restent sous contrôle. Les coûts d'infrastructure de recherche équivalent aux coûts de consommation des modèles. La recherche a connu un pic en début d'année. L'infrastructure a été retravaillée pour absorber les nouveaux cas d'usage, MCP compris.
La progression a été incrémentale : RAG, puis workflows, puis agents, puis MCP. Chaque couche a été ajoutée parce qu'elle seule débloquait un cas d'usage. L'étape suivante : une tour de contrôle pour monitorer et automatiser les agents.
10. Le SaaS face aux agents externes
Pour Adrien Gros, l'interface reste importante. L'agent dans la plateforme montre ce qu'il fait, en direct. Il aide aussi à utiliser un logiciel devenu complexe.
La vraie question porte sur la valeur du logiciel.
"Si c'est uniquement de faire des choses dans une belle interface, en effet, tu vas te faire concurrencer par n'importe quel IA."
La valeur de 360Learning tient au contenu propriétaire et au suivi des compétences. L'équipe anticipe qu'une partie des utilisateurs ne se connectera plus à la plateforme. Il faut donc des capacités headless, sans renoncer à l'interface. Adrien Gros prévoit un mix des deux, selon les comptes et les utilisateurs.
11. De Software Engineer à AI Engineer
L'organisation de la squad IA
La squad compte trois parties. Le produit, avec Adrien Gros et une designer. Le software engineering, qui intègre l'IA dans la plateforme. Le machine learning, qui gère un service à part pour les appels aux LLM.
Un rôle qui a changé en quatre ans
À l'arrivée d'Ismaël Aliouat, l'équipe déployait ses propres modèles. Avec ChatGPT, elle est passée à l'appel de services. Le machine learning classique demeure, notamment pour la recommandation.
Ce qui change
Le LLM n'est pas déterministe, il faut designer autour. Un bug est plus difficile à reproduire : il peut venir du prompt, du modèle ou du contexte. On ne teste plus un output exact, mais une trajectoire d'agent. Le prototypage prend plus de place, avec beaucoup d'itérations sur le prompt.
Ce qui reste
System design, API, cache, latence, trafic. Du code clean, typé, testé et observable. La proximité avec le produit et le parcours utilisateur.
"Si vous êtes intéressé en tant que software engineer de faire un move vers AI engineer en fait vous partez pas du tout de zéro."
Les compétences attendues
Raisonner en système : choisir entre agent, MCP, workflow ou appel direct au LLM. Assembler des briques : classification d'intention, RAG, reformulation de requête. Penser observabilité, évaluation, choix des modèles et latence.
Le code à l'heure de Claude Code
Ismaël Aliouat code avec Claude Code et n'écrit plus de lignes à la main.
"Jamais je vais laisser Claude pousser du code que je n'ai pas entièrement compris, entièrement revu."
Pour Adrien Gros, les ingénieurs deviennent des orchestrateurs et des architectes. La review et le merge restent entre leurs mains, faute de garde-fous suffisants.