Quand on parle d'IA au travail, l'image la plus familière est souvent celle d'un salarié qui ouvre une fenêtre de chat et demande à un modèle de rédiger un e-mail, résumer un document ou analyser des données. La tâche va plus vite, mais la personne continue à donner les instructions étape par étape et à transférer elle-même le résultat dans la suite du processus.
Les agents IA déplacent cette frontière.
Au lieu d'attendre un prompt à la fois, un agent peut recevoir un objectif, décider des étapes nécessaires, utiliser des outils, vérifier le résultat et enchaîner plusieurs actions dans des limites définies. La question économique passe alors de « combien de temps l'IA peut-elle faire gagner sur une tâche ? » à que se passe-t-il lorsque l'IA peut gérer une suite de tâches à l'échelle d'un workflow entier ?
L'OCDE a publié Agentic AI in organisations en septembre 2026, à partir d'entretiens menés auprès d'organisations de plusieurs régions et secteurs. Le rapport montre que les systèmes agentiques commencent déjà à être développés et déployés, alors que la gouvernance, la mesure des résultats et les pratiques opérationnelles restent encore à un stade précoce.
Notre article précédent L'IA va-t-elle vraiment supprimer des emplois – ou rendre certains travaux plus précieux ? expliquait pourquoi l'IA transforme souvent la tâche avant le métier dans son ensemble. Lorsque plusieurs tâches sont reliées par un agent, ce qui peut être redessiné n'est plus seulement une tâche isolée, mais le workflow lui-même.
Un agent IA est plus qu'un chatbot plus intelligent
Un chatbot classique suit un schéma simple :
l'utilisateur demande → l'IA répond → l'utilisateur décide de la suite
Un agent peut fonctionner dans une boucle plus longue :
objectif → planifier → utiliser des outils → agir → vérifier les résultats → ajuster → continuer ou escalader
Anthropic décrit les agents comme des systèmes capables de travailler entre plusieurs applications, d'écrire et d'exécuter du code, de gérer des fichiers et d'accomplir des tâches en plusieurs étapes. Cela leur donne davantage d'autonomie, c'est-à-dire une plus grande liberté d'action à l'intérieur des outils, autorisations et limites définis par les humains.
Prenons la vente.
Un chatbot peut rédiger un e-mail de relance. Un agent pourrait recevoir l'objectif « relancer les prospects à fort potentiel », consulter le CRM, vérifier l'état du compte, rédiger le message, choisir le moment d'envoi, enregistrer le résultat, programmer un rendez-vous et transmettre le dossier à un commercial lorsqu'un jugement humain devient nécessaire.
La plupart de ces tâches existaient déjà. Ce qui change, c'est la possibilité de les relier sans qu'une personne doive servir d'intermédiaire à chaque passage de relais.
L'économie change lorsque l'IA passe des tâches aux workflows
Les premiers usages de l'IA au travail se sont souvent concentrés sur la productivité individuelle : écrire plus vite, chercher plus vite ou résumer les réunions plus vite.
Mais une entreprise ne fonctionne pas comme une série de tâches isolées. Le travail circule entre des personnes, des équipes, des logiciels et des chaînes d'approbation.
Un processus d'achat peut recevoir une demande, vérifier le stock, demander des devis, comparer les fournisseurs, obtenir une approbation, créer un bon de commande, suivre la livraison et transmettre les informations à la comptabilité. Les retards viennent souvent moins d'une étape précise que de l'attente d'informations, des vérifications répétées et de la coordination entre fonctions.
C'est là qu'un agent peut avoir un effet économique différent de celui d'un copilot utilisé par un seul salarié.
La Global Survey on AI 2026 de McKinsey indique que 80% des répondants ont déclaré que l'IA avait amélioré leur productivité individuelle, tandis que seulement 37% attribuaient au moins une partie de l'impact sur l'EBIT à l'utilisation de l'IA dans leur organisation. Cet écart ne prouve pas que les agents régleront le problème, mais il montre pourquoi rendre une personne plus rapide ne rend pas automatiquement l'ensemble de l'organisation plus rentable.
Si le workflow conserve des validations en double, des transferts de fichiers et des systèmes déconnectés, le bénéfice peut s'arrêter au poste de travail du salarié.
La valeur peut se trouver dans les passages de relais entre les étapes
La valeur économique d'un agent ne se limite donc pas aux heures de travail économisées.
Elle peut venir de la réduction des temps d'attente, du copier-coller, des relances, des erreurs de transfert de données et du volume de coordination humaine nécessaire entre les systèmes.
Un processus de facturation peut, par exemple, recevoir un document, valider des champs, le rapprocher d'un bon de commande, signaler des anomalies, préparer une écriture comptable et envoyer le dossier à approbation. Si un agent traite les parties structurées comme une seule séquence, les personnes peuvent n'avoir à intervenir que lorsque les données ne correspondent pas, qu'un seuil est dépassé ou qu'un cas inhabituel apparaît.
Les agents ne sont pas des travailleurs numériques gratuits.
Les organisations paient toujours les modèles, l'intégration logicielle, la préparation des données, les autorisations, le monitoring, l'évaluation, la sécurité et le temps humain consacré aux exceptions. Certains workflows peuvent produire d'importantes économies. D'autres peuvent coûter plus cher à automatiser que ce qu'ils rapportent.
C'est pourquoi l'économie des agents doit être mesurée au niveau du workflow, et pas uniquement au nombre d'heures de salariés apparemment économisées.
Le travail humain peut passer de l'exécution de chaque étape à la supervision du système
À mesure que les agents prennent en charge davantage d'exécution, la place de l'humain dans le workflow peut changer.
Au lieu de :
faire → transmettre → vérifier → continuer → demander une approbation
le schéma peut devenir :
fixer l'objectif → définir les contraintes → examiner les exceptions → décider → assumer la responsabilité
Cela rejoint directement la question du marché du travail abordée dans A10. Si l'IA devient meilleure sur certaines tâches, la valeur humaine peut se déplacer vers le jugement, le contexte, la communication et la responsabilité. Les agents renforcent cette question parce qu'ils peuvent prendre en charge des séquences, pas seulement des tâches isolées.
Le Work Trend Index 2026 de Microsoft pour la Thaïlande indiquait que 32% des travailleurs thaïlandais de son échantillon étaient classés comme « Frontier Professionals », contre 16% en moyenne mondiale, tandis que les organisations thaïlandaises rencontraient encore des difficultés pour passer d'un usage individuel de l'IA à son intégration dans les workflows centraux de l'organisation.
Il s'agit de données issues des plateformes et enquêtes de Microsoft, et non d'une statistique du travail représentative de toute la Thaïlande. Elles mettent néanmoins en évidence une distinction importante : bien utiliser l'IA individuellement n'est pas la même chose que redessiner une organisation autour d'elle.
Davantage d'autonomie ne signifie pas retirer les humains du système
L'intérêt d'un agent est qu'il peut continuer à travailler avec moins de supervision étape par étape. Cette même propriété élargit aussi le risque.
Si un chatbot donne une mauvaise réponse, une personne peut la repérer avant d'agir. Si un agent comprend mal un objectif et dispose d'un accès à plusieurs systèmes, l'erreur peut se propager sur plusieurs étapes avant que quelqu'un ne la voie.
Anthropic cite des risques allant de la mauvaise interprétation de l'intention de l'utilisateur aux attaques de Prompt Injection visant à manipuler un agent pour qu'il réalise une action qu'il ne devrait pas effectuer.
Cela rend la conception human-in-the-loop plus subtile que le fait d'exiger une validation humaine pour chaque clic.
Une organisation peut définir :
- les systèmes auxquels l'agent peut accéder
- des plafonds de transaction ou de dépense
- les actions nécessitant une approbation
- les données qui ne doivent pas sortir d'un périmètre défini
- les exceptions qui doivent être remontées à un humain
- les points où le processus doit s'arrêter pour attendre une décision humaine
L'objectif n'est pas nécessairement d'éliminer les personnes du workflow. Il s'agit de choisir les endroits où le jugement humain apporte le plus de valeur.
Les grandes entreprises et les PME pourraient ne pas en bénéficier au même rythme
La performance d'un agent dépend de plus que du modèle d'IA. Elle dépend aussi de la qualité des données, de l'intégration des systèmes, des autorisations et de la clarté avec laquelle le workflow existant est défini.
Une entreprise disposant d'un CRM, d'un ERP, d'APIs, d'une gouvernance des données et d'une équipe informatique ne part pas du même point qu'une petite entreprise qui travaille encore avec des tableurs, des applications de messagerie et des documents répartis entre plusieurs systèmes.
L'enquête D4SME 2026 de l'OCDE montre que l'utilisation de l'IA progresse dans les PME et que certaines entreprises expérimentent des agents IA, mais que l'intégration stratégique et sécurisée dans les opérations reste inégale. Le manque de temps, les coûts de maintenance et les écarts de compétences font partie des obstacles.
Cela pose une question de concurrence plus intéressante que celle de savoir qui obtient un chatbot en premier.
Si les agents réduisent réellement les coûts de coordination, les entreprises disposant de meilleures données et de meilleurs systèmes pourraient réduire le coût par transaction ou traiter davantage de travail avant leurs concurrents plus petits. Si cet avantage se cumule, l'écart de productivité entre entreprises pourrait s'élargir.
L'inverse est également possible. Des agents packagés, peu coûteux et faciles à déployer pourraient réduire le désavantage technologique des PME. Il est encore trop tôt pour supposer que seules les grandes entreprises en profiteront.
Et si cette évolution allait beaucoup plus loin vers l'AGI ?
Les agents IA actuels ne sont pas une Artificial General Intelligence, ou AGI, c'est-à-dire une IA possédant des capacités générales dans de nombreux domaines.
Un cadre de littératie en IA de l'OCDE et de la Commission européenne décrit l'AGI comme des systèmes capables d'égaler ou de dépasser la polyvalence cognitive et le niveau de compétence d'un adulte bien éduqué, et précise qu'aucun système de ce type n'existe actuellement.
Les films montrent souvent quelque chose de bien plus large : un esprit numérique capable d'apprendre, planifier, décider et agir seul dans presque tous les domaines. Cette image est très éloignée des agents que les entreprises expérimentent aujourd'hui.
Les agents actuels fonctionnent encore avec des objectifs, outils, autorisations et limites fournis par des humains, et ils peuvent échouer sur des tâches apparemment ordinaires.
Si les systèmes passent un jour de la gestion de workflows spécialisés à des capacités générales larges associées à l'AGI, les conséquences pour l'entreprise et le travail seraient d'un autre ordre. D'ici là, la question la plus pratique est où les humains doivent se situer dans un workflow lorsque les agents prennent en charge une plus grande part de son exécution.
Ce qu'il faut surveiller ensuite
Le premier signal est la vitesse à laquelle les agents passent des pilotes aux workflows de production. Une démonstration réussie n'est pas la même chose qu'un fonctionnement quotidien avec de vraies données, de vrais clients et de l'argent réel.
Le deuxième est la mesure du ROI au niveau du workflow. Si les entreprises continuent de ne suivre que les taux d'adoption ou les heures de travail économisées, l'effet économique peut rester difficile à voir.
Le troisième est le niveau d'autorisation que les organisations sont prêtes à donner aux agents : lecture seule, rédaction, transactions ou actions sans approbation. Cela révèle à la fois le degré de confiance et le risque accepté.
Le quatrième concerne les taux d'exception et les points d'escalade vers l'humain. Un système qui paraît autonome à l'écran peut encore dépendre d'une quantité importante de travail humain invisible.
Pour la Thaïlande, un autre signal est de savoir si les PME peuvent accéder à des systèmes d'agents fiables à un coût abordable. Si les workflows agentiques exigent une infrastructure de données et une intégration coûteuses, l'écart de productivité entre entreprises pourrait s'élargir. Si des solutions packagées réduisent fortement ces coûts, les petites entreprises pourraient en bénéficier plus tôt que prévu.
La première vague d'IA au travail nous a fait demander : « L'IA peut-elle aider sur cette tâche ? » Les agents IA poussent la question plus loin : « Avons-nous encore besoin de concevoir le workflow de cette manière ? » C'est peut-être là que l'impact économique devient plus profond que le simple fait de disposer d'un assistant de rédaction plus rapide.
