En 60 secondes
Le saut est réel. L’IA passe de la génération de réponses à l’utilisation d’ordinateurs, d’outils et de processus en plusieurs étapes.
La vraie frontière, c’est l’autonomie. La même technologie change complètement de profil de risque dès qu’elle peut agir seule.
Un humain dans la boucle ne garantit pas un vrai contrôle humain. Quand valider devient une routine, la responsabilité peut rester humaine sur le papier alors que la décision vient, dans les faits, de la machine.
Le business case ne se limite pas au coût des tokens. Il faut aussi compter le logging, la sécurité, l’intégration, la gestion des exceptions et les mécanismes de reprise.
Trois chiffres donnent une idée de la vitesse du mouvement :
- 66,3 % de réussite sur OSWorld pour les meilleurs agents en 2025, contre environ 12 % un an plus tôt. Source : Stanford AI Index 2026.
- 58 % des utilisateurs d’IA disent produire aujourd’hui un travail qu’ils n’auraient pas pu produire un an auparavant. Source : Microsoft Work Trend Index 2026.
- 15x de croissance annuelle des agents actifs dans Microsoft 365. Source : Microsoft Work Trend Index 2026.
Il y a trois ans, l’IA aidait à rédiger un e-mail. Aujourd’hui, elle utilise des ordinateurs.
L’évolution des dernières années explique pourquoi une vision linéaire de 2031 a peu de sens. Personne ne sait à quel rythme cela va continuer. Mais imaginer que les cinq prochaines années n’apporteront qu’un « Copilot un peu meilleur » paraît tout aussi peu crédible.
2023 : une zone de texte intelligente
Pour beaucoup d’employés, l’IA générative servait surtout à reformuler un e-mail, créer un résumé, trouver des idées ou produire un premier brouillon. C’était utile, mais généralement encore séparé des systèmes où le vrai travail se faisait.
2026 : une IA qui exécute du travail
Les modèles les plus avancés écrivent du code, comprennent l’image et l’audio, utilisent des outils, naviguent dans des logiciels et peuvent enchaîner plusieurs étapes sous forme d’agent. Le passage de la réponse à l’action est déjà en cours.
L’étape suivante : des objectifs plutôt que des prompts
On ne dira plus seulement : « Résume ce dossier. »
On dira de plus en plus : « Cherche ce qui manque, vérifie les règles, prépare une proposition et reviens vers moi lorsqu’une décision humaine est nécessaire. »
Utilisation d’un ordinateur par des agents IA
Mesuré : OSWorld évalue des tâches informatiques sur plusieurs systèmes d’exploitation. Le meilleur score 2025 atteint 66,3 %, pour une référence humaine de 72,35 %. Source : Stanford HAI, AI Index 2026, Technical Performance, highlight 9.
METR mesure autre chose : pas seulement si un modèle répond correctement à une question, mais la durée d’une tâche qu’un expert humain mettrait normalement plusieurs heures à réaliser. Historiquement, cet horizon de tâche a environ doublé tous les sept mois.
Cette tendance repose beaucoup sur des tâches proches du développement logiciel. Elle ne garantit pas que le même rythme se poursuivra pendant cinq ans dans tous les secteurs.
Un benchmark n’est pas un environnement de production
Ces chiffres montrent surtout à quel point les capacités progressent vite. Ils ne prouvent pas qu’un agent est déjà assez fiable pour piloter sans supervision un processus métier important.
Stanford parle d’une « jagged frontier » : un modèle peut être excellent sur un test difficile de programmation ou de sciences, puis échouer sur une exception apparemment simple. Capacité et fiabilité ne sont pas la même chose.
C’est pour cette raison que cet article va plus loin que le classique « l’IA va transformer les métiers ». La question plus intéressante est ce qui se passe lorsque les systèmes ne se contentent plus d’assister, mais commencent à exécuter eux-mêmes une partie croissante du travail, et comment éviter de confondre vitesse et contrôle.
Modèle ADS : autonomie et impact
La vraie frontière n’est pas l’IA. C’est ce qu’on lui permet de faire.
Une mauvaise réponse à une question est gênante. Une mauvaise réponse automatiquement transformée en action peut coûter beaucoup plus cher.
Un agent qui indique qu’une règle firewall est probablement à l’origine d’un incident n’a pas la même responsabilité qu’un agent qui modifie lui-même cette règle. Un outil de recrutement qui fait remonter vingt profils intéressants n’est pas la même chose qu’un système qui rejette automatiquement les 1 980 autres. Un assistant médical qui classe plusieurs causes possibles n’est pas la même chose qu’un logiciel qui lance un traitement.
Plus les conséquences d’une erreur sont importantes et plus cette erreur est difficile à annuler, moins l’IA devrait recevoir d’autonomie sans contrôles supplémentaires.
1. ASSIST
L’IA rédige, recherche, résume et structure. Une personne décide ce qui est fait du résultat.
2. ADVISE
L’IA croise des données internes et propose une recommandation. L’humain valide le jugement et reste responsable de la décision.
3. ACT
L’IA exécute des actions dans des systèmes. Les droits d’accès, les validations, le logging et la capacité de revenir en arrière deviennent alors des conditions de base.
Modèle ADS : l’autonomie seule ne suffit pas pour évaluer le risque. Il faut la mettre en regard de l’impact d’une erreur. Plus cet impact est élevé et plus la récupération est difficile, plus les validations, les logs, la limitation des droits et la responsabilité humaine doivent être solides.
Pourquoi cela devient important maintenant
Le 5 mai 2026, Microsoft a annoncé une croissance par quinze du nombre d’agents actifs uniques dans l’écosystème Microsoft 365 entre mars 2025 et mars 2026. Le 25 août 2026, McKinsey indiquait que 40 % des répondants d’organisations réalisant plus d’un milliard de dollars de chiffre d’affaires déployaient des agents à l’échelle dans au moins une fonction, contre 27 % un an plus tôt.
L’IA agentique n’est donc plus uniquement une démo pour développeurs.
Mesuré : McKinsey, The State of AI 2026: On the road to ROI, key takeaways / Exhibit 2. Il s’agit d’un déploiement déclaré dans au moins une fonction, pas d’une autonomie complète de l’entreprise.
Cela ne signifie pas que chaque processus deviendra autonome demain. Cela signifie en revanche que des entreprises prennent aujourd’hui des décisions sur les droits et les responsabilités qui pourraient être beaucoup plus difficiles à corriger dans un an.
Qu’est-ce qui peut mal tourner ?
La plupart des risques liés à l’IA ne commencent pas par un « mauvais prompt »
Tant que l’IA produit uniquement du texte, une erreur reste souvent visible et facile à corriger. Dès qu’elle peut lire des données internes ou utiliser des systèmes, le risque se déplace vers l’identité, les accès, la validation et la confiance humaine.
Shadow AI et fuite de données
Les collaborateurs utilisent des outils parce qu’ils leur font gagner du temps, parfois sans savoir ce qu’il advient des informations introduites. Des données clients, contrats, codes sources ou informations RH peuvent alors sortir de l’environnement prévu.
Prompt injection
Un agent peut lire dans un site web, un document ou un e-mail des instructions que l’utilisateur n’a jamais voulu considérer comme des instructions. OWASP décrit désormais ce scénario comme une voie pratique vers l’exfiltration de données ou l’exécution d’actions non souhaitées.
Trop de droits
Un système n’a pas besoin d’être malveillant pour provoquer des dégâts. Une erreur simple, combinée à des droits trop larges, peut être exécutée à grande échelle. Le principe du moindre privilège vaut pour les agents comme pour les humains.
Deepfakes et fraude à l’identité
Le 30 septembre 2026, Europol a de nouveau averti que des criminels utilisent l’IA générative, les deepfakes et les agents autonomes pour industrialiser plus rapidement la fraude et la cybercriminalité.
Un humain dans la boucle ne signifie pas encore un vrai contrôle humain
Une étape de validation sur le papier ne suffit pas.
Si un agent fait cent bonnes recommandations d’affilée, la personne qui examine la 101e la regardera presque forcément avec moins d’attention. Ce phénomène s’accentue lorsqu’on récompense la rapidité, que le contexte est incomplet ou qu’une décision différente demande du travail supplémentaire.
À ce moment-là, la responsabilité reste humaine sur le papier, tandis que l’IA prend de plus en plus la décision réelle.
Un vrai contrôle n’existe que si la personne comprend ce qui change, dispose du temps nécessaire pour examiner la proposition, possède assez d’expertise pour repérer une erreur et peut dire non sans être pénalisée pour l’avoir fait.
Donner du contexte, pas seulement un bouton
Il faut montrer pourquoi l’agent propose une action, quelles données ont été utilisées, quels systèmes sont concernés et ce qui changera si l’action est validée.
Adapter le contrôle au niveau de risque
Pour les actions à faible risque, des contrôles par échantillonnage peuvent suffire. Pour les actions sensibles, une validation explicite ou double doit être exigée. Il faut ensuite auditer si les reviewers interviennent réellement lorsqu’ils devraient le faire.
Rendre le non réellement possible
Les personnes qui valident doivent disposer du temps et de l’autorité nécessaires pour s’écarter de la recommandation de l’IA. Pour une action à fort impact, une courte justification ou la sélection explicite d’éléments de preuve peut être plus utile qu’un simple bouton « Approuver ».
Du risque théorique à l’exploitation réelle
Le 14 avril 2026, OWASP a décrit une évolution nette vers des incidents liés aux identités d’agents, à l’autonomie excessive, aux chaînes d’approvisionnement, à l’exfiltration de données et au prompt injection. Stanford a enregistré 362 incidents IA documentés en 2025, contre 233 en 2024.
L’Europe place la barre plus haut dans les domaines sensibles
L’AI Act européen distingue clairement les cas d’usage. Certaines applications dans l’enseignement, l’emploi, les infrastructures critiques ou des services essentiels peuvent être considérées à haut risque.
Les obligations pour certains cas d’usage à haut risque de l’Annexe III, notamment dans l’enseignement, l’emploi et les infrastructures critiques, deviennent applicables à partir du 2 décembre 2027. Pour les systèmes d’IA à haut risque intégrés à des produits réglementés, la date est le 2 août 2028.
Ce n’est pas une raison d’attendre avant de travailler avec l’IA. C’est une raison de savoir dès maintenant où elle est utilisée, quelles données elle voit et quelles décisions elle influence. Ce qui est techniquement possible n’est pas forcément ce qui est organisationnellement souhaitable.
Enseignement et expertise
Un meilleur devoir ne signifie pas automatiquement un meilleur apprentissage
L’enseignement montre très bien pourquoi le résultat final est un mauvais indicateur à lui seul.
Selon PISA 2025, 42 % des élèves belges utilisent au moins chaque semaine un chatbot IA pour apprendre. Cela peut être extrêmement utile : explications supplémentaires, exercices adaptés, aide linguistique et feedback deviennent disponibles presque à tout moment.
Mais l’OCDE souligne un problème simple. L’IA peut produire un meilleur texte ou une meilleure solution sans que l’élève comprenne davantage. Si l’étape de réflexion difficile est systématiquement externalisée, la qualité du travail peut progresser plus vite que la compétence de l’élève.
La bonne question n’est pas seulement « La réponse est-elle meilleure ? », mais aussi « Que sait encore faire l’élève lorsque l’IA disparaît ? »
Cela ne veut pas dire que les écoles doivent interdire l’IA. Cela veut dire que l’enseignement lui-même doit évoluer : davantage d’attention au raisonnement, davantage de capacité à expliquer oralement pourquoi quelque chose est correct, et des moments délibérés où l’élève doit réfléchir sans IA.
Le même problème existe au travail
Un ingénieur junior apprend en analysant des incidents. Un juriste apprend en lisant des dossiers. Un comptable apprend en repérant des écarts. Un recruteur apprend en voyant beaucoup de profils et en menant beaucoup d'entretiens.
C'est précisément ce travail préparatoire que l'IA peut reprendre de plus en plus vite. La question n'est donc pas seulement combien de temps nous gagnons. Elle est aussi de savoir comment le junior d'aujourd'hui deviendra encore le senior de demain.
Le marché du travail commence à refléter cette tension. PwC observe que les postes juniors fortement exposés à l'IA demandent de plus en plus des compétences autrefois associées à des profils plus seniors. ManpowerGroup retrouve le même mouvement du côté des employeurs. Dans son 2026 Talent Shortage Survey mené auprès de 39 063 employeurs dans 41 pays, AI Model & Application Development (20 %) et AI Literacy (19 %) arrivent en tête des compétences les plus difficiles à trouver, tandis que Communication, Collaboration & Teamwork reste la compétence humaine la plus recherchée (39 %).
Ce n'est pas contradictoire. Plus l'IA prend en charge le travail préparatoire, plus la valeur humaine se déplace vers le jugement, le contexte, la collaboration et la capacité à reconnaître les situations où la voie standard n'est pas la bonne.
RH et recrutement
L'IA peut chercher. Mais qui décide qui mérite une chance ?
Le recrutement montre bien la différence entre ajouter de l'IA à un processus et repenser le travail autour de cette technologie. Une étude commandée par ManpowerGroup Talent Solutions et réalisée avec Everest Group auprès de 80 responsables RH et talent seniors aux États-Unis et au Royaume-Uni a constaté que plus de 90 % utilisaient déjà l'IA dans le talent acquisition, alors que moins de 5 % qualifiaient les résultats de transformationnels.
L'échantillon est petit, mais le problème est reconnaissable. L'IA n'améliore pas automatiquement un ancien processus. 54 % indiquaient aussi que les CV, candidatures et préparations d'entretien assistés par IA rendaient plus difficile l'évaluation des compétences réelles d'un candidat.
La situation devient plus sensible lorsqu'un système produit automatiquement une shortlist à partir de milliers de candidats et que personne ne regarde les autres. L'IA n'assiste alors plus seulement le recruteur ; elle contribue directement à décider qui aura accès à un entretien. C'est précisément pour cette raison que l'AI Act classe certaines applications liées à l'emploi parmi les systèmes à haut risque.
Là où l'IA est forte : chercher, structurer, comparer, administrer.
Là où il faut rester prudent : rejet définitif, décisions de performance et processus qui touchent directement la carrière d'une personne.
Santé
Une deuxième paire d’yeux peut être extrêmement utile. Un décideur final invisible, beaucoup moins.
L’IA peut aider à évaluer des images médicales, préparer des comptes rendus, résumer des informations et signaler des schémas qu’un humain pourrait manquer. Cela ne rend pas les professionnels de santé inutiles. Au contraire, cela peut leur redonner du temps pour l’interprétation et le contact avec les patients.
WHO/Europe a mesuré l’écart fin 2025 sur la base d’une enquête menée en 2024 et 2025 auprès de 50 des 53 États membres. À ce moment, 64 % utilisaient déjà des outils de diagnostic assistés par IA, alors que seulement 8 % disposaient d’une stratégie nationale spécifique à l’IA dans la santé et 8 % de règles claires de responsabilité en cas de défaillance. WHO/Europe a répété cet avertissement sur la gouvernance en juillet 2026.
Plus la décision est sensible, plus il est important que l’humain ne soit pas seulement « dans la boucle », mais qu’il dispose réellement des connaissances, du temps et de l’autorité nécessaires pour contredire l’IA.
IT, cybersécurité, finance et juridique
C’est ici que l’IA passe le plus vite du conseil à l’exécution
IT
Un agent peut lire des tickets, analyser des logs, consulter de la documentation, écrire du code, préparer un changement et interpréter des résultats de tests. Dans des environnements standardisés, le passage à l’exécution automatique est logique.
Le Q3 2026 Experis Tech Talent Outlook montre aussi pourquoi il ne faut pas opposer compétences IA et compétences humaines. Parmi 4 497 employeurs Tech & IT Services dans 42 pays, AI Modeling & App Development arrive en tête des compétences techniques à 34 %, tandis que Communication, Collaboration & Teamwork arrive en tête des compétences humaines à 41 %.
Cela peut supprimer beaucoup de tâches répétitives. Mais cela rend aussi la gestion des droits, le logging et la récupération beaucoup plus importants. Un agent autorisé à agir en production doit être traité comme un collègue numérique avec des permissions précisément définies, pas comme une simple zone de texte intelligente.
Une progression utile est :
- Lire : analyser logs, tickets, contrats, transactions et dossiers.
- Proposer : préparer un changement, un avis, une réservation ou un projet juridique.
- Exécuter : agir en production, déclencher des paiements, modifier des dossiers clients ou exécuter des workflows de conformité.
Cybersécurité
Les défenseurs gagnent en vitesse pour l’analyse, la corrélation et le triage. Les attaquants bénéficient de la même accélération pour le social engineering, la recherche et l’automatisation. Le 30 septembre 2026, Europol a averti que des criminels utilisent l’IA générative, les deepfakes et les agents autonomes pour accélérer la fraude et la cybercriminalité.
La réponse ne peut donc pas être simplement « encore plus d’IA ». L’identité, la vérification et les frontières de confiance deviennent plus importantes à mesure que l’humain et la machine deviennent plus difficiles à distinguer.
Finance et comptabilité
La réconciliation, le reporting, la détection d’anomalies et la préparation de dossiers se prêtent bien à l’automatisation. Dans cinq ans, il est tout à fait plausible qu’un agent prépare une grande partie d’un processus de clôture ou de contrôle et ne remonte à un humain que les exceptions.
Juridique et fiscalité
La recherche, l’analyse documentaire et les premiers drafts deviennent moins coûteux. La valeur se déplace alors vers le contexte, la négociation, la stratégie et la responsabilité. Si une analyse qui prenait autrefois six heures n’en prend plus que vingt minutes, la facturation fondée uniquement sur le nombre d’heures devient naturellement moins convaincante.
Produire de l’information coûte moins cher. Assumer la responsabilité, non.
Secteur public, retail et médias
L’utilisateur ne verra pas toujours que l’IA est entre lui et l’organisation
Secteur public
L’IA peut résumer des dossiers, parcourir des réglementations, guider des citoyens et aider à détecter des fraudes. Cela peut rendre les services publics sensiblement plus rapides.
Mais une mauvaise décision prise plus vite reste une mauvaise décision. Si un citoyen se voit refuser une allocation, un permis ou l’accès à un service, il doit rester une raison compréhensible et une vraie possibilité de recours. L’OCDE constate un usage croissant de l’IA dans les administrations, mais beaucoup moins de mesure systématique de son impact social.
Retail
La prochaine étape du commerce en ligne ne sera probablement pas un chatbot supplémentaire sur un webshop, mais un agent du côté du client. Il compare les prix, les délais et les conditions, puis peut passer commande de manière autonome dans les limites définies par l’utilisateur.
Cela peut même modifier le SEO et l’e-commerce. Une entreprise devra présenter ses informations de manière convaincante pour les humains, mais aussi suffisamment structurée pour les machines qui comparent des produits au nom de leurs utilisateurs.
Dans cinq ans, votre client ne visitera peut-être même plus lui-même votre site. Son agent demandera les prix, comparera les conditions, vérifiera les disponibilités et fera un choix. Une partie de l’interface entre entreprises pourrait devenir machine-to-machine.
Médias, communication et marketing
Lorsque tout le monde peut produire un contenu correct, la médiocrité devient presque gratuite.
L’IA rend moins coûteux la transcription, la traduction, la création d’images, la recherche et les premiers textes. C’est utile. Mais cela a un effet secondaire étrange : si tout le monde utilise les mêmes modèles pour le même type de résultat, les sites, offres, posts et présentations finissent plus vite par se ressembler.
Le Reuters Institute s’attend donc à davantage d’accent sur le reportage original, l’analyse, la personnalité et la vérification. Cette logique vaut aussi pour les entreprises. L’expérience réelle devient plus précieuse précisément parce que l’explication générique est disponible partout.
Dans un monde où tout le monde a accès aux mêmes modèles de base, l’expérience propre à une organisation peut devenir l’un des avantages les plus difficiles à copier.
Industrie, logistique et défense
Dans le monde physique, une erreur de l’IA sort littéralement de l’écran
Une grande partie du débat public sur l’IA concerne le travail intellectuel. Pourtant, l’industrie relie de plus en plus les modèles à des capteurs, robots, outils de maintenance prédictive, systèmes de contrôle qualité, planning et jumeaux numériques. La logistique utilise les mêmes technologies pour les itinéraires, les stocks et les ajustements en temps réel.
Le calcul du risque change. Un mauvais paragraphe peut être réécrit. Une mauvaise décision dans une usine peut arrêter la production, endommager du matériel ou perturber toute une chaîne.
La différence entre environnement numérique et monde physique reste essentielle. Les agents peuvent déjà exécuter des tâches numériques complexes et recommencer rapidement lorsqu’une étape échoue. Dans les chiffres cités par Stanford, les robots ne réussissent encore qu’environ 12 % des tâches ménagères réelles. La réalité reste beaucoup plus désordonnée qu’un environnement logiciel.
Nous verrons donc probablement des workflows de bureau et d’IT très autonomes bien avant des usines ou des environnements de soins entièrement autonomes.
Défense
Les mêmes questions, mais avec des conséquences beaucoup plus lourdes.
L’IA peut analyser des images et des données de capteurs, identifier des menaces cyber, soutenir la logistique et donner plus vite une vue d’ensemble aux décideurs. L’OTAN investit explicitement dans l’IA et la collaboration humain-machine.
Mais la défense montre aussi pourquoi toute possibilité technique n’est pas automatiquement un bon choix opérationnel. Plus l’impact est grand, plus la traçabilité, le contrôle, la qualité des données et la possibilité d’arrêter un système deviennent importants.
Une distinction reste utile :
- Observer : combiner et prioriser capteurs, images et signaux.
- Conseiller : présenter plus vite scénarios, risques et options aux décideurs humains.
- Agir : plus les conséquences sont lourdes, plus le seuil d’exécution autonome doit être élevé.
Une nuance importante
Cinq ans, c’est long dans le logiciel. C’est beaucoup plus court dans des secteurs réglementés comme les infrastructures, la santé ou la défense. Les capacités techniques peuvent progresser très vite alors que certification, responsabilité, budgets et confiance sociale suivent un rythme bien différent.
2026 → 2027 → 2031
Si la direction actuelle se confirme, ce n’est pas seulement l’outil qui changera, mais la répartition du travail
Ce ne sont pas des prédictions à date fixe. Certains secteurs iront plus vite, d’autres beaucoup plus lentement. La direction est néanmoins assez claire pour esquisser des scénarios déjà utiles pour les décisions concernant les données, les personnes et les systèmes.
| Domaine | 2026 : tendance mesurée | 2027 : scénario ADS | 2031 : scénario ADS |
|---|---|---|---|
| Enseignement | Chatbots, explications, résumés, préparation de cours | Tutorat personnel et exercices adaptés intégrés aux plateformes d’apprentissage | Enseignement et évaluation conçus avec l’IA ; davantage de raisonnement, de défense orale et de compétences sans IA |
| RH | Sourcing, analyse de CV, contenus et préparation d’entretiens | Les agents combinent sourcing, planning et dossiers candidats | Planification continue des compétences et des effectifs ; les humains gèrent les exceptions et décisions sensibles |
| IT | Copilots et agents pour code, tickets, logs et documentation | Incidents standard et changements sûrs exécutés sous supervision | Une grande partie des opérations numériques fonctionne agent-first ; les ingénieurs se concentrent sur l’architecture, la sécurité et les exceptions |
| Santé | Documentation, analyse, aide à la décision | Support plus continu autour des données patients et de l’administratif | Assistance numérique permanente aux côtés des soignants ; droits de décision fortement réglementés |
| Finance | Analyse, réconciliation, détection de fraude et d’anomalies | Les agents prennent en charge des parties plus importantes du reporting et des contrôles | Processus de routine largement autonomes dans des limites de budget et de validation ; l’humain gère les exceptions |
| Retail | Personnalisation, forecasting, aide à la recherche et à l’achat | Les shopping agents comparent et préparent les achats | Les agents personnels réservent et achètent dans des limites définies ; les entreprises optimisent aussi pour le commerce machine-to-machine |
| Industrie | Maintenance prédictive, planning, contrôle qualité | Boucles plus fermées entre détection, recommandation et action opérateur | Davantage de processus autonomes en environnement contrôlé, avec fail-safe et override humain clair |
| Secteur public | Aide au dossier, recherche, chat et analyse | Accompagnement plus proactif des citoyens et préparation automatique des dossiers | De nombreuses étapes administratives automatisées, avec maintien indispensable des voies de recours et d’exception humaines |
Scénario ADS : les colonnes 2027 et 2031 sont notre analyse des tendances actuelles en capacité, adoption et réglementation. Elles ne garantissent aucun calendrier.
Nous pensons que le changement sera le plus rapide là où le travail est entièrement numérique et où le résultat « correct » ou « incorrect » peut être mesuré clairement. Les logiciels, opérations IT et workflows administratifs peuvent donc évoluer beaucoup plus vite que la santé, l’industrie ou les décisions publiques. Pas parce que l’IA y sera moins performante, mais parce que le coût de l’erreur, la réglementation et le monde physique freinent autrement.
Un an contre cinq ans
2027 donnera probablement surtout une impression d’accélération. 2031 peut paraître structurellement différent.
D’ici environ un an, l’IA deviendra moins visible pour beaucoup de personnes. Non pas parce qu’on l’utilisera moins, mais parce qu’elle sera simplement intégrée à Outlook, Teams, CRM, ERP, outils de service desk, outils de développement et logiciels métiers.
Dans environ un an
Moins de « j’ouvre l’IA » et davantage d’IA en arrière-plan, qui prépare des informations, suit des tâches et exécute des étapes standard. Les collaborateurs produiront moins de premières versions et passeront davantage de temps sur les exceptions, la relation client, l’interprétation et les validations.
Ensuite
On passe de tâches isolées à des objectifs. « Résume ce dossier » devient « prépare le dossier, cherche les informations manquantes et reviens lorsqu’une décision est nécessaire ». Les agents utiliseront plusieurs systèmes pour atteindre ce résultat.
Vers cinq ans
Dans les processus numériques, une part importante de l’exécution peut passer aux agents. Pas partout, et certainement pas sans supervision. Mais dans beaucoup de fonctions, le rôle humain peut davantage tourner autour de la définition des objectifs, de la gestion des exceptions, de l’apport de contexte et de la responsabilité finale.
Pourquoi cela n’ira pas partout à la même vitesse
Fiabilité. Un agent qui échoue une fois sur trois peut être impressionnant sur un benchmark et inutilisable pour un processus critique sans filet de sécurité.
Réglementation. Les RH, l’enseignement, la santé, la finance et le secteur public touchent aux droits fondamentaux, à la responsabilité ou à la sécurité et sont donc soumis à davantage d’exigences de contrôle.
Monde physique. Un logiciel peut recommencer rapidement. Un robot, une machine ou un appareil médical ne peut pas toujours le faire sans conséquences.
Coûts. Davantage d’autonomie ne garantit pas un business case positif. Le prix du modèle n’est qu’une partie de la facture.
Données. L’IA ne peut pas prendre des décisions fiables sur des informations dispersées, obsolètes ou mal gouvernées.
Confiance. Les personnes n’acceptent pas la même part de décision automatique dans tous les domaines. La technologie peut avancer plus vite que la culture.
La facture ne se limite pas aux tokens
Un modèle peu coûteux n’implique pas forcément des opérations peu coûteuses. Un agent dont l’usage du modèle coûte peu peut devenir bien plus cher dès qu’il lit des données de production, exécute des actions et doit être démontrablement sûr, auditable et réversible.
Modèle, API et outils
Les agents lisent davantage de contexte, effectuent plusieurs appels API et outils et retentent parfois certaines étapes. Un workflow peut donc consommer beaucoup plus qu’une simple réponse de chat.
Logging et audit
Il faut pouvoir reconstruire qui ou quoi a fait quelque chose, avec quelles données et avec quel résultat. Le logging continu demande du stockage, du monitoring et du suivi.
Sécurité et identités
Secrets, service accounts, droits limités, revues de sécurité et contrôles périodiques des accès deviennent des coûts opérationnels récurrents.
Tests et évaluation
Les agents ne doivent pas seulement « fonctionner » dans une démo. Ils doivent être testés face aux exceptions, régressions et scénarios d’abus.
Récupération et retour arrière
Les actions nécessitent des informations d’état, des chemins de récupération et parfois des snapshots. Sans mécanisme fiable de retour arrière, un agent peu coûteux peut provoquer une erreur très coûteuse.
Exceptions humaines
Les 5 % les plus difficiles ne disparaissent pas. Ils se concentrent souvent chez les collaborateurs expérimentés et coûtent donc plus cher par cas.
Que signifie tout cela pour les organisations ?
Ne commencez pas par « Quelle IA devons-nous acheter ? ». Commencez par ce que vous voulez lui permettre de faire.
Une entreprise n’a pas besoin d’une politique IA de cinquante pages avant de commencer. Mais avant de donner à l’IA accès aux données de l’entreprise ou le droit d’exécuter des actions, cinq éléments devraient être clairs.
1. Valeur
Quel problème réel voulons-nous résoudre ? Temps, qualité, capacité, expérience client ou autre chose ?
2. Données
Quelles informations le système peut-il voir ? Où se trouvent-elles, quel est leur niveau de sensibilité et qui en est responsable ?
3. Autonomie
L’IA peut-elle uniquement lire, peut-elle aussi conseiller, ou peut-elle agir ? Tous les cas d’usage ne méritent pas le même niveau de liberté.
4. Contrôle
Quand un humain doit-il intervenir ? Qui peut valider, et cette personne dispose-t-elle réellement d’assez de contexte pour pouvoir dire non ?
5. Récupération
Peut-on voir après coup ce qui s’est passé, arrêter le processus et revenir en arrière si nécessaire ?
Mini-cas : un agent de service desk qui gagne progressivement en autonomie
Imaginons une entreprise qui déploie un agent sur son service desk. La première question n’est pas de savoir s’il peut travailler « de manière autonome ». La vraie question est : quelle étape peut-on ouvrir sans prendre un risque disproportionné ?
Assist : lit les tickets et la documentation, retrouve des incidents similaires et prépare une recommandation. Aucun droit de modification.
Advise : prépare un reset ou une action de récupération et montre les éléments de preuve, l’impact et le plan de retour arrière. Un collaborateur décide.
Act : n’exécute que des actions à faible risque approuvées à l’avance, avec contrôles d’identité, logging et vérifications par échantillonnage. Les changements en production restent bloqués.
Trois questions plus larges restent ensuite à poser dans chaque organisation :
- Que peut faire l’IA pour nous ? Où perdons-nous du temps, où manque-t-il de la capacité et où pouvons-nous mieux utiliser l’information ?
- Qu’est-ce que nous ne voulons absolument pas que l’IA fasse seule ? Quelles décisions, données et actions sont trop sensibles pour une exécution autonome ?
- Quelles compétences voulons-nous continuer à maîtriser nous-mêmes ? Quelles tâches construisent l’expertise qui permettra plus tard de contester l’IA de manière critique ?
De l’article à la pratique : AI autonomy scan
Les organisations qui souhaitent appliquer ce cadre à leur propre environnement peuvent passer en revue avec ADS un nombre limité de cas d’usage concrets, selon cinq angles : valeur, données, permissions, contrôle humain et capacité de récupération.
Conclusion
L’IA avance plus vite que beaucoup d’organisations ne sont conçues pour changer
En trois ans, nous sommes passés de la réécriture d’e-mails à des agents logiciels, des modèles multimodaux et des systèmes capables de naviguer eux-mêmes dans des ordinateurs. Cela rend toute prédiction incertaine. Mais une chose paraît assez claire : les prochaines années ne concerneront pas seulement de meilleures réponses.
Elles concerneront des systèmes qui peuvent voir plus de choses, choisir davantage d’étapes intermédiaires et exécuter davantage de travail.
Certaines entreprises iront trop vite. D’autres attendront tellement longtemps que les collaborateurs commenceront eux-mêmes à utiliser des solutions non contrôlées. Aucun des deux extrêmes n’est souhaitable.
Les organisations qui géreront bien cette évolution ne seront probablement pas celles qui utilisent le plus d’IA. Ce seront celles qui définissent clairement où l’IA peut accélérer le travail, où une validation humaine apporte réellement quelque chose et quelles compétences les personnes doivent continuer à conserver.
« Que peut faire l’IA pour nous ? » reste une question importante. Mais à partir de maintenant, elle doit toujours être accompagnée d’une deuxième : « Qu’est-ce que nous ne voulons absolument pas qu’elle fasse seule ? »
Sources et lectures complémentaires
- Stanford HAI (2026). AI Index Report 2026. Technical Performance, highlight 9 : OSWorld 66,3 % et référence humaine 72,35 %. Economy, highlight 5 : 88 % d’adoption organisationnelle et 70 % de GenAI dans au moins une fonction. Responsible AI, highlight 1 : 362 incidents en 2025 contre 233 en 2024. https://hai.stanford.edu/ai-index/2026-ai-index-report
- Microsoft (5 mai 2026). Work Trend Index Annual Report: Agents, human agency, and the opportunity for every organization. Enquête auprès de 20 000 knowledge workers utilisant l’IA dans 10 marchés ; 58 % déclarent produire un travail qui n’était pas possible un an plus tôt ; la télémétrie montre une croissance par 15 des agents actifs entre mars 2025 et mars 2026. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization
- McKinsey (25 août 2026). The State of AI in 2026: On the road to ROI. Key takeaways / Exhibit 2 : dans les organisations dépassant 1 milliard de dollars de chiffre d’affaires, 40 % déploient des agents à l’échelle dans au moins une fonction, contre 27 % un an plus tôt. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- SPF Économie (2026). Belgian Digital Economy Overview 2026. 34,54 % des entreprises belges utilisaient au moins une technologie d’IA en 2025, contre 24,71 % en 2024. https://news.economie.fgov.be/266395-belgie-een-van-de-europese-koplopers-op-vlak-van-ai/
- OCDE (2026). PISA 2025 Results: Belgium country note. 42 % utilisent l’IA au moins chaque semaine pour apprendre ; 27 % pour résumer ; 26 % pour une recherche préliminaire ; 26 % pour des tâches d’écriture. https://www.oecd.org/en/publications/pisa-2025-results-volume-i-country-notes_2d4ff9ea-en/belgium_598fabf6-en.html
- OCDE (2026). Digital Education Outlook 2026. Analyse des opportunités et risques de l’IA générative dans l’apprentissage, y compris l’externalisation cognitive et la différence entre meilleure production et réel apprentissage. https://www.oecd.org/en/publications/oecd-digital-education-outlook-2026_062a7394-en.html
- WHO/Europe (19 nov. 2025). Artificial intelligence is reshaping health systems: state of readiness across the WHO European Region. Enquête 2024-2025, 50 États membres : 64 % diagnostics assistés par IA, 8 % stratégie IA spécifique à la santé, 8 % standards de responsabilité. WHO/Europe a répété cet avertissement de gouvernance le 15 juillet 2026. https://www.who.int/europe/publications/i/item/WHO-EURO-2025-12707-52481-81028
- OWASP GenAI Security Project (14 avr. 2026). GenAI Exploit Round-up Report Q1 2026. Exploits pratiques liés aux identités d’agents, à l’autonomie excessive, aux supply chains, à l’exfiltration de données et au prompt injection. https://genai.owasp.org/2026/04/14/owasp-genai-exploit-round-up-report-q1-2026/
- Europol (30 sept. 2026). EU law enforcement chiefs gather to discuss new challenges in EU security. https://www.europol.europa.eu/media-press/newsroom/news/eu-law-enforcement-chiefs-gather-to-discuss-new-challenges-in-eu-security
- Commission européenne (2026). AI Act application and enforcement timeline. Cas d’usage à haut risque de l’Annexe III, notamment enseignement, emploi et infrastructures critiques : 2 déc. 2027 ; IA à haut risque dans des produits réglementés : 2 août 2028. https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act
- ManpowerGroup & Experis (2026). 2026 Talent Shortage Survey : 39 063 employeurs dans 41 pays ; AI Model & Application Development (20 %) et AI Literacy (19 %) arrivent en tête des compétences difficiles à trouver. Experis Tech Talent Outlook Q3 : 4 497 employeurs tech dans 42 pays ; AI development 34 %, Communication, Collaboration & Teamwork 41 %. Une étude plus petite de Talent Solutions/Everest Group auprès de 80 responsables RH et talent seniors aux États-Unis et au Royaume-Uni a trouvé plus de 90 % d'adoption de l'IA dans le talent acquisition mais moins de 5 % de résultats transformationnels ; 54 % signalaient un signal candidat plus difficile à lire à cause des usages de l'IA. https://investor.manpowergroup.com/node/68796 ; https://www.manpowergroup.com/en/news-releases/news/employers-tighten-focus-on-ai-and-human-skills-as-global-tech-hiring-moderates ; https://www.manpowergroup.com/news-releases/news/90-of-companies-use-ai-in-hiring-fewer-than-5-are-seeing-it-work
- PwC (15 juin 2026). Global AI Jobs Barometer 2026. Analyse de plus d’un milliard d’offres d’emploi ; 2,4 millions de postes entry-level aux États-Unis montrent que les rôles juniors fortement exposés à l’IA demandent 7x plus souvent des compétences historiquement associées à des profils seniors. https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html
- METR (2026). Task-Completion Time Horizons of Frontier AI Models. Tendance historique d’augmentation rapide de l’horizon des tâches, fortement orientée vers des tâches de type logiciel ; aucune garantie que ce rythme se poursuive linéairement. https://metr.org/time-horizons/
- World Economic Forum (2026). Global Cybersecurity Outlook 2026. L’IA comme accélérateur de la défense et de l’attaque, avec gouvernance et expertise humaine comme conditions essentielles. https://www.weforum.org/publications/global-cybersecurity-outlook-2026/
- NATO (13 jan. 2026). Alliance Digital Strategy. Orientations sur les données, l’IA, la collaboration humain-machine, la situational awareness et l’usage responsable. https://www.nato.int/en/about-us/official-texts-and-resources/official-texts/2026/01/13/alliance-digital-strategy
Note méthodologique. Les chiffres cités concernent des populations et cas d'usage différents et ne doivent pas être comparés directement. Les mentions « mesuré » renvoient aux sources indiquées. Les scénarios 2027 et 2031 sont des analyses ADS. Le travail de METR sur l'horizon des tâches est fortement orienté vers des tâches de type logiciel et ne peut pas être extrapolé tel quel à tous les secteurs. L'étude Talent Solutions repose sur un petit échantillon États-Unis/Royaume-Uni et sert ici d'indication ciblée sur l'écart entre adoption et maturité, pas de benchmark mondial.