Agents d’IA : pourquoi les assistants autonomes restent encore à fiabiliser

Les agents d’intelligence artificielle promettent de faire passer l’IA d’un interlocuteur qui répond à un assistant qui agit. Au lieu de demander à un outil de rédiger un message ou de résumer un document, l’utilisateur pourrait lui confier un objectif complet : comparer des options, remplir un formulaire, organiser une tâche, puis rendre compte du résultat. Cette vision, volontiers rapprochée de l’assistant fictif J.A.R.V.I.S., attire les entreprises depuis que le terme a pris de l’ampleur dans le secteur technologique à partir de 2023.

La promesse mérite toutefois d’être examinée avec méthode. Un agent qui consulte un navigateur, un agenda, une base de données ou un logiciel métier n’est pas seulement plus utile qu’un chatbot : il dispose aussi de davantage de possibilités de se tromper. En cette fin d’août 2025, les exemples concrets se multiplient, mais l’assistant véritablement autonome, rapide et fiable dans toutes les situations quotidiennes reste à construire.

Un agent d’IA, qu’est-ce que cela change par rapport à un chatbot ?

Le mot « agent » ne désigne pas une technologie unique ni un produit aux contours parfaitement stabilisés. Il renvoie à un système qui s’appuie généralement sur un modèle de langage, puis lui donne accès à des outils et à une capacité d’enchaîner des étapes. L’agent reçoit un but, élabore une séquence d’actions, utilise les ressources autorisées et tente d’évaluer si le travail est achevé.

Un chatbot classique est surtout conçu pour tenir une conversation : il répond à une question, propose un texte ou explique une information. Il peut être très performant, mais il attend habituellement la prochaine instruction. L’agent, lui, cherche à réduire les allers-retours. Il peut par exemple parcourir plusieurs pages, extraire des éléments utiles, comparer des résultats et préparer une action dans un autre outil.

Cette autonomie n’est jamais totale dans les faits. Elle dépend des droits accordés à l’outil, des données auxquelles il peut accéder, des garde-fous imposés par l’entreprise et de la capacité du système à demander une validation. Un agent performant pour rechercher une information peut être inadapté pour envoyer un paiement, modifier un dossier client ou réserver un déplacement sans contrôle humain.

Pourquoi les agents actuels commettent-ils encore autant d’erreurs ?

Faire agir une IA est beaucoup plus difficile que lui faire produire une réponse plausible. Un modèle de langage génère des propositions à partir de régularités apprises dans d’immenses volumes de données. Il peut formuler un plan convaincant sans pour autant disposer d’une compréhension infaillible de la situation, ni d’une garantie que chaque étape sera correctement exécutée.

À chaque nouvelle action, les difficultés se cumulent. Une consigne peut être ambiguë. Une page web peut avoir changé. Un formulaire peut contenir une exception. Une base de données peut fournir une information incomplète. Une action supposée simple, comme sélectionner une date ou identifier le bon destinataire d’un courriel, exige parfois un jugement que le système ne possède pas. Une petite erreur initiale peut alors dévier tout le processus.

Les interactions avec le web rendent ce problème particulièrement visible. Les sites présentent des fenêtres surgissantes, des interfaces mouvantes, des demandes de connexion, des mécanismes de protection contre l’automatisation ou des informations contradictoires. Pour réussir, un agent doit non seulement reconnaître ce qui est affiché, mais aussi comprendre ce qui est pertinent, suivre les règles applicables et éviter les clics irréversibles.

L’outil Operator d’OpenAI, présenté pour faciliter des tâches quotidiennes via un navigateur, illustre cet écart entre ambition et expérience réelle. Les utilisateurs relèvent des lenteurs, des bugs et des performances irrégulières. Ces défauts ne signifient pas que le concept est sans avenir. Ils rappellent plutôt que la démonstration d’une capacité ponctuelle ne suffit pas à garantir une utilisation fiable à grande échelle.

La compétition entre les grands laboratoires accélère néanmoins les travaux. Google recrute et investit pour développer ses projets d’agents, tandis qu’Anthropic et OpenAI cherchent à enrichir leurs fonctionnalités. L’enjeu n’est pas seulement de produire des modèles plus puissants. Il faut aussi concevoir des environnements d’exécution solides, capables de limiter les erreurs, de tracer les actions et d’interrompre l’agent lorsqu’il s’écarte de sa mission.

Les usages les plus crédibles se trouvent dans des tâches délimitées

Les promesses les plus solides apparaissent lorsque les tâches sont répétitives, bien documentées et réalisées dans un environnement contrôlé. Le service client, le développement logiciel, la gestion administrative ou certains processus internes d’entreprise offrent davantage de repères qu’une mission vague confiée à un assistant personnel universel.

En février 2024, Klarna a affirmé que son assistant IA avait réalisé un volume de travail équivalent à celui de 700 agents de service client. Cette annonce a fortement marqué les esprits, car elle donnait une mesure concrète du potentiel d’automatisation. Elle doit toutefois être interprétée avec prudence : une équivalence de volume de travail annoncée par une entreprise ne démontre pas, à elle seule, qu’un agent remplace 700 personnes, ni que la qualité du service reste identique dans tous les cas.

Le code est un autre terrain d’expérimentation particulièrement avancé. Les agents peuvent générer des fonctions, expliquer une base de code, proposer des tests, rechercher une erreur ou automatiser des tâches techniques répétitives. Microsoft et Google ont évoqué des proportions de code écrites avec l’aide de l’IA pouvant atteindre 30 %. Ce chiffre ne signifie pas que 30 % du travail des développeurs aurait disparu. Il décrit une part de production logicielle, qui doit encore être revue, intégrée, testée et maintenue par des équipes humaines.

Les développeurs juniors sont néanmoins directement concernés. Une partie des tâches qui permettaient d’apprendre le métier, corriger des problèmes simples, écrire du code standard ou documenter un projet, est précisément celle que les outils automatisent le plus facilement. Le défi pour les entreprises sera de préserver les parcours de formation tout en tirant parti des gains de productivité.

Les applications orientées vers la relation client constituent également un terrain favorable. La plateforme d’Adobe consacrée à l’expérience client illustre cette volonté d’intégrer des agents dans les outils déjà utilisés par les entreprises. Dans ce cadre, l’agent peut aider à retrouver une information, préparer une réponse ou organiser des actions marketing. La valeur ne provient pas d’une autonomie absolue, mais d’une assistance intégrée à un processus et vérifiable par des professionnels.

L’automatisation ne signifie pas mécaniquement le remplacement des emplois

La question de l’emploi accompagne logiquement l’essor des agents d’IA. Lorsqu’un système répond à des clients, écrit du code ou prépare des documents, il prend effectivement en charge des tâches auparavant réalisées par des salariés. Mais un métier ne se réduit pas à la somme de ses tâches les plus répétitives.

Dans le service client, les cas complexes, les demandes sensibles, les situations conflictuelles et la relation de confiance nécessitent souvent une intervention humaine. Dans le développement, un agent peut accélérer l’écriture de code, mais il ne porte pas seul la responsabilité d’une architecture, d’une décision de sécurité ou d’un produit livré aux utilisateurs. L’automatisation déplace donc aussi le travail : relecture, contrôle qualité, définition des règles, gestion des exceptions et accompagnement des clients deviennent plus importants.

Le risque est réel lorsque les organisations considèrent l’agent comme un simple levier de réduction de coûts. Une adoption responsable suppose de mesurer les erreurs, les réclamations, le temps réellement économisé et les tâches nouvelles créées par la supervision. Elle suppose aussi de former les salariés à travailler avec ces outils, plutôt que de leur demander de s’adapter sans cadre.

Sécurité, vie privée et responsabilité : les points les plus sensibles

Un chatbot qui se trompe dans une réponse peut induire son interlocuteur en erreur. Un agent qui se trompe peut cliquer, transmettre, modifier ou acheter. C’est cette capacité d’action qui rend les enjeux éthiques et de sécurité particulièrement importants.

Pour accomplir une mission, un agent peut avoir besoin d’accéder à des courriels, un calendrier, des dossiers internes, des données clients ou des identifiants de connexion. Accorder ces permissions sans restrictions expose à des fuites de données et à des actions non souhaitées. Un contenu malveillant dissimulé dans une page ou un document peut aussi tenter d’influencer l’agent afin qu’il ignore ses règles ou divulgue des informations. Ces scénarios imposent de traiter les outils connectés comme des systèmes à risque, et non comme de simples interfaces de conversation.

Plusieurs protections sont essentielles : limiter les accès au strict nécessaire, séparer les environnements de test et de production, demander une confirmation avant toute action sensible, conserver un historique clair des opérations et permettre une interruption immédiate. Les entreprises doivent aussi définir qui répond d’une erreur : le fournisseur du modèle, l’intégrateur, l’organisation utilisatrice ou la personne ayant validé l’action.

Le cadre réglementaire évolue également. Dans l’Union européenne, le règlement sur l’intelligence artificielle, souvent appelé AI Act, s’applique progressivement. Certaines obligations relatives aux modèles d’IA à usage général sont devenues applicables le 2 août 2025. Ce texte ne règle pas à lui seul toutes les questions posées par les agents, notamment celles liées aux données personnelles, aux contrats ou à la responsabilité. Il renforce toutefois l’idée qu’une IA capable d’agir doit être conçue et déployée avec des règles explicites.

Ce qu’il faut surveiller avant la généralisation des agents

Le succès des agents d’IA ne se jouera pas seulement sur la qualité de leurs conversations. Les indicateurs les plus utiles seront beaucoup plus concrets : taux de tâches réellement terminées, nombre d’interventions humaines nécessaires, fréquence des erreurs, coût d’exécution, rapidité, satisfaction des utilisateurs et capacité à expliquer ce qui a été fait.

Il faudra aussi distinguer les agents spécialisés des assistants généralistes. Un système limité à la gestion de demandes courantes dans un logiciel connu peut devenir utile relativement vite. Un agent censé organiser toute la vie numérique d’une personne, accéder à ses comptes et arbitrer des choix à sa place devra prouver un niveau de fiabilité bien plus élevé.

Les annonces de Klarna, les outils de navigation comme Operator, l’essor de l’IA de codage et les investissements de Google, Anthropic ou OpenAI montrent que la course est engagée. Mais la technologie n’a pas encore atteint le stade où l’on peut déléguer sans réserve des responsabilités humaines. Les agents les plus convaincants seront probablement ceux qui sauront agir vite sur des tâches utiles, tout en restant transparents, contrôlables et faciles à arrêter.