Zapier dévoile des couches d'instructions cachées et des requêtes Markdown lors de la navigation des agents IA

Zapier a publié des résultats techniques montrant que les agents IA ne digèrent pas les pages web de la même manière que les utilisateurs humains ou les scrapers web traditionnels, mettant en lumière des étapes d'architecture cachées au sein d'outils courants comme WebFetch. Lors de tests utilisant Claude Code d'Anthropic, Zapier a découvert que les extracteurs web des agents accèdent à des miroirs de pages en Markdown avant le HTML et acheminent le contenu de la page via un modèle de résumé intermédiaire avant même que le modèle appelant ne reçoive les données.

Ce qui s'est passé

Selon le blog de Zapier, l'entreprise a développé un banc de test expérimental appelé « Agent Arm Runner », exécutant Claude Code dans un conteneur Docker avec un proxy inverse pour isoler les modifications de contenu tout en maintenant les URL des pages constantes. Lors d'un test sur sa page d'intégration Slack, Zapier a supprimé les détails d'intégration du corps HTML, s'attendant à ce que l'agent renvoie des résultats vides. Au lieu de cela, l'agent a continué à renvoyer des déclencheurs et des actions Slack détaillés car WebFetch a demandé text/markdown avant text/html, récupérant un miroir Markdown non modifié que le serveur de Zapier a servi automatiquement. Zapier a confirmé ce flux de données en injectant une chaîne canary (ZPR-CANARY-7Q2K9-AGD256-MD) dans le fichier Markdown, qui a été transmise directement au résumé de l'agent.

Zapier a également enregistré le trafic du proxy montrant que, bien que la tâche de niveau supérieur s'exécute sur Opus 5, WebFetch a transmis le contenu de la page récupérée à un modèle secondaire, claude-haiku-4-5-20251001, pour un traitement préliminaire. Ce modèle Haiku intermédiaire fonctionnait sous des instructions système distinctes, incluant une limite stricte de 125 caractères sur les citations et des règles de paraphrase obligatoires, filtrant le texte avant qu'il n'atteigne le modèle principal.

Parallèlement, le fournisseur d'automatisation d'entreprise UiPath a souligné dans un rapport distinct que l'analyse brute des documents n'est plus le principal goulet d'étranglement opérationnel. Citant des données du Bureau of Land Management des États-Unis montrant plus de 22 millions d'acres fédéraux loués sur 91 000 puits, UiPath a noté que les équipes d'automatisation passent de la lecture de base à des architectures multicouches qui coordonnent l'extraction de documents, l'exécution de systèmes en aval et l'approbation humaine — citant le déploiement par Continental Resources d'agents UiPath pour les relations avec les propriétaires et les flux de travail sur les redevances.

Pourquoi c'est important pour les ingénieurs en automatisation

Pour les équipes des opérations et les ingénieurs en automatisation qui construisent des flux de travail d'agents, les conclusions de Zapier remettent en cause une hypothèse clé : le fait de fournir une URL web ou une page de documentation interne à un agent IA donne à votre modèle principal un accès direct au texte source. En réalité, les chaînes d'outils des agents modernes introduisent des couches intermédiaires cachées. Si un modèle de résumé secondaire applique des limites de caractères ou impose des paraphrases, des paramètres critiques — tels que des points de terminaison API, des règles de conformité ou des instructions précises de flux de travail — peuvent être modifiés ou supprimés avant que votre agent principal ne prenne une décision opérationnelle.

Cela reflète des changements plus larges dans l'automatisation opérationnelle. Comme l'a souligné UiPath, l'extraction de texte à partir de documents ou de pages web n'est que la première étape ; la connexion des données extraites à des étapes système exploitables tout en respectant les normes de gouvernance telles que le NIST AI Risk Management Framework détermine la fiabilité dans le monde réel. Les équipes d'automatisation ne peuvent pas traiter l'ingestion par les agents comme une boîte noire. Si vos flux de travail dépendent d'agents consommant de la documentation interne, des portails de fournisseurs ou des miroirs web, vous devez optimiser pour les représentations Markdown et tenir compte du filtrage des modèles intermédiaires.

Que faire cette semaine

1. Auditez vos serveurs web et vos outils de documentation interne pour voir s'ils répondent aux en-têtes accept: text/markdown, en veillant à ce que les mises à jour de contenu s'appliquent aux points de terminaison Markdown ainsi qu'au HTML.

1. Intégrez des chaînes canary uniques dans les principales pages web internes pour suivre quelles représentations de contenu vos agents IA ingèrent réellement lors des tâches de navigation.

1. Examinez les configurations de votre chaîne d'outils d'agents pour identifier si les outils de récupération intermédiaires appliquent des règles de troncature de citations ou de paraphrase susceptibles d'altérer des données opérationnelles critiques.

Sources

• What we learned by watching Claude read Zapier.com — Zapier Blog
• AI can read the deed. What happens next? — UiPath Blog