Les *data spaces* sont conçus pour permettre un partage de données inter-organisationnel sous contrôle, avec des règles de gouvernance, d’interopérabilité et de souveraineté. Mais leur articulation avec des agents IA pilotés par des LLM reste délicate : d’un côté, des interactions probabilistes en langage naturel ; de l’autre, des infrastructures fortement contraintes par des politiques d’accès et des mécanismes normalisés.
Dans cet article, les auteurs proposent une approche de médiation architecturale fondée sur le Model Context Protocol (MCP). Leur idée consiste à insérer une couche intermédiaire, implémentée via un agent nommé Eunomia Agent, capable de traduire les capacités d’un data space en outils structurés, guidés par des schémas, que les agents LLM peuvent découvrir et invoquer. L’objectif est de rendre l’interaction plus contrôlable tout en préservant les contraintes de gouvernance.
Le prototype présenté couvre plusieurs étapes de bout en bout : découverte de catalogues, récupération de métadonnées et invocation de services de données. Selon le résumé, cette intégration a été réalisée sans modification des composants existants du data space, ce qui constitue un point important pour les organisations déjà engagées dans ce type d’architecture. Les résultats avancés suggèrent qu’une médiation par protocole peut favoriser une intégration interopérable et alignée sur les standards.
Au-delà de la démonstration technique, la publication apporte surtout un cadre pratique pour introduire de l’automatisation par agents IA dans des environnements de partage de données gouvernés. Le détail des performances, des limites ou des conditions de déploiement à grande échelle n’apparaît pas dans le résumé disponible. Mais le travail met en avant une piste crédible pour concilier agents LLM, conformité et séparation des responsabilités dans les écosystèmes de données.