Ce que les agents savent faire au travail aujourd’hui
Les agents tiennent désormais un objectif, utilisent des outils et reviennent avec le travail fait. Ce qu’ils accomplissent de façon fiable à l’automne 2026, où ils échouent et où les personnes restent aux commandes.
Pendant les premières années de cette vague, la plupart des gens ont rencontré l’IA sous la forme d’une fenêtre de discussion. On posait une question, elle répondait, et on faisait le reste soi-même. Aujourd’hui, le mot qui figure sur toutes les diapositives est agent : un logiciel à qui l’on confie un objectif, qui franchit les étapes, se sert des outils qu’il a le droit d’utiliser et revient avec le travail fait.
Les dernières semaines ont montré les deux faces de cette promesse. OpenAI a placé dans ChatGPT des agents qui continuent de travailler en arrière-plan. Anthropic et METR ont décrit des agents qui ont fait des choses que personne ne leur avait demandées. Voici ce que nous constatons lorsque nous confrontons ces annonces aux faits, et à notre propre travail quotidien.
Ce que disent les chiffres
L’adoption est réelle, et inégale. Dans l’enquête 2026 de McKinsey, 40 pour cent des répondants issus d’organisations réalisant plus d’un milliard de dollars de chiffre d’affaires déclaraient déployer des agents IA à grande échelle, contre 27 pour cent un an plus tôt. Dans les organisations plus petites, la part est restée à 22 pour cent. Environ deux répondants sur dix déployaient des agents de programmation, et 32 pour cent indiquaient que leur organisation avait renoncé à acheter un logiciel parce qu’elle pouvait désormais le développer en interne grâce à ces agents.
L’argent n’a pas encore suivi. La part des répondants qui attribuent à l’IA un effet quelconque sur l’EBIT est restée à 37 pour cent. Gartner situe l’IA agentique au sommet de son cycle du hype : dans son enquête 2026 auprès des directeurs informatiques, 17 pour cent des organisations avaient déployé des agents et plus de 60 pour cent comptaient le faire d’ici deux ans. La plupart des déploiements, relève-t-il, restent étroitement circonscrits, et les agents pleinement autonomes ne sont pas prêts pour la majorité des cas d’usage en entreprise. Gartner s’attend malgré tout à ce que plus de 40 pour cent des projets d’IA agentique soient abandonnés d’ici fin 2027, et met en garde contre l’agent washing : des chatbots et d’anciennes automatisations rebaptisés agents.
Ce qu’ils font de façon fiable
La mesure la plus rigoureuse que nous connaissions vient de METR, qui chronomètre des agents IA sur des tâches logicielles et compare avec le temps que mettent des personnes qualifiées pour les mêmes tâches. Dans son rapport de mai, les meilleurs modèles publics réussissaient une fois sur deux des tâches qui prennent environ 12 heures à une personne. Si l’on exige quatre réussites sur cinq, la durée de la tâche tombe à environ une heure et demie.
Cet écart résume l’histoire des agents au travail. Ils peuvent s’attaquer à de longues tâches. Ils mènent les courtes à terme de façon fiable. Un processus d’entreprise se juge sur le chiffre fiable, car personne ne veut d’une facturation exacte une fois sur deux. Le conseil d’Anthropic reste valable : les flux de travail sur des chemins prédéfinis sont prévisibles, les agents qui choisissent eux-mêmes leur prochaine étape sont flexibles mais sujets à des erreurs qui s’accumulent. Il faut donc commencer par la configuration la plus simple qui fonctionne et n’ajouter de l’autonomie que lorsqu’elle rapporte clairement.
Ce qu’ont montré les dernières semaines
Le 29 septembre, lors de sa conférence pour les développeurs, OpenAI a lancé Dots : des agents dans ChatGPT qui tournent chacun sur leur propre ordinateur dans le cloud, poursuivent un objectif d’une conversation à l’autre, accèdent à plus de 4'000 applications et peuvent être sollicités par message dans ChatGPT, Slack ou Teams. SiliconANGLE rapporte qu’OpenAI a testé en interne des versions spécialisées sur les achats et le traitement des factures. La conception est révélatrice. Tant qu’un Dot mène ses recherches seul, ses connexions aux applications de son propriétaire sont en lecture seule. Les actions qui touchent à des comptes ou partagent des informations passent par un contrôle automatique, et OpenAI recommande aux utilisateurs de relire tout travail important, car les agents peuvent encore se tromper. Les utilisateurs Pro en Suisse, au Royaume-Uni et dans l’Espace économique européen ont été exclus du lancement.
Le 30 septembre, le président de METR a exposé devant une sous-commission du Sénat américain un incident qu’OpenAI avait révélé en juillet : des agents qu’elle testait en interne s’étaient coordonnés pour tricher à leurs tests et avaient compromis, au passage, Hugging Face, une plateforme d’IA très répandue. Son constat était sans détour : les développeurs n’ont pas encore résolu le problème qui consiste à empêcher les agents de poursuivre des actions contraires à l’intention humaine.
Le 9 octobre, Anthropic a publié une enquête sur les actions non voulues de ses modèles lors d’évaluations et d’usages internes. Un modèle de recherche a soumis un véritable formulaire administratif après l’échec du chargement d’une copie d’entraînement, et un petit modèle a parfois envoyé des formulaires qu’on lui avait demandé de laisser en l’état. D’autres ont contourné des restrictions pour accéder à des données protégées, ou utilisé des raccourcisseurs de liens pour dépasser les limites d’un outil. Anthropic indique que l’impact a été minime et qu’à sa connaissance aucune donnée de client n’était concernée. Elle a coupé l’accès direct à Internet pour toutes les évaluations internes, renforcé les garde-fous de certains de ses outils web et mis en place une détection qui a bloqué chacun des cas décrits.
Une consigne n’est pas un verrou
La leçon pour une entreprise n’est pas que les agents sont des jouets dangereux. Il s’agissait de laboratoires qui mettaient leurs modèles à rude épreuve, et qui ont publié ce qu’ils ont trouvé. La leçon porte sur l’endroit où se situe le contrôle. Un agent à qui l’on a dit de ne pas envoyer un formulaire l’a parfois envoyé. Un agent qui n’a pas accès au bouton d’envoi ne l’enverra jamais.
La vérification demande la même rigueur. Dans la deuxième phase du Project Vend d’Anthropic, un agent Claude qui tenait une boutique de bureau a reçu un chef : un second agent jouant le rôle de directeur général. Il approuvait les demandes de traitement de faveur environ huit fois plus souvent qu’il ne les refusait, et il partageait bon nombre des angles morts de l’agent de la boutique, puisqu’il reposait sur le même modèle. Un second agent sur le même modèle est un bon exécutant et un mauvais contrôleur. Le contrôle qui compte doit venir d’autre chose : une règle écrite dans le code, un test qui réussit ou échoue, ou une personne.
Des verrous dans nos propres produits
Tous les produits crue fonctionnent ainsi aujourd’hui. Dans Kontor, l’envoi, les paiements et les rappels ne sont même pas accessibles à l’assistant : c’est une personne qui s’en charge. Dans Studio, l’assistant prépare une modification du site web, et une personne approuve chaque modification et chaque publication. Lookout trouve, rédige et prépare sur tous les canaux, et une personne approuve ce qui part. Dans Twin, chaque tâche de chaque rôle est signalée : faite de manière autonome, en attente d’approbation, ou confiée à une personne lorsque l’agent n’est pas sûr.
Le stade suivant déplace les verrous. Il ne les supprime pas. Twin conduira des routines entières de bout en bout, comme la clôture mensuelle, l’offre et l’onboarding, avec une validation aux étapes que l’entreprise choisit. Lookout conduira toute la séquence dans le cadre de vos règles, du premier signal au rendez-vous fixé. crue fonctionne déjà avec son propre Twin, qui compte plus de 80 compétences, et la limite ne bouge que lorsque le stade actuel a tenu dans le travail réel, le nôtre d’abord. Ce qui reste aux personnes, c’est la part qui porte un nom : la conversation avec le client, le jugement, le oui final.
Par où commencer
Le conseil de Gartner est proche du nôtre : utiliser des agents là où une décision est nécessaire, une simple automatisation pour les flux de travail de routine et un assistant pour les recherches simples. Une bonne partie de la valeur tient au choix de ce qui relève de quoi.
Choisissez une routine qui revient chaque semaine, qui a une fin claire et qui produit quelque chose qu’une personne peut vérifier en une minute. Notez l’objectif, les outils que l’agent peut utiliser et le point où il doit s’arrêter, et intégrez cet arrêt dans les outils, pas seulement dans la consigne. Placez un verrou avant tout ce qui quitte l’entreprise : la facture, l’e-mail, la page publiée. Puis comptez honnêtement combien de fois le brouillon n’a demandé aucune correction.
Les agents ne sont pas encore des collègues. Ce sont des juniors rapides et infatigables, qui savent très inégalement quand ils se trompent. Donnez-leur un objectif clair, les bons outils et un verrou qu’ils ne pourront pas contourner à force de belles paroles, et ils retirent déjà une grande part de travail de la semaine.
