Les chiffres d’adoption racontent une histoire. La technologie sous-jacente en raconte une autre. Un rapport publié en novembre 2025 par la MIT Sloan School of Management et Boston Consulting Group révèle que 35 % des entreprises interrogées avaient déjà déployé des agents IA, tandis que 44 % supplémentaires envisageaient de mettre en œuvre une IA agentique dans un avenir proche. C’est un niveau de dynamisme saisissant pour une catégorie que la plupart des gens, y compris beaucoup de ceux qui la déploient, peinent à définir avec précision. Comprendre ce qu’est réellement l’IA agentique, là où elle fonctionne bien et là où elle échoue véritablement, est plus utile que de se contenter de suivre la courbe d’adoption.
De la génération de texte à l’action
La façon la plus claire de comprendre l’IA agentique est de la comparer aux outils d’IA générative que la plupart des gens utilisent déjà. Des systèmes comme ChatGPT ou Claude produisent des résultats : du texte, des images, du code, des résumés. Ils répondent. L’IA agentique, en revanche, agit. Elle peut réserver un vol, interagir avec un site web, exécuter une séquence d’étapes dans un environnement logiciel, ou contrôler un système physique comme un robot. La distinction n’est pas superficielle. Elle change la nature du risque, la supervision nécessaire et le type de confiance qu’un utilisateur doit accorder au système.
Ce que la plupart des gens ignorent, c’est que la majorité des agents IA présents sur le marché aujourd’hui sont construits sur le même petit ensemble de modèles de fondation. Une entreprise prend un modèle comme Claude, l’enveloppe de capacités spécifiques en matière d’outils et de mémoire, puis le déploie pour un cas d’usage particulier. L’« agent » est en grande partie l’enveloppe : les outils auxquels il peut accéder, les données qu’il peut mémoriser, les actions qu’il est autorisé à effectuer. Cette réalité architecturale, expliquée par Phillip Isola, professeur associé au département de génie électrique et d’informatique du MIT et membre du CSAIL, aide à comprendre pourquoi l’IA agentique s’est répandue si rapidement. La partie difficile — construire un modèle de fondation performant — était déjà accomplie. Le travail restant relève de l’intégration et de la configuration.
Là où ça fonctionne, et là où ça accroche
Les agents de codage représentent l’histoire de succès la plus claire de l’IA agentique à ce jour. Les raisons sont instructives. Le code est un domaine où la correction peut être vérifiée automatiquement. Un agent peut tenter une solution, l’exécuter, vérifier si elle fonctionne, puis itérer. C’est cette boucle de rétroaction qui rend l’apprentissage praticable. Lorsque l’environnement fournit des signaux clairs sur le succès et l’échec, les agents peuvent s’améliorer par essais et erreurs d’une manière difficile à reproduire dans des domaines plus complexes et plus ambigus.
Le problème des données d’entraînement constitue le principal goulot d’étranglement partout ailleurs. Prenons quelque chose d’apparemment simple comme réserver un vol en ligne. La séquence d’actions requises — savoir où cliquer, comment gérer les erreurs, quand appeler et négocier — n’est documentée dans aucun jeu de données. Les agents qui tentent ce type de tâche doivent apprendre en explorant des environnements réels, difficiles à modéliser et imprévisibles. Il ne s’agit pas d’un défi technique mineur. C’est une contrainte fondamentale sur la vitesse à laquelle l’IA agentique peut s’étendre au-delà des domaines où elle est déjà performante.
Isola établit une distinction importante entre l’IA agentique et l’IA analytique. Les systèmes qui modélisent des résultats, font émerger des tendances ou éclairent les décisions humaines ne sont pas des agents au sens technique du terme. Ils n’agissent pas de manière autonome. Pour les domaines à enjeux élevés tels que la médecine, la sécurité et la politique d’entreprise de haut niveau, ce rôle d’aide à la décision peut être plus approprié qu’une automatisation totale — à la fois parce que la technologie n’est peut-être pas encore prête et parce que le niveau de responsabilité humaine requis dans ces contextes rend une délégation totale véritablement problématique.
Les risques sous-estimés
C’est ce que la plupart des articles sur l’IA agentique passent sous silence : les risques ne concernent pas uniquement ce que les agents font mal par eux-mêmes. Une part significative du risque provient de la façon dont les humains les utilisent.
La facilité d’utilisation des outils agentiques crée un mode d’échec spécifique. Lorsqu’un agent de codage peut générer un logiciel fonctionnel à partir d’une invite vague, la tentation est de sauter l’étape de vérification. Des bugs sont introduits. Des données privées sont exposées. Isola note que cela se produit déjà. L’agent fonctionne peut-être exactement comme prévu ; le problème, c’est que l’humain n’a pas défini la tâche avec suffisamment de précision, ou n’a pas vérifié le résultat avec suffisamment de rigueur, parce que l’outil donnait l’impression que le travail difficile était accompli.
Une préoccupation à plus long terme vient s’y superposer. Lorsque les gens délèguent systématiquement des tâches cognitives — notamment le codage, le raisonnement mathématique et la recherche — à des systèmes automatisés, les compétences nécessaires pour accomplir ces tâches de manière autonome risquent de s’atrophier. Ce risque n’est pas hypothétique. C’est un phénomène bien connu dans d’autres domaines où l’automatisation a réduit la fréquence à laquelle les humains exercent une compétence. Cette préoccupation est amplifiée par le fait que la technologie n’est pas encore suffisamment fiable pour remplacer entièrement le jugement humain dans bon nombre de ces domaines. Déléguer trop tôt, avant que le système soit prêt, crée une situation où ni l’humain ni l’agent n’est pleinement capable.
En bref
L’IA agentique n’est pas une nouvelle catégorie de modèle. C’est une nouvelle façon de déployer des modèles existants : en leur donnant des outils, de la mémoire et la capacité d’agir plutôt que de simplement répondre. Elle fonctionne mieux là où le retour d’information est clair et les erreurs sont récupérables, comme dans le codage. Elle peine là où les données d’entraînement sont rares et les environnements imprévisibles. Le taux d’adoption est élevé, mais la maturité de la technologie est inégale, et les risques les plus sous-estimés ne sont pas des défaillances techniques mais humaines : une vérification insuffisante, des instructions vagues et l’érosion progressive des compétences que la supervision exige. La question ouverte pour le domaine est de savoir si la prochaine génération d’agents sera construite sur la même architecture de modèle de langage avec de meilleurs outils, ou si de nouvelles architectures véritablement différentes seront nécessaires pour appréhender le monde physique et continu. Cette question n’a pas encore de réponse.
D’après un reportage de MIT News AI.