Points clés de cet article

  • L’IA agentive se distingue des assistants classiques, car elle élabore et exécute des plans de manière autonome à partir des objectifs fixés par l’utilisateur.
  • Sa forte capacité d’adaptation lui permet de gérer des tâches et des situations qui n’ont pas été définies à l’avance, ce qui la rend précieuse dans des environnements de travail mouvants.
  • Utilisée comme main-d’œuvre virtuelle, elle peut faire bondir la productivité, même si des défis persistent en matière de fiabilité et de vérification.
  • Un déploiement pilote à petite échelle, une priorité donnée à la qualité des données et une répartition claire des rôles entre humains et IA sont des conditions essentielles pour réussir.
  • À mesure que les agents d’IA se généralisent, le travail humain devrait se recentrer sur la décomposition des tâches, leur affectation et la relecture des livrables.
  • Mais si ces arbitrages, ces affectations et ces revues peuvent eux aussi être confiés à des agents, que restera-t-il aux humains… ? Et si Skynet finissait vraiment par débarquer ?

Introduction

Quand on pense à l’IA, on imagine volontiers des « outils passifs » comme les chatbots ou les systèmes de recommandation. La nouvelle génération d’IA agentive, en revanche, dispose d’une véritable autonomie : elle planifie par elle-même l’atteinte d’un objectif défini par l’utilisateur et agit en dialoguant avec des outils externes. Cette technologie pourrait considérablement fluidifier les activités quotidiennes telles que la gestion de tâches, la rédaction de documents ou la recherche, tant pour les individus que pour les petites équipes.

Cet article présente les caractéristiques et les usages possibles de l’IA agentive, puis réfléchit aux transformations qu’elle pourrait provoquer dans notre manière de travailler lorsqu’elle deviendra courante. Même si un déploiement complet paraît prématuré, expérimenter dès maintenant aide à repérer les marges de progression dans son propre travail.

Qu’est-ce que l’IA agentive ?

Les agents s’appuient sur des modèles de langage de grande taille (LLM) et partagent les caractéristiques suivantes :

  • Autonomie ou semi-autonomie : après avoir reçu des instructions générales, ils imaginent eux-mêmes les étapes nécessaires et bâtissent un plan progressif. Contrairement aux assistants traditionnels qui s’arrêtent à un échange question-réponse, ils peuvent piloter le flux de travail jusqu’à la livraison du résultat.
  • Forte capacité d’adaptation : ils restent suffisamment souples pour gérer des tâches non spécifiées ou des situations nouvelles, ce qui les rend efficaces dans les projets pleins de changements ou d’incertitudes.
  • Main-d’œuvre virtuelle : ils automatisent des tâches répétitives comme la collecte de données, l’analyse ou la rédaction de rapports, permettant aux humains de se concentrer sur des activités créatives.

En contrepartie, l’introduction d’agents soulève des défis, notamment la garantie de la fiabilité et la difficulté de vérification. Puisqu’ils prennent des décisions de façon autonome, il faut des mécanismes de suivi et de contrôle pour éviter les comportements inattendus, et vérifier en continu que les résultats sont conformes à l’intention.

Points d’adoption et précautions

Pour transformer l’IA agentive en gains de productivité, il est indispensable de l’introduire par étapes et avec une architecture soignée. L’article de Rikkei (en japonais) recommande l’approche pratique suivante :

  1. Commencer petit : appliquer d’abord l’agent à un périmètre restreint, observer son comportement puis élargir progressivement le champ d’action.
  2. Assurer la qualité des données : les données manipulées par l’IA doivent être exactes et à jour. Une source erronée produit un résultat erroné, d’où l’importance de la gouvernance des données.
  3. Clarifier rôles et responsabilités : définir précisément la répartition entre humains et agents, y compris les niveaux d’autorité. Décider dès la conception ce qui peut être automatisé et ce qui nécessite encore un jugement humain.
  4. Évaluer et améliorer en continu : revoir régulièrement les actions de l’IA, mesurer leur contribution aux objectifs et identifier les problèmes. Ajuster les paramètres ou les prompts pour faire évoluer l’agent.

Avec ces principes, l’IA agentive cesse d’être un mot à la mode pour devenir un outil qui crée réellement de la valeur.

Exemples concrets d’usage

L’IA agentive peut contribuer à la productivité personnelle de nombreuses manières. Parmi les cas d’usage possibles :

  • Automatiser la veille : surveiller les nouvelles tendances technologiques et produire des synthèses régulières. L’agent effectue des recherches web ou interroge des API puis assemble le document selon un gabarit défini.
  • Aider à la préparation de supports : générer des plans pour des présentations ou des articles de blog, insérer les graphiques ou extraits de code requis. L’humain se concentre sur la validation du contenu et la touche finale.
  • Assister la revue des livrables : faire analyser du code ou des rapports produits par l’IA pour repérer des améliorations ou des risques de sécurité. L’automatisation des vérifications répétitives améliore la qualité tout en réduisant l’effort de revue.
  • Gérer les tâches et rappels : organiser les tâches selon leur priorité, déclencher des notifications selon les échéances et l’avancement. Relié à l’e-mail ou à la messagerie, l’agent aide à ne pas laisser traîner les petites corvées.

Comment les agents d’IA vont transformer le travail

Si les agents autonomes deviennent monnaie courante, on peut anticiper les évolutions suivantes dans les rôles et les modes de travail :

  • La décomposition et l’affectation des tâches deviennent cruciales : on ne peut pas remettre tel quel une tâche immense ou floue à une IA. Les humains devront décider quel agent (ou quelle personne) reçoit quel lot de travail et à quel niveau de granularité. Cette capacité à découper et répartir les tâches deviendra une compétence déterminante.
  • La revue des livrables prend de l’importance : plus l’IA produit, plus les humains passent de temps à contrôler la qualité et la sécurité de ses livrables. Examiner les sorties, corriger et fournir du feedback permettra de préserver la qualité globale.
  • Ingénierie des prompts et conception des instructions : obtenir un résultat de haute qualité exige des directives claires et compréhensibles pour l’IA. Cette compétence rappelle le rôle d’un chef de projet ou d’un tech lead, et elle devra se diffuser largement.
  • Faire face à la fatigue liée à l’IA : les agents exécutent rapidement, mais les humains doivent toujours juger le résultat. Des témoignages parlent déjà de « fatigue de l’IA », où l’on doit prendre des décisions en continu. Repos, partage de charge et conception de workflows adaptés seront nécessaires.
  • Glisser vers la décision, la définition des exigences et le jugement : selon moi, les humains vont de plus en plus se concentrer sur la définition de la direction, la formalisation des besoins et le verdict final sur les productions de l’IA. Cela dit, vu la vitesse à laquelle l’IA progresse, il est difficile de savoir combien de temps ces rôles resteront humains. Peut-être qu’un jour l’IA prendra aussi en charge la stratégie et l’arbitrage. D’ici là, nous devons garder un œil attentif sur l’évolution du paysage et continuer à aiguiser les compétences pertinentes.

À mesure que les agents se répandent, ils prendront en charge les tâches simples et pousseront les humains vers la conception, la planification et l’évaluation — des activités à plus forte valeur ajoutée. À nous d’affûter les compétences nécessaires pour cohabiter avec ces outils tout en actualisant notre manière de travailler.

Conclusion

L’IA agentive n’est pas une simple mode. En apportant autonomie et adaptabilité, elle automatise une palette de tâches bien plus large que les assistants classiques, même si elle pose des défis de gouvernance. C’est pourquoi il est vital de commencer petit, de sécuriser la qualité des données et de clarifier la répartition des rôles, comme expliqué ci-dessus.

Testez un agent dans votre propre environnement et observez comment il transforme vos tâches quotidiennes. Collaborer avec des agents pourrait libérer du temps pour des travaux plus créatifs et à forte valeur.

Pour la petite histoire, j’ai rédigé cet article en discutant avec un agent. Bluffant. S’il pouvait aussi faire les commits, il ne me resterait plus qu’à donner des consignes et à relire le résultat.

Pour l’instant, si l’agent ne peut pas pousser de commits, c’est moins pour des raisons techniques que pour des considérations de risque et de sécurité. Mais s’il en était capable, il pourrait tout autant dérailler. C’est plutôt inquiétant. Et si c’était comme cela que Skynet voyait le jour ?