Agents IA : quand la machine fait le travail, que devient notre savoir-faire ?

Imaginons une fin de journée de travail. Les rendez-vous sont organisés, une présentation attend dans un dossier, les informations demandées ont été rassemblées. Un agent d’intelligence artificielle s’en est chargé. Il reste à relire, à corriger, à autoriser l’envoi. Le soulagement est facile à comprendre. Une question l’est moins : qu’a-t-on appris pendant que le travail se faisait ?

Cette scène hypothétique résume le déplacement qui accompagne les agents IA. La promesse ne porte plus seulement sur une réponse rapide. Elle consiste à confier à un logiciel une suite d’actions, parfois dans plusieurs applications. Pour l’utilisateur, une activité peut devenir une consigne, puis un résultat à approuver.

La réflexion proposée par Léo Duff dans sa vidéo « ChatGPT veut penser à votre place (et vous direz oui) » invite à regarder ce changement au-delà des démonstrations. La crainte concerne autant le sens de l’activité que l’emploi : quel rôle voulons-nous garder lorsque produire devient plus facile que comprendre ?

Les recherches disponibles ne permettent pas d’annoncer une disparition générale des compétences. Elles permettent, en revanche, de distinguer trois choses trop souvent confondues : réussir une tâche avec assistance, apprendre à la réaliser et conserver la capacité d’en juger le résultat.

Une vieille promesse, un pouvoir d’action nouveau

En mars 1960, le chercheur J. C. R. Licklider décrivait une « symbiose » entre l’être humain et l’ordinateur. Les personnes devaient fixer les objectifs, formuler les hypothèses et évaluer les résultats ; les machines prendraient en charge les opérations répétitives nécessaires à ce travail intellectuel. Ce partage des rôles figure dans son texte Man-Computer Symbiosis.

Le mot agent ne désigne pourtant pas une intelligence devenue indépendante de toute limite. Dans sa présentation des systèmes agentiques, Anthropic distingue les procédures dont les étapes sont prédéfinies des agents qui choisissent davantage leur manière d’utiliser des outils. Un modèle de langage peut ainsi participer à une boucle : décider d’une action, observer son résultat, poursuivre ou demander de l’aide. Les modèles de langage ne disparaissent pas ; ils deviennent l’un des composants d’un système capable d’agir.

Dans un exemple de réservation, chercher des horaires, comparer des offres et préparer une commande sont trois opérations différentes. Payer en est une quatrième. La possibilité de les enchaîner dépend du service utilisé et des autorisations accordées. Une démonstration réussie ne prouve pas que toutes les situations seront correctement traitées.

Le changement est néanmoins considérable : l’erreur peut désormais quitter le texte pour entrer dans un agenda, un document partagé ou une transaction.

Chez Anthropic, l’enthousiasme se mêle au doute

Pour observer cette transformation, Anthropic a interrogé, en août 2025, 132 ingénieurs et chercheurs de l’entreprise, puis conduit 53 entretiens approfondis. Son étude publiée en décembre 2025 décrit une forte augmentation déclarée de la productivité, mais aussi des interrogations sur les compétences et le plaisir du métier.

Les répondants estiment utiliser Claude dans 60 % de leur travail et rapportent un gain de productivité de 50 %. Ces chiffres sont autodéclarés : ils ne constituent pas une mesure expérimentale applicable à toutes les entreprises. Les participants travaillent chez le fabricant de l’outil, dans un environnement particulièrement favorable à son adoption.

La plupart disent néanmoins ne pouvoir déléguer entièrement qu’entre 0 et 20 % de leur travail. Certains apprécient de réaliser des projets auparavant inaccessibles. D’autres regrettent la pratique du code ou s’inquiètent de moins exercer les compétences nécessaires à sa vérification.

Ces témoignages ne décrivent donc pas une expérience unique de l’IA. La même assistance peut élargir le champ d’action d’une personne et éloigner une autre de l’activité qu’elle aimait.

Le temps gagné ne se mesure pas à l’impression de vitesse

Un résultat arrive vite à l’écran. Cela ne dit pas encore combien de temps il faudra pour le vérifier, le corriger et l’intégrer.

L’organisme de recherche METR a conduit une expérience avec 16 développeurs expérimentés sur 246 tâches dans des projets qu’ils connaissaient bien. Avec les outils étudiés entre février et juin 2025, ils ont mis, en moyenne, 19 % de temps supplémentaire lorsque l’IA était autorisée. Ils pensaient pourtant avoir travaillé plus vite. Ce résultat expérimental concerne un contexte et une génération d’outils précis.

Il serait tout aussi trompeur d’en faire un verdict permanent contre l’IA. En février 2026, METR a expliqué que sa nouvelle expérience ne permettait plus une estimation fiable, notamment parce que certains développeurs refusaient les tâches sans assistance. Les chercheurs jugeaient plausible une amélioration des gains, sans pouvoir la quantifier solidement.

Pour une organisation, la conséquence pratique est simple : mesurer le travail terminé, avec sa qualité et ses corrections, plutôt que la vitesse à laquelle apparaissent les premières propositions. Un abonnement ne dispense pas d’un bilan.

Surveiller une machine reste un travail

Le contrôle humain est souvent présenté comme la réponse aux erreurs de l’IA. Encore faut-il donner au contrôleur les moyens de contrôler.

Dans une revue de recherches publiée en 2010 dans Human Factors, Raja Parasuraman et Dietrich Manzey analysaient déjà la complaisance et les biais liés à l’automatisation. Lorsque plusieurs tâches se disputent l’attention, la surveillance d’un système automatisé peut en pâtir. Les auteurs distinguent aussi les erreurs commises en suivant une aide imparfaite ou en négligeant ce qu’elle n’a pas signalé. L’expertise n’immunise pas contre ces mécanismes.

En 2026, Margaret Mitchell, Avijit Ghosh et Samir Passi ont appliqué ces préoccupations aux agents dans AI Agents Push Humans Out of the Loop. Leur texte est une prise de position scientifique appuyée sur des travaux antérieurs, pas une expérience démontrant que tous les utilisateurs perdent leurs capacités. Il soutient que la supervision exige une conception des outils et une organisation du travail qui entretiennent l’attention et les compétences.

Un bouton « Valider » ne suffit donc pas. Si une personne reçoit vingt dossiers à approuver avant midi, sans accès commode aux pièces d’origine, sa responsabilité formelle risque de dépasser sa capacité réelle d’examen.

Notre analyse : une organisation qui automatise l’exécution doit aussi financer la vérification. Sinon, elle peut déplacer le travail et le risque vers un salarié auquel elle continue de demander d’aller plus vite.

Obtenir la réponse n’est pas apprendre

Le risque devient particulièrement visible lorsque la tâche sert aussi à se former.

Une étude publiée dans PNAS en 2025, menée auprès de près d’un millier de lycéens en Turquie, a comparé deux assistants fondés sur GPT-4 à un groupe sans IA. L’un ressemblait à une interface de conversation classique ; l’autre était conçu avec des indications pédagogiques fournies par les enseignants.

Les élèves assistés réussissaient mieux pendant l’entraînement. Mais, lors de l’épreuve sans assistance, le groupe utilisant l’interface classique obtenait des résultats inférieurs de 17 % à ceux du groupe témoin. Cet effet négatif n’était pas retrouvé de façon statistiquement significative avec le tuteur encadré. L’expérience porte sur des mathématiques au lycée ; elle ne prouve pas un déclin général de l’intelligence.

Elle éclaire une distinction essentielle pour la formation professionnelle : un outil peut améliorer le document livré sans améliorer, dans les mêmes proportions, la compréhension de son auteur.

Pour un apprenti comptable, par exemple, demander l’explication d’un écart et tenter de le résoudre avant de consulter une suggestion n’a pas la même valeur pédagogique que recevoir un tableau entièrement corrigé. Cet exemple illustre un choix de méthode, pas un résultat mesuré dans la profession.

Le plaisir de faire mérite une place dans le calcul

Il serait injuste de faire de toute difficulté une vertu. Ressaisir cent fois la même information ne rend pas nécessairement plus compétent. Une assistance peut libérer de l’énergie, rendre une tâche accessible ou permettre de consacrer davantage de temps à une personne.

Mais toutes les activités ne se réduisent pas à leur livrable. Chercher un angle journalistique, assembler une argumentation ou comprendre pourquoi une solution échoue peut avoir une valeur propre. Le détour participe parfois à ce que l’on cherchait.

L’enjeu apparaît alors dans la définition du travail bien fait. Si seule compte la quantité produite, les moments consacrés à l’exploration deviennent faciles à classer parmi les dépenses inutiles. Pourtant, une organisation qui renonce à former ses débutants pourrait rencontrer, plus tard, des difficultés à trouver les experts capables de contester ses systèmes.

C’est une hypothèse de risque, non une fatalité démontrée. Elle mérite cependant d’entrer dans les décisions d’investissement, au même titre que les coûts d’abonnement.

Quand le choix individuel devient une norme collective

La notion de « monopole radical », développée par Ivan Illich dans Tools for Conviviality, en 1973, aide à penser une autre dimension du problème. Elle désigne la domination d’un mode de satisfaction des besoins qui réduit la place des alternatives, au-delà du monopole commercial d’une seule marque.

Son application aux agents IA est ici une interprétation. Même avec plusieurs fournisseurs concurrents, une organisation pourrait finir par considérer l’assistance automatisée comme la seule manière acceptable de travailler. Le choix affiché entre logiciels masquerait alors une question plus profonde : peut-on encore choisir le rythme et la méthode de son activité ?

Cette pression pourrait se former sans obligation explicite, par des délais plus courts ou des volumes attendus plus élevés. Le temps économisé serait aussitôt rempli.

À Abidjan comme ailleurs, une petite entreprise qui adopte ces outils a donc intérêt à décider ce qu’elle veut faire du gain éventuel : développer son activité, améliorer le service, former son équipe ou réduire la surcharge. Aucune de ces destinations ne découle automatiquement de la technologie.

Préserver le pouvoir de reprendre la main

Une politique de délégation utile commence par distinguer ce que l’agent peut préparer, ce qu’il peut exécuter et ce qui exige une décision humaine. Elle doit aussi réserver du temps à la pratique : refaire certaines tâches sans assistance, expliquer un résultat avec ses propres mots, confronter les propositions à leurs sources.

Ces orientations sont des recommandations de la rédaction. Elles supposent des arbitrages : vérifier coûte du temps ; apprendre peut ralentir une livraison ; refuser une automatisation peut priver d’un avantage immédiat. Leur intérêt est de rendre ces choix visibles plutôt que de les abandonner aux réglages par défaut.

Les agents peuvent faire de nous des personnes capables d’accomplir davantage. Il reste à décider ce que signifie ce « davantage ». Produire plus de documents, servir mieux ses clients, approfondir un sujet ou retrouver une heure pour ses proches ne sont pas des objectifs interchangeables.

Lorsque le travail sera terminé à notre retour, la question ne sera donc pas seulement de savoir s’il a été bien fait. Il faudra encore pouvoir dire pourquoi il méritait de l’être — et en décider la suite.

Sources et méthode

Analyse documentaire publiée le 29 octobre 2026, à partir des questions soulevées par la vidéo de Léo Duff et des sources originales liées dans l’article. Les exemples de réservation, de bureau et de formation sont illustratifs. Les enquêtes internes, expériences, textes théoriques et recommandations éditoriales sont distingués ; aucun entretien inédit n’est revendiqué.

Léo Duff — ChatGPT veut penser à votre place (et vous direz oui).