Google Cloud et Cornelis musclent monitoring et réseau des agents IA

Google Cloud ajoute des outils de supervision, d’évaluation et de contrôle des coûts pour ses agents IA. De son côté, Cornelis lance CN6000, une famille réseau 800G pensée pour accélérer les clusters IA et HPC.

Google Cloud a présenté le 13 novembre 2026 de nouveaux outils de monitoring, d’évaluation et de contrôle budgétaire pour ses agents IA, avec des garde-fous sur les données sensibles et des tableaux de bord dans BigQuery et Looker. Dans le même temps, Cornelis a dévoilé le 12 novembre CN6000, une famille de réseau 800G destinée aux clusters IA et au calcul haute performance. Deux annonces différentes, mais un même fil rouge : rendre les systèmes d’IA plus observables, plus rapides et un peu moins surprenants pour les équipes qui les exploitent.

Quand l’agent IA devient un service à surveiller de près

Chez Google Cloud, la nouveauté repose sur une séparation nette entre télémetrie opérationnelle et contenu des conversations. Les métriques agrégées passent par Cloud Monitoring, tandis que Cloud Trace suit les étapes d’exécution sans exposer les prompts, les réponses, les pensées internes du modèle ni le SQL généré. Autrement dit, l’administrateur voit le moteur, pas forcément tout ce qui se dit dans l’habitacle.

Les agents Conversationnal Analytics gérés par Google émettent cette télémétrie automatiquement. Les agents personnalisés créés avec l’Agent Development Kit, ou ADK, et LangGraph peuvent aussi envoyer des données structurées avec une instrumentation en une ligne. Le tout atterrit dans des tables BigQuery détenues par le client, avec ses propres permissions, ses clés de chiffrement gérées par le client et VPC Service Controls.

Ce choix compte pour les entreprises qui veulent industrialiser leurs agents sans perdre la main sur la gouvernance. Google indique aussi que la journalisation des conversations reste opt-in, agent par agent, et qu’elle saute certaines conversations lorsque la source de connaissance utilise la sécurité au niveau des lignes, les policy tags de colonnes ou le masquage dynamique des données. Si une erreur de log survient, la session de chat continue. Le système évite donc de transformer un outil de suivi en aspirateur à secrets, ce qui aurait été un peu trop pratique pour être rassurant.

Des tableaux de bord à la facture, il n’y a parfois qu’une requête

La même couche BigQuery sert aussi à piloter les coûts. Chaque tour de conversation enregistre les volumes de tokens d’entrée, de sortie, de pensée et mis en cache, ainsi que la latence totale. BigQuery Studio fournit des tableaux de bord prêts à l’emploi sur l’usage, les sessions actives, les sources de connaissance les plus sollicitées et la latence. Looker expose de son côté des dashboards System Activity pour Conversational Analytics, avec l’engagement et l’usage des tokens.

Google Cloud ajoute aussi des limites de consommation. Les requêtes BigQuery peuvent être bloquées avant exécution grâce à des plafonds sur les octets analysés, calculés en dry-run. Des quotas journaliers de tokens d’entrée et de sortie sont en preview pour BigQuery et l’API Conversational Analytics, applicables par projet, utilisateur ou agent. Le message adressé aux équipes est clair : on ne surveille plus seulement après coup, on peut aussi couper le robinet avant la surconsommation.

Évaluer avant de déployer, puis garder les résultats sous la main

Google Cloud met également en avant Prism, un outil open source qui teste les agents Conversational Analytics branchés sur des tables BigQuery ou des explorations Looker. Il permet de construire des suites de tests réutilisables, d’écrire des assertions par expression régulière et de vérifier la qualité des réponses avant qu’un changement de prompt, de modèle ou de schéma n’arrive en production. Les résultats peuvent être écrits dans des tables BigQuery partitionnées par jour, à côté des journaux de production.

Une évaluation native des agents BigQuery est aussi disponible en preview via une API et un notebook Colab guidé. Dans cette architecture, les équipes peuvent comparer le comportement d’un agent en test et en production dans le même entrepôt de données, avec les mêmes contrôles d’accès. C’est plus propre, et surtout plus simple à auditer quand un agent commence à répondre avec beaucoup d’aplomb à une mauvaise question.

CN6000, ou comment parler plus vite entre machines

Cornelis, lui, s’attaque à un autre goulot d’étranglement : le réseau entre les serveurs. CN6000 est une famille d’adaptateurs et de commutateurs réseau 800G pensée pour les charges IA et HPC, avec des versions Omni-Path et Ethernet. L’entreprise annonce jusqu’à 1,6 milliard de messages par seconde sur son Omni-Path SuperNIC, un chiffre bidirectionnel et agrégé, qui ne dit pas à lui seul si un modèle sera vraiment plus rapide en production.

Le constructeur dit aussi avoir mesuré une latence de 0,95 microseconde dans un test interne de ping-pong MPI de 8 octets, contre 1,2 microseconde pour NVIDIA InfiniBand XDR à 800G, soit environ 21 % de moins dans ce cadre précis. Le point important est la nuance : la bande passante, le débit de messages et la latence ne mesurent pas la même chose. Un réseau peut briller sur les petits échanges sans rendre magique un job distribué mal conçu.

CN6000 intègre aussi du RoCEv2 sur Ethernet, du contrôle de flux basé sur les crédits, de l’acheminement adaptatif, deux plans de données 400G, ainsi que des fonctions de sécurité comme le secure boot, l’attestation d’équipement et des signatures post-quantiques. Cornelis indique que le matériel est disponible pour évaluation et premiers déploiements, avec des systèmes partenaires attendus au premier trimestre 2027. Pour les acheteurs, la vraie question reste celle du workload réel : calcul scientifique, inférence disagrégée, transfert de KV cache, congestion, logiciel réseau, tout se joue dans le détail.

Points clés

  • 13 novembre 2026 : Google Cloud étend monitoring et quotas.
  • 12 novembre 2026 : Cornelis lance CN6000 en 800G.
  • BigQuery devient le socle commun des logs clients.
  • Prism compare les agents avant changement de production.
  • Cornelis annonce 1,6 milliard de messages par seconde.
  • Les partenaires CN6000 sont attendus au T1 2027.

En chiffres

  • 0,95 microseconde — latence CN6000 dans un test MPI interne, 8 octets.
  • 1,2 microseconde — latence NVIDIA InfiniBand XDR dans le même test.
  • 800G — capacité annoncée pour CN6000, au 12 novembre 2026.
  • 1,6 milliard de messages par seconde — capacité agrégée bidirectionnelle annoncée par Cornelis.
  • T1 2027 — disponibilité des systèmes partenaires annoncée par Cornelis.

À lire