Les agents de mémoire persistante revalorisent les logiciels

En bref : Les agents à mémoire persistante comme Hermès transforment l'IA d'un chatbot auquel on donne des instructions en une infrastructure à laquelle on délègue, et ce changement, et non l'intelligence brute du modèle, revalorise le logiciel d'entreprise en 2026.

L'interne amnésique

Pendant trois ans, l'IA d'entreprise a été un stagiaire brillant qui oubliait votre nom chaque fois qu'il sortait de la pièce. Vous tapiez, il répondait, il éblouissait, puis tout était effacé. Ouvrez une nouvelle conversation le lendemain matin et vous recommenciez : le compte, la base de code, la manière dont le directeur financier aime que les écarts soient présentés. Tout le monde l'acceptait parce que le truc était nouveau et que les réponses étaient bonnes.

Cet oubli était le cœur du problème. Un véritable collègue transporte le contexte avec lui. Il se souvient du client qui déteste le jargon et du déploiement qui a échoué le trimestre précédent. On ne peut pas confier du travail à quelque chose qui oublie la mission dès qu'on détourne le regard, c'est pourquoi la mémoire, et non un autre point d'intelligence de référence, s'est avérée être ce qui se dressait entre une démo astucieuse et un véritable collaborateur.

2026 est l'année où le mur est tombé. L'endroit le plus clair pour l'observer est un projet open-source portant le nom du dieu messager grec.

Ce qu'est réellement l'agent Hermès

Hermes Agent est un agent autonome open-source sous licence MIT provenant de Nous Recherche qui tourne à plein temps sur du matériel que vous contrôlez, se souvient de vous entre les sessions, exécute ses propres tâches planifiées, et crée de nouvelles compétences pour lui-même au fur et à mesure.¹ Un chatbot s'assoit et attend que vous tapiez. Hermès fonctionne comme un démon : il reste actif en arrière-plan, se réveille selon un calendrier et accomplit des tâches pendant que vous dormez.²

Trois aspects de sa conception devraient intéresser tout directeur de la technologie (CTO) ou tout directeur des systèmes d'information (CIO).

Il se souvient, et il le fait à la vue de tous. Hermes conserve deux types de mémoire : de petits fichiers locaux que vous pouvez ouvrir et lire (a MÉMOIRE.md et un README.md), plus des fournisseurs de mémoire externe optionnels lorsque vous en avez besoin de plus. Plus il fonctionne longtemps, plus il vous connaît. C'est le même principe que les meilleures équipes intègrent désormais dans chaque agent : une mémoire de travail étroite qui est toujours chargée, et une archive plus profonde vers laquelle il se tourne à la demande.

Il se délègue à lui-même. Donnez un gros travail à Hermès et il génère des sous-agents, chacun avec son propre contexte et son propre bac à sable, puis rassemble les résultats.³ Un orchestrateur peut lancer une douzaine de requêtes de recherche à la fois, vérifier cinq serveurs en parallèle et traiter une file d'attente sans étouffer une seule fenêtre de contexte.

Il apprend sur le tas. Résolvez un problème épineux une fois, et Hermès consigne la correction comme une compétence réutilisable, de sorte que la prochaine fois, il ne s'agira que d'une seule ligne. Cette boucle est ce qui a propulsé le projet dans la fourchette de six chiffres d'étoiles GitHub et en a fait l'un des référentiels à la croissance la plus rapide de l'année.⁴

Vous pouvez l'avoir en marche pour le déjeuner

Hermès est agréablement fastidieux à installer. Sur macOS, Linux ou le sous-système Windows pour Linux (WSL2), c'est une seule ligne :

curl -fsSL https://raw.githubusercontent.com/NousResearch/hermes-agent/main/scripts/install.sh | bash

Après cela, le guide de démarrage rapide vous demande de faire trois appels.¹ Éclaircir une idée : Hermes est indépendant des modèles et communique avec OpenRouter, nous Portal, Anthropic, OpenAI, Google, DeepSeek, Qwen, ou un modèle exécuté sur votre propre machine, en gros tout ce qui parle le format d'API OpenAI.⁵ Donnez-lui des identifiants et une fenêtre de contexte d'au moins 64 000 jetons ; un intégré Docteur La commande vérifie votre version de Python, votre connexion et cette fenêtre avant que vous ne passiez un après-midi à chasser un bug qui n'a jamais existé. Donnez-lui ensuite un foyer. La plupart des gens le garent sur une machine peu coûteuse toujours allumée, et un serveur privé virtuel (VPS) à environ cinq dollars par mois est suffisant pour que le démon fonctionne et que la mémoire s'accumule.⁶

La dernière étape est le changement d'état d'esprit silencieux. Vous n'ouvrez pas une application. Vous mettez en place un petit collaborateur infatigable qui vit sur un serveur.

Où le modèle s'exécute, et où vont vos données

Le modèle est devenu une pièce que l'on échange, comme un pneu. Mais cet échange n'est pas sans conséquences : où il s'exécute décide où vos données vont et à quoi ressemble la facture. Trois options couvrent la majeure partie du terrain, et elles sont très différentes sur cette première question.

Exécutez-le localement, et personne d'autre ne voit les données. Servez un modèle Llama ouvert avec Ollama, llama.cpp, ou vLLM, puis pointez Hermes vers le point d'extrémité local, qui pour Ollama est http://localhost:11434/v1. Les guides communautaires expliquent comment dépasser la limite de 64 000 jetons de la fenêtre de contexte.⁶ C'est la seule configuration où vos invites ne quittent jamais le bâtiment.

Utilisez une passerelle et vous sacrifiez un peu de confidentialité pour la portée. OpenRouter est une interface de programmation d'applications (API) hébergée qui route vers le cloud, pas un environnement d'exécution local : une clé achète l'accès à plus de 200 modèles, vous permettant de changer de cerveau sans recâbler quoi que ce soit. C'est aussi le foyer de Chouette Alpha, le propre modèle d'OpenRouter conçu pour le travail d'agent, avec une fenêtre de contexte d'un million de jetons et une utilisation native d'outils.⁷ Il a été lancé gratuitement, et le piège est réel : le fournisseur enregistre vos requêtes pour entraîner le modèle, alors gardez les données réglementées à l'écart.

Géré par Go, et vous obtenez une évolutivité et une piste d'audit. DigitalOcean Dégradé est une plateforme cloud gérée, ce qui signifie que l'inférence s'exécute dans les centres de données de DigitalOcean et non sur votre ordinateur portable. Elle est devenue généralement disponible en 2026 en tant que service unique d'inférence et d'agent,⁸ et sa couche d'inférence dédiée exécute des modèles de langage volumineux (LLM) open source ou commerciaux sur des unités de traitement graphique (GPU) réservées, avec un plan de contrôle unique pour les applications, les données et les modèles, ainsi que le routage et l'observabilité intégrés.⁹ C'est pour les équipes qui veulent l'autonomie de l'agent et une trace écrite que leurs auditeurs accepteront, et qui sont d'accord pour laisser quelqu'un d'autre gérer les GPU.

Reculez, et le schéma devient clair : l'intelligence brute se transforme en une marchandise que l'on achète au jeton. La valeur durable se situe plus haut, dans la mémoire, l'orchestration et la confiance.

Hermès, Claude Cowork et OpenClaw entrent dans un bar

Le domaine des agents 2026 s'est divisé en trois paris honnêtes. Claude Code veut se rendre indispensable à votre base de code. OpenClaw veut être la couche d'automatisation de toute votre vie. Hermes veut évoluer pour devenir ce dont vous avez besoin et devenir plus performant à chaque utilisation.

	Agent Hermès	Claude Cowork	OpenClaw
Meilleur pour	Bâtisseurs qui veulent un agent qui apprend d'eux au fil du temps	Profanes non techniques qui veulent que ça marche tout simplement	Propriétaires qui veulent auto-héberger toute leur vie
S'exécute comme	Démon persistant sur votre propre VPS/boîte	Mode agentique dans l'application Claude pour ordinateur	Démon local sur votre machine
Mémoire	Persistant, auto-écrivant (MEMORY.md + providers)	Par projet, portée du dossier, mémoire de session	Fichiers Markdown locaux sur le disque
Modèle	Tous : OpenRouter, Ollama/Llama, Claude, GPT	Anthropic Claude uniquement	Apportez votre propre : Claude, GPT, local
Licence / coût	Open source (MIT), VPS d'environ 1 TP à 4 T5 + jetons	Fermé, par siège (Claude Max)	Open-source (MIT), auto-hébergé
Point faible	Polissage et intégration ; vous l'assemblez	Consigne ; vit dans la boîte d'Anthropic	Expansion urbaine ; le pouvoir a besoin de garde-fous

Pour un acheteur, trois choses les séparent. Claude Cowork C'est le choix qui ne pose aucun problème : Anthropic‘L'agent de bureau de [nom du produit] pour les travailleurs du savoir, prend un objectif, ouvre vos fichiers, navigue entre les applications, vous présente un plan et vous rend un livrable terminé. Il est propriétaire et facturé par poste.¹⁰ (Divulgation complète : cet article a été rédigé à l'intérieur de Cowork.) OpenClaw est le choix de ceux qui veulent tout, construit par Peter Steinberger, qui a depuis rejoint OpenAI. Sous licence MIT et local-first, il relie un modèle à votre shell, votre navigateur, vos fichiers et vos applications de messagerie, et il répond à un message texte.¹¹ Hermès C'est le choix idéal pour débuter : auto-hébergé, open source et le plus performant des trois en termes de consommation de mémoire.

La version courte pour l'équipe de direction : Cowork si vous voulez que cela fonctionne tout simplement, OpenClaw si vous voulez posséder chaque élément, Hermes si vous voulez quelque chose qui capitalise sur ce qu'il sait de votre entreprise. La plupart des entreprises finiront par en exécuter plusieurs, et c'est normal.

De parler à une IA à lui confier le travail

Enlevez les logos et le changement en dessous est simple. Nous passons d'un modèle et d'une conversation à un patron et une équipe d'employés. Un système multi-agents se comporte comme une équipe : un agent principal décompose un objectif en morceaux, lance des spécialistes qui détiennent chacun leur propre part de contexte, les exécute en même temps et assemble les réponses. Ajoutez de la mémoire et un calendrier, et l'agent cesse d'être un outil que vous prenez. Il devient un processus qui s'exécute : traitement des tickets pendant la nuit, surveillance d'un chiffre, suivi d'une facture, rédaction de la chose avant que vous ne la demandiez.

C'est la différence entre utiliser l'IA et lui déléguer des tâches. Et c'est la délégation, pas la conversation, qui se reflète dans un compte de résultat.

Dans l'entonnoir : comment un fonds comme Allegory Capital examine et valide les transactions

Le premier endroit où cela arrive est le sommet d'un entonnoir de capital-risque, où le travail est volumineux, exigeant beaucoup de jugement, et pénible à faire manuellement. Prenez une entreprise comme Allegory Capital. Un fonds en phase d'amorçage voit des milliers de présentations par an et n'en lit presque aucune correctement. Dirigez un agent à mémoire persistante vers le flux entrant, donnez-lui la thèse une fois, et il cessera d'être un simple résumé ponctuel. Il se souvient de ce que les associés ont écarté le trimestre dernier et pourquoi, évalue les nouvelles présentations par rapport à cette mémoire vivante, extrait l'historique du fondateur et les comparables du marché, et fait remonter les dix présentations qui méritent une vraie réunion avec le raisonnement attaché.

Vient ensuite la partie ennuyeuse et obligatoire : Connaissez votre client et Connaissez votre entreprise (KYC/KYB). C'est précisément l'examen répétitif et nécessitant beaucoup de réflexion que les flottes d'agents adoptent actuellement. Les plateformes spécialisées déploient déjà des réseaux d'agents pour effectuer des vérifications d'identité, un dépistage des sanctions et des médias défavorables, ainsi qu'un traçage de la propriété, avec le modèle de dépistage intelligent que les équipes de conformité adoptent rapidement.¹³ Les gains rapportés ne sont pas marginaux : l'assistance de l'IA pour la diligence raisonnable réduit considérablement le temps et le coût des examens manuels, et les analystes s'attendent à ce que la majorité des organisations effectuent des diligences raisonnables basées sur l'IA d'ici 2026.¹⁴ Pour un fonds qui réduit l'écart entre un accord verbal et un accord câblé de semaines à jours, avec la piste d'audit intégrée au fur et à mesure.

La mise en garde honnête : une entreprise réglementée fait valider par un humain, et les données sensibles doivent se trouver sur le niveau local ou cloud géré, pas sur la passerelle gratuite qui s'entraîne sur vos instructions. L'agent effectue la collecte et le premier examen. Le partenaire prend toujours la décision.

Le pari de Kainjoo : des spécialistes de la marque technologique qui livrent comme une équipe cinq fois plus grande qu'eux

Le même mécanicien réécrit l'agence. Kainjoo‘Le pari de l'un est que l'un spécialiste de la marque et de la technologie enveloppé dans une flotte d'agents persistants, naviguant comme une équipe cinq fois plus nombreuse, car les agents gardent en mémoire la marque, le catalogue existant et l'historique des campagnes, et exécutent le travail de production en parallèle.

Les preuves examinées par des pairs pointent dans la bonne direction, même si elles n'atteignent pas le niveau de 5x. Dans un essai contrôlé randomisé mené auprès de 758 consultants du Boston Consulting Group, publié dans Science Organisationnelle, les personnes utilisant l'IA ont accompli 12,21 TP3T de tâches supplémentaires, ont travaillé 25,11 TP3T plus vite et ont produit un travail dont la qualité a été jugée supérieure d'environ 401 TP3T ; c'est parmi les moins performants que l'on a observé la plus forte progression, avec une amélioration de 431 TP3T, ce qui témoigne d'un effet remarquable d'égalisation des compétences.¹² McKinsey Les IA génératives attirent 5 à 15 % des dépenses marketing pour la productivité, et placent le marketing et les ventes parmi les quatre fonctions qui détiennent les trois quarts de la valeur de la technologie.¹⁵ Ajoutez un véritable gain de productivité à la diffusion des agents et à la mémoire persistante de la marque, et une petite équipe performante commence à produire comme une équipe beaucoup plus nombreuse. C'est le pari.

C'est là que la RevOps fait boule de neige. Un entonnoir et un volant d'inertie fonctionnent tous deux grâce à la pertinence, et la pertinence est ce que la personnalisation poussée permet d'acquérir. Travaux de McKinsey sur la personnalisation c'est direct : les entreprises qui s'y prennent bien génèrent environ 40 % de revenus supplémentaires grâce à ces efforts par rapport à celles qui ne le font pas, avec une augmentation typique du chiffre d'affaires de 10 à 15 %.¹⁶ Les agents à mémoire persistante rendent cela réalisable à l'échelle d'une petite équipe, mémorisant chaque compte et personnalisant la prochaine interaction, ce qui relève de l'architecture de choix au sens de Thaler et Sunstein, la conception délibérée de la prochaine décision, appliquée à l'ensemble d'un pipeline plutôt qu'à une seule page de destination.¹⁷ Réalisé avec goût, le volant d'inertie tourne plus vite car chaque tour est plus pertinent que le précédent.

La partie inconfortable : le SaaSpocalypse

Une fois qu'un agent peut maintenir le contexte et agir, l'ancienne facture logicielle par siège commence à vaciller. Wall Street l'a dit à voix haute, rapidement. La presse financière l'a baptisé Apocalypse SaaS: environ 285 milliards de dollars de valeur en logiciel-en-tant-que-service effacés en une seule période de 48 heures, avec des estimations plus larges proches d'un billion à mesure que la vente se propageait.¹⁸ Le déclencheur fut presque trop parfait, Anthropic lançant Claude Cowork, et la raison était brutale : les acheteurs commencent à payer pour les résultats plutôt que pour les postes, et un outil qui permet à une personne de faire le travail de cinq personnes casse les calculs sur lesquels une industrie entière était tarifée.¹⁹

Cependant, gardez deux idées à l'esprit. Le changement est réel : la tarification basée sur les résultats, les flux de travail des agents et l'autonomie auto-hébergée changent déjà la façon dont les entreprises achètent. Et les prix sont devenus ridicules : “ L'IA dévore tous les logiciels ” est exactement le genre d'histoire qui gonfle une bulle, et une partie de cette liquidation était une panique, pas un signal. Les gagnants seront ceux qui posséderont la mémoire, les données et la confiance auxquels les agents devront se connecter. Pour un opérateur, le jeu est peu glamour : construisez le contexte propriétaire dont un agent a besoin, et vous devenez plus difficile à remplacer.

Les agents du mur ne peuvent toujours pas grimper : UX/UI

Voici le contrepoids honnête au battage médiatique. Les agents sont spectaculaires pour générer des écrans et médiocres pour concevoir des expériences. Les outils d'IA pour l'expérience utilisateur et l'interface utilisateur (UX/UI) couvrent désormais l'ensemble du pipeline, de Figma's AI builder à Claude's design mode, en passant par Google Stitch et Lovable, et chacun fait vraiment bien son travail.

	Figma + Make	Claude Design	Google Stitch	Aimable
Meilleur pour	Équipes de conception	Fondateurs, chefs de produit, spécialistes du marketing	Exploration de l'interface utilisateur	Expédier un produit réel
Sortie	Conceptions et prototypes	Interface utilisateur + jeux de cartes + marketing	Écrans d'interface utilisateur	Application complète
Système de marque	Natif	Apprend de votre base de code	Base	Pas un accent
Frère codeur	Curseur, Claude (via MCP)	Claude Code	Studio IA	Autonome
Prix	Payé + crédits IA	Payant (abonnements Claude)	Gratuit	Gratuit

Mais regardez ce qu’ils vous remettent réellement : des écrans, des prototypes, une structure. Ce qu’ils ne peuvent pas vous remettre, c’est le jugement. La hiérarchie qui respecte comment l’œil réel d’une personne parcourt une page. Une marque appliquée avec goût plutôt qu’avec des moyennes. L’accessibilité qui répond vraiment à Principes directeurs pour l'accessibilité des contenus Web (WCAG) plutôt que de leur faire signe.²⁰ Les mille petits appels qui distinguent une “application qui ressemble” d'une “application qui semble bien”. Hermès peut orchestrer une douzaine d'agents et ne jamais perdre un seul jeton de conception, et pourtant ne pas remarquer qu'une mise en page est subtilement décalée. Pour l'instant, le goût, la marque et l'accessibilité restent humains, ce qui fait de la conception l'un des emplois les plus défendables restants au sein de l'entreprise.

Autonome sociale et vidéo IA

Nous avons conservé cette pièce sur la couche mémoire à dessein. Deux frontières voisines évoluent tout aussi rapidement et méritent leurs propres récits. L'une est sociale et de contenu autonome, où des agents généralistes comme Manus mener une campagne complète de A à Z comme une simple tâche. L'autre est la vidéo IA, où la boîte à outils explose : Kling, Higgsfield (qui expose désormais plus de 30 modèles d’images et de vidéos comme outils d’agent),²¹ et de Google Je vois 3 transformez une phrase en séquences de qualité diffusion, et elles s'intègrent directement dans les agents que nous venons de décrire. Liez des agents à mémoire persistante à la vidéo et aux réseaux sociaux autonomes, et vous n'avez plus un outil de contenu. Vous avez une équipe de contenu. C'est le prochain article dans cette série.

Ce que les leaders technologiques devraient faire maintenant

L'ère des chatbots était une démo. L'ère des agents est une embauche. Hermes a moins d'importance en tant que produit et plus en tant que preuve : une IA qui se souvient, planifie, délègue et s'améliore est là, elle est open-source et elle fonctionne sur du matériel que vous contrôlez. Les entreprises qui gagneront le prochain cycle seront celles qui auront compris quoi déléguer et qui auront construit une mémoire qui vaut la peine d'être conservée. Où vous commencez dépend de votre position :

• Directeur technique placez un agent à mémoire persistante sur cinq tâches d'ingénierie récurrentes, et faites correspondre le moteur aux données, Llama local pour tout ce qui est réglementé, cloud géré lorsque vous avez besoin d'une échelle gouvernée.
• Directeur des systèmes d'information : Lisez ceci comme un signal d'achat. Poussez les renouvellements par siège vers des conditions basées sur les résultats, et identifiez où le verrouillage concentre discrètement votre risque.
• Alloueurs et opérateurs de capitaux : pointer les agents sur le travail du tunnel à fort volume et à forte charge de jugement, le filtrage des transactions, le KYC/KYB, la personnalisation RevOps et garder un humain pour la validation finale.
• Chefs de produit et de design : garder un humain à la surface de l'UX/UI. Laissez les agents gérer le travail de production pendant que le goût, la marque et l'accessibilité restent les vôtres.

Questions pour vous aider à réfléchir à un choix

Acheter ou auto-héberger ? Si vous voulez zéro infrastructure et que cela ne vous dérange pas de payer par siège, Claude Cowork est la voie la plus courte. Si vous voulez posséder la pile et les données, Hermes ou OpenClaw sur votre propre machine est la solution.

Où les données doivent-elles s'exécuter ? Le travail réglementé ou sensible doit être effectué sur un modèle Llama local, où les invites ne quittent jamais votre périmètre, ou sur une couche cloud gérée avec une piste d'audit. Ne l'envoyez pas sur la passerelle gratuite qui s'entraîne sur ce que vous lui envoyez.

DigitalOcean Gradient est-il une option “ locale ” ? Non. Gradient est un service cloud ; l'inférence s'effectue sur des GPU dédiés dans les centres de données de DigitalOcean. Le seul niveau véritablement local ici est un modèle Llama que vous hébergez vous-même.

Par quoi commencez-vous quand vous déléguez ? Déléguez cinq tâches récurrentes et complexes qui épuisent vos meilleurs employés : le filtrage des candidatures, les contrôles de conformité, la production de campagnes, et confiez-les avant toute tâche sur mesure.

Qu'est-ce qui reste humain ? Le goût, la marque, l'accessibilité et le « oui » final. Les agents proposent les options et effectuent une première sélection ; le choix final revient toujours à l'acheteur.

Références

1. hermes-agent.nousresearch.com/docs/getting-started/quickstart — Nous Research, Guide de démarrage rapide d'Hermes Agent
2. glukhov.org/ai-systems/hermes/hermes-agent-memory-system — Explication du système de mémoire de l'agent Hermès
3. aibuilderclub.com/blog/hermes-nous-agent-auto-ameliorant — Hermès, Présentation de l'agent à amélioration autonome
4. thenewstack.io/comparaison-des-agents-IA-persistants — The New Stack, Agents IA Persistants Comparés
5. hermes-agent.nousresearch.com/fr/docs/integrations/providers — Recherche, Fournisseurs d'IA
6. virtua.cloud/learn/en/tutorials/auto-héberger-l-agent-hermes-vps Héberger soi-même l'agent Hermes sur un VPS + Llama local
7. openrouter.ai/openrouter/owl-alpha — OpenRouter, modèle Owl Alpha (tarifs et spécifications)
8. digitalocean.com/blog/gradient-platform-generally-available — DigitalOcean, Gradient Platform généralement disponible
9. docs.digitalocean.com/products/gradient-ai-agentic-cloud — DigitalOcean, Gradient AI Agentic Cloud (docs)
10. venturebeat.com/technologie/anthropic-lance-cowork — VentureBeat, Anthropic lance Cowork
11. kdnuggets.com/openclaw-explique — KDnuggets, présentation d'OpenClaw
12. pubsonline.informs.org/doi/10.1287/orsc.2025.21838 — Dell’Acqua et al., “ Naviguer à la frontière technologique déchiquetée ”, Organization Science (essai contrôlé randomisé Harvard/BCG)
13. moodys.com/web/fr/fr/kyc/resources/insights/towards-interactive-smart-screening-with-generative-ai-in-kyc-workflows.html — Moody’s, L'IA générative dans le filtrage intelligent KYC
14. fintech.global/2025/11/28/smarter-compliance-how-ai-transforms-due-diligence — FinTech Global, Comment l'IA transforme la diligence raisonnable
15. mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier — McKinsey, Le potentiel économique de l'IA générative
16. mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-value-of-getting-personalization-right-or-wrong-is-multiplying — McKinsey, La valeur d'une personnalisation réussie (Next in Personalization)
17. Thaler, R. H. & Sunstein, C. R. (2008), Coup de pouce : améliorer les décisions concernant la santé, la richesse et le bonheur, Yale University Press — architecture des choix
18. taskade.com/blog/saaspocalypse-explained — Taskade, Le SaaSpocalypse expliqué
19. outlookindia.com/xhub/blockchain-insights/the-saaspocalypse-of-2026 — Outlook, Le SaaSpocalypse de 2026
20. w3.org/WAI/standards-guidelines/wcag — W3C, Recommandations pour l'accessibilité des contenus Web (WCAG)
21. higgsfield.ai/mcp — Higgsfield, modèles d'images et de vidéos MCP pour agents