AI ∞ IA

Depuis quelques mois, l’expression « IA agentique » s’est installée dans les conférences, les feuilles de route des éditeurs logiciels et les discours d’investisseurs. Le terme désigne des systèmes capables non plus seulement de répondre à une requête, mais d’enchaîner des actions : ouvrir des applications, interroger des bases de données, rédiger un document, lancer une commande, corriger une erreur, recommencer.

Le récit est déjà rodé. Après les chatbots viendrait une génération d’IA capable d’agir dans les environnements numériques. Des assistants universels. Des collaborateurs logiciels. Des systèmes capables de gérer des tâches entières à la place des humains.

La réalité technique est plus sèche.

La plupart des systèmes dits « agentiques » reposent sur un assemblage : un grand modèle de langage, un orchestrateur, des outils externes, une mémoire limitée, des instructions, des garde-fous et parfois une validation humaine. Le mot « agent » donne une impression d’autonomie générale. Dans les faits, ces systèmes restent dépendants du contexte, coûteux à faire tourner et difficiles à fiabiliser dans des situations ouvertes.

Le cœur du sujet n’est pas l’apparition d’une intelligence autonome. C’est l’automatisation de chaînes de décision dans des environnements numériques contrôlés.

Les démonstrations publiques montrent souvent des cas simples : réserver un billet, résumer des réunions, générer du code, remplir des tableaux, déplacer des données d’un logiciel à un autre. Dès que l’environnement devient moins prévisible, les limites apparaissent. Les modèles oublient des contraintes, interprètent mal des instructions, exécutent une mauvaise action ou produisent une réponse plausible mais fausse.

Les benchmarks confirment cette ambivalence. Les scores sur SWE-bench, un test utilisé pour évaluer les agents de développement logiciel sur des problèmes issus de GitHub, ont fortement progressé. Certains systèmes récents dépassent désormais les scores modestes des premières générations. Cela ne signifie pas pour autant qu’un agent logiciel puisse être déployé sans supervision dans un environnement critique. Un benchmark mesure une performance cadrée. Une entreprise doit gérer des erreurs, des coûts, des délais, des responsabilités et des dépendances techniques.

Qui gagne du pouvoir ?

La question centrale n’est donc pas seulement : que peuvent faire ces agents ? La question centrale est : qui contrôle les conditions de leur fonctionnement ?

À ce stade, la réponse est nette. Le pouvoir se concentre du côté des entreprises capables de financer les infrastructures : Microsoft, Google, Amazon, Meta, NVIDIA, OpenAI, Anthropic et quelques autres. Elles contrôlent les modèles, les plateformes cloud, les puces, les API, les interfaces, les conditions d’accès et les prix.

Le AI Index Report 2025 de Stanford montre l’écart croissant entre les moyens de la recherche publique et ceux des grands groupes privés. En 2024, l’investissement privé américain dans l’IA atteignait 109,1 milliards de dollars. Peu d’universités, d’États ou de structures indépendantes peuvent suivre ce rythme.

Les travaux d’Emily Bender, Timnit Gebru, Angelina McMillan-Major et Margaret Mitchell sur les « stochastic parrots » avaient déjà formulé une critique essentielle : les grands modèles ne sont pas seulement des objets techniques. Ils sont aussi le produit d’une concentration massive de calcul, de données, d’énergie et de capital.

Le discours dominant présente pourtant ces outils comme une démocratisation de la puissance informatique. La formule mérite d’être examinée de près.

Un professeur qui utilise un assistant IA ne contrôle pas le modèle. Il ne contrôle pas ses données d’entraînement. Il ne contrôle pas ses règles de filtrage. Il ne contrôle pas ses mises à jour. Il ne contrôle pas son prix futur. Même constat pour les photographes, les journalistes, les vidéastes, les graphistes, les développeurs, les traducteurs ou les employés administratifs.

Ces outils peuvent faire gagner du temps. Ils peuvent aussi réduire l’autonomie technique. C’est un échange : vitesse contre dépendance.

Le travail fragmenté : vers un taylorisme algorithmique

L’IA agentique ne remplace pas toujours le travail humain. Souvent, elle le découpe.

Le développeur ne code plus certaines parties, il vérifie du code généré. Le journaliste ne rédige plus toujours un premier jet, il corrige une sortie automatique. Le support client ne répond plus directement, il valide ou ajuste des réponses préfabriquées. Le professeur ne crée plus forcément un document de départ, il trie, corrige et adapte des propositions produites par un système externe.

Ce déplacement rappelle le taylorisme industriel, appliqué au travail intellectuel. Les tâches sont fragmentées, standardisées, mesurées, puis réorganisées autour d’un système central. L’humain reste présent, mais son rôle change. Il devient superviseur, correcteur, valideur.

• Il vérifie des sorties.
• Il corrige des erreurs.
• Il surveille des automatisations.
• Il assume souvent la responsabilité finale.

Ce modèle peut entraîner une perte progressive de compétence. On ne maîtrise plus toute la chaîne de production. On apprend à contrôler une machine qui exécute des fragments du travail. À long terme, ce glissement pose une question simple : que devient un métier quand ses gestes principaux sont externalisés vers des systèmes opaques ?

Antonio Casilli, dans En attendant les robots, rappelle que l’automatisation repose souvent sur une masse de travail humain invisible : annotation, modération, clics, corrections, entraînement, feedback. L’IA agentique ne supprime pas cette dépendance. Elle la déplace. Elle la rend parfois moins visible.

Le verrouillage par API

L’histoire récente du numérique montre un schéma récurrent. Les plateformes simplifient les usages tout en déplaçant le contrôle vers des infrastructures centrales. Le cloud a déplacé les logiciels vers les serveurs des grands fournisseurs. Les réseaux sociaux ont absorbé les espaces de publication indépendants. Les smartphones ont verrouillé des écosystèmes entiers autour de quelques magasins d’applications.

L’IA agentique prolonge cette logique.

Une entreprise qui construit ses processus autour de l’API d’OpenAI, d’Anthropic ou d’un service cloud propriétaire transfère une partie de sa logique métier vers une infrastructure qu’elle ne contrôle pas. Ce n’est pas seulement une dépendance logicielle. C’est une dépendance stratégique.

Si le prix change, si le modèle évolue, si une API disparaît, si les conditions d’usage sont modifiées, si une fonctionnalité devient payante ou si une réglementation bloque certains transferts de données, tout un workflow peut devenir instable.

Les entreprises pensent parfois externaliser un service. Elles externalisent en réalité une partie de leur autonomie technique.

Ce verrouillage est plus profond que celui des logiciels classiques. Les agents ne se contentent pas d’exécuter une fonction isolée. Ils s’intègrent dans des chaînes de décision, des bases de données, des outils métiers, des historiques, des procédures internes. Une fois ces chaînes construites autour d’un fournisseur, changer d’infrastructure devient difficile, coûteux et risqué.

Le trou noir de la responsabilité

La question juridique suit immédiatement.

Si un agent supprime un fichier important, lance une commande d’achat, transmet une information erronée, bloque un client, exécute une opération financière ou produit une recommandation discriminatoire, qui est responsable ?

• Le fournisseur du modèle ?
• L’entreprise qui l’intègre ?
• Le développeur de l’agent ?
• L’utilisateur final ?
• Le superviseur humain qui n’a pas vu l’erreur ?

Les systèmes agentiques brouillent les chaînes classiques de responsabilité. Une décision peut venir d’un modèle probabiliste, d’un outil externe, d’un système de mémoire, d’une instruction générée à la volée ou d’une interaction entre plusieurs agents.

Plus l’architecture devient complexe, plus l’erreur devient difficile à attribuer. Les entreprises vendent l’autonomie quand le système fonctionne. Quand il échoue, la responsabilité revient souvent vers l’humain.

Ce « responsibility gap » n’est pas un détail technique. Il touche la finance, la santé, l’administration, l’éducation, la cybersécurité, les assurances et le droit du travail.

Une vieille idée sous une nouvelle interface

L’IA agentique n’apparaît pas dans le vide. Elle reprend des idées anciennes : rétroaction, contrôle, décision automatisée, ajustement à l’environnement. Norbert Wiener posait déjà ces questions avec la cybernétique au milieu du XXe siècle. Les systèmes actuels ne changent pas seulement par leur logique. Ils changent par leur échelle.

Les agents contemporains s’appuient sur des modèles statistiques géants, des centres de données, des puces spécialisées, des infrastructures cloud et des investissements industriels massifs. Leur autonomie apparente repose sur une chaîne matérielle lourde.

Le mot « agent » donne une impression de logiciel immatériel. En réalité, chaque requête mobilise une infrastructure : extraction de minerais, fabrication de semi-conducteurs, transport mondial, data centers, refroidissement, électricité, réseaux.

Le coût matériel de l’autonomie

L’empreinte énergétique du secteur devient difficile à ignorer. L’Agence internationale de l’énergie estime que la consommation électrique mondiale des data centers pourrait passer de 460 TWh en 2024 à plus de 1 000 TWh en 2030 dans son scénario de base pour l’énergie et l’IA.

Source : International Energy Agency, Energy supply for AI.

L’eau devient aussi un sujet critique. Les travaux de Shaolei Ren et de ses collègues sur l’empreinte hydrique de l’IA montrent que les modèles génératifs nécessitent de l’eau pour le refroidissement des centres de données et pour la production d’électricité. L’article Making AI Less Thirsty, publié dans Communications of the ACM, rappelle que l’usage massif de ces systèmes doit être évalué avec les coûts carbone et hydriques, pas seulement avec les performances techniques.

L’IA agentique risque d’amplifier ce coût. Un chatbot répond à une requête. Un agent peut en lancer dix, vingt ou cinquante pour accomplir une tâche. Il consulte des outils, vérifie des résultats, recommence, compare, corrige. L’autonomie logicielle peut donc multiplier les appels invisibles à l’infrastructure.

Ce point est rarement mis en avant dans les discours commerciaux. Il est pourtant central. Une IA qui agit en continu consomme en continu.

Les Small Language Models : une porte de sortie partielle

Un autre mouvement apparaît en réaction à cette centralisation : les Small Language Models, ou SLM. Ces modèles plus petits peuvent fonctionner localement sur un ordinateur personnel, un smartphone ou un serveur interne. Ils ne rivalisent pas toujours avec les plus grands modèles généralistes, mais ils peuvent suffire pour de nombreuses tâches : transcription, résumé, recherche documentaire, classification, traduction, indexation d’archives, assistance rédactionnelle.

Leur intérêt dépasse la performance. Un modèle local réduit les transferts de données, limite la dépendance aux API distantes et redonne un contrôle partiel à l’utilisateur. Une école, une rédaction, une collectivité ou un studio créatif peut construire des workflows internes sans envoyer chaque requête vers une plateforme américaine.

Les SLM peuvent aussi favoriser une informatique plus sobre. Un modèle spécialisé, exécuté localement, peut être plus adapté qu’un modèle géant mobilisé pour des tâches simples. La question devient alors moins spectaculaire, mais plus concrète : quel modèle pour quel usage, avec quel coût, sous quel contrôle ?

Il faut toutefois éviter de transformer les SLM en nouveau récit de salut technologique. Même les modèles ouverts reposent sur des puces, des frameworks, des systèmes d’exploitation et des chaînes logicielles dominés par de grands acteurs. L’open source n’a pas empêché la concentration du cloud. Il ne suffira pas, seul, à garantir une IA souveraine.

Les petits modèles peuvent offrir une autonomie d’usage. Ils ne garantissent pas une souveraineté industrielle.

La piste reste importante. Elle oblige à penser l’IA autrement : non plus comme un service distant, universel et centralisé, mais comme une infrastructure située, adaptée, contrôlable, parfois locale.

Capitalisme de surveillance, phase agentique

Les analyses de Shoshana Zuboff sur le capitalisme de surveillance permettent d’inscrire l’IA agentique dans une trajectoire plus longue. Les grandes plateformes ont d’abord capté les comportements. Elles les ont analysés, prédits, monétisés. L’étape agentique pourrait ajouter une couche : agir dans les environnements numériques à partir de ces flux de données.

La capture ne concerne plus seulement l’attention ou les traces comportementales. Elle peut toucher les gestes professionnels eux-mêmes : écrire, trier, décider, classer, acheter, répondre, corriger, planifier.

Ce déplacement change le rapport de force. Les plateformes ne fournissent plus seulement des outils. Elles deviennent des intermédiaires actifs dans l’organisation du travail.

La vraie question

L’IA agentique produit déjà des effets industriels réels. Elle peut automatiser des tâches pénibles, accélérer des recherches, faciliter l’accès à des outils complexes, assister des professionnels débordés. Il serait absurde de nier son utilité.

Mais l’utilité ne suffit pas à définir une politique technologique. Une technologie peut être efficace et renforcer la dépendance. Elle peut augmenter certaines capacités tout en affaiblissant l’autonomie collective. Elle peut faire gagner du temps tout en transférant le pouvoir vers des infrastructures privées.

Le débat ne devrait donc pas porter uniquement sur la performance des agents. Il devrait porter sur les conditions de leur déploiement.

• Qui contrôle les modèles ?
• Où circulent les données ?
• Qui paie l’infrastructure ?
• Qui peut auditer les décisions ?
• Qui assume les erreurs ?
• Qui conserve les compétences ?
• Qui peut sortir du système ?

Les systèmes agentiques ne sont pas seulement des outils. Ils sont des architectures de pouvoir. Les présenter comme de simples assistants revient à ignorer leur rôle dans la réorganisation du travail, de la dépendance numérique et de la propriété des infrastructures.

La question n’est peut-être plus de savoir si ces agents vont entrer dans nos environnements numériques. Ils y sont déjà.

La question est plus directe : voulons-nous des assistants qui agissent pour nous, ou des outils qui nous rendent plus capables ?

Sources

• Stanford HAI, AI Index Report 2025
• SWE-bench, official leaderboard
• Zhiheng Xi et al., The Rise and Potential of Large Language Model Based Agents: A Survey
• Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Margaret Mitchell, On the Dangers of Stochastic Parrots
• International Energy Agency, Energy supply for AI
• International Energy Agency, Key Questions on Energy and AI
• Shaolei Ren et al., Making AI Less Thirsty
• Antonio A. Casilli, En attendant les robots
• Shoshana Zuboff, The Age of Surveillance Capitalism