Le changement de phase#
En février 2026, 16 agents IA autonomes ont écrit un compilateur C complet en deux semaines – 100 000 lignes de code Rust qui compile le noyau Linux et réussit 99 % d’une suite de tests de torture. Coût : 20 000 dollars. Il y a encore douze mois, les agents autonomes perdaient le fil après trente minutes. Il y a six mois, il était remarquable qu’un agent tienne sept heures. De trente minutes à deux semaines en un an – ce n’est pas une courbe de tendance. C’est, comme le formule l’analyste, un changement de phase.
De telles histoires semblent être des nouvelles du monde du développement logiciel. Elles le sont effectivement. Mais le cœur de ce qui se passe ici ne concerne pas le développement logiciel. Il concerne la question de ce qui se passe quand l’IA n’assiste plus minute par minute, mais travaille de manière autonome pendant des jours et des semaines. Et cette question concerne toute entreprise dont la création de valeur repose sur le travail intellectuel.
Ce qui a réellement changé#
Le débat public sur l’IA tourne généralement autour des tailles de modèles, des benchmarks et des fenêtres de contexte. Ce sont les mauvaises métriques. La bonne métrique est une que presque personne ne connaît : la capacité d’un modèle à retrouver et utiliser des informations au sein de sa fenêtre de contexte.
Un modèle qui peut absorber un million de tokens mais ne retrouve la bonne information que dans un cas sur cinq est comme un classeur sans index. Les documents sont là, mais trouver ce dont on a besoin relève du hasard. C’était exactement l’état des lieux en janvier 2026 : les meilleurs modèles trouvaient l’aiguille dans la botte de foin dans 18 à 26 pour cent des cas.
Opus 4.6, publié début février, atteint 76 pour cent avec un million de tokens et 93 pour cent avec un quart de ce volume. C’est la véritable percée : non pas la quantité d’informations qu’un modèle peut absorber, mais la fiabilité avec laquelle il les comprend et les utilise. C’est la différence entre un modèle qui voit un fichier et un modèle qui garde un système entier en tête – chaque dépendance, chaque interaction, chaque implication.
C’est la capacité qui distingue un collaborateur expérimenté d’un consultant externe qui lit les documents pour la première fois. Le collaborateur expérimenté sait qu’une modification aux achats a des répercussions sur le calcul des coûts, que le taux de réclamations est lié au choix des fournisseurs, que la garantie est différente si le montage a été effectué par le client lui-même. Non pas parce qu’il le consulte, mais parce qu’il vit dans le système depuis assez longtemps pour saisir intuitivement les connexions.
C’est précisément cette conscience holistique qu’un agent IA peut désormais fournir – non pas par des années d’expérience, mais par la capacité de maintenir l’ensemble du contexte simultanément et de raisonner à travers celui-ci.
De l’outil à l’interlocuteur : La véritable révolution#
La plupart des entreprises utilisent aujourd’hui l’IA comme un meilleur moteur de recherche ou comme un générateur de texte. On pose une question, on obtient une réponse. On donne un prompt, on obtient un brouillon. C’est le paradigme de l’utilisation d’outils : l’humain formule le processus, l’IA exécute une étape.
Ce qui émerge actuellement est fondamentalement différent. Anthropic l’appelle Outcome-Orientation – la description de résultats plutôt que de processus. On n’explique pas à l’IA comment construire le tableau. On explique ce que le tableau doit montrer. On ne décrit pas les étapes du traitement d’une réclamation. On délègue : “Traite cette réclamation.”
Cela ressemble à une différence graduelle. Ce n’en est pas une. C’est un changement de paradigme dans l’interaction homme-machine, aussi fondamental que le passage de la ligne de commande à l’interface graphique dans les années quatre-vingt. À l’époque, l’ordinateur a cessé d’être une machine que l’on programme pour devenir un outil que l’on utilise. Maintenant, il cesse d’être un outil que l’on utilise pour devenir un interlocuteur à qui l’on délègue.
La compétence qui compte se déplace : de la maîtrise technique d’un outil vers la clarté de sa propre intention. Celui qui sait exactement ce dont il a besoin – et peut le formuler comme on le dirait à un collaborateur compétent – peut désormais accomplir des choses qui nécessitaient auparavant des départements entiers.
La dissolution de la frontière entre technique et non-technique#
L’un des aspects les plus remarquables des développements récents : chez Rakuten, le conglomérat japonais de e-commerce, des collaborateurs non-techniques utilisent la même infrastructure IA que les développeurs pour construire des fonctionnalités et les mettre en production. Deux journalistes de CNBC – pas des ingénieures – ont construit en moins d’une heure un outil de gestion de projet fonctionnel qui réplique les fonctionnalités essentielles d’un produit à 5 milliards de dollars.
Ce n’est pas la démocratisation de la technologie au sens habituel, où l’on rend un outil compliqué plus facile à utiliser. C’est la dissolution de la catégorie elle-même. La distinction entre collaborateurs techniques et non-techniques – une distinction qui organise le travail intellectuel, les structures salariales et les organigrammes depuis trente ans – se dissout en quelques mois.
Pour les PME, cela a une signification spécifique. Il y a rarement ici un département informatique avec vingt développeurs. Il y a des maîtres artisans, des directeurs commerciaux, des gestionnaires administratifs, des ingénieurs – des personnes avec une expertise approfondie dans leur domaine, mais sans compétences en programmation. Ce sont précisément ces personnes qui ne sont pas remplacées par l’IA agentique, mais multipliées. Leur expertise – la capacité de juger si un devis est correct, si une réclamation est justifiée, si une norme a été correctement appliquée – devient le levier qui manquait jusqu’ici.
Le jugement comme nouveau goulot d’étranglement#
La crainte courante est que l’IA remplace le travail humain. La réalité est plus nuancée et, à certains égards, plus exigeante.
Ce que l’IA remplace, c’est l’exécution. Ce qu’elle ne remplace pas – et ce qui gagne dramatiquement en valeur grâce à elle – c’est le jugement. L’expertise métier. Ce qu’on appelle en anglais “taste” : la compréhension profonde de ce qui constitue un bon résultat, à quoi ressemble un devis correct, quelle formulation dans une réponse à une réclamation tient juridiquement et laquelle ne tient pas.
Les 16 agents qui ont construit le compilateur C n’avaient besoin de personne pour écrire du code à leur place. Ils avaient besoin de quelqu’un qui spécifie assez précisément ce qu’est un compilateur C. L’équipe marketing n’a plus besoin de quelqu’un pour utiliser la plateforme d’analytics – elle a besoin de quelqu’un qui sait quels indicateurs sont pertinents et pourquoi.
Le levier s’est déplacé : de l’exécution vers le jugement. Et ce levier se multiplie avec le nombre d’agents qu’une personne peut diriger. Les entreprises natives de l’IA réalisent aujourd’hui cinq à sept millions de dollars de chiffre d’affaires par collaborateur – cinq à sept fois ce qui est considéré comme “excellent” dans les entreprises logicielles traditionnelles. Non pas parce qu’elles ont embauché de meilleures personnes, mais parce que leurs personnes orchestrent des agents au lieu d’exécuter elles-mêmes.
Le management comme propriété émergente#
Un résultat fascinant des développements récents : lorsqu’on assigne plusieurs agents IA à une tâche complexe, ils s’organisent spontanément en structures hiérarchiques. Un agent leader décompose le projet en sous-tâches, les assigne à des spécialistes, suit les dépendances, résout les blocages. Les spécialistes communiquent non seulement via le leader, mais aussi directement entre eux – coordination pair-à-pair.
Ce n’est pas une structure imposée. C’est une évolution convergente. La hiérarchie n’est pas une convention culturelle que les humains imposent aux systèmes d’IA. C’est une propriété émergente de la coordination de plusieurs acteurs intelligents sur des tâches complexes. Les humains ont inventé le management parce que le management est ce que fait l’intelligence quand elle doit passer à l’échelle. Les agents IA ont découvert la même chose – pour les mêmes raisons structurelles.
Pour l’argumentation en faveur d’une plateforme comme Phronesis, c’est central : la plateforme ne se contente pas de reproduire numériquement les flux de travail existants. Elle fournit l’infrastructure à partir de laquelle les agents s’organisent eux-mêmes – avec des Skills comme flux de travail définis, des Tools comme capacités individuelles, et des Contextes comme connaissances spécifiques aux départements. La plateforme est ce qu’une bonne entreprise offre à ses collaborateurs : des structures claires, des connaissances disponibles, des processus définis. L’agent utilise tout cela – mais il décide lui-même de ce dont il a besoin pour chaque tâche.
Le rythme et ses conséquences#
Le changement de phase qui se produit ici est remarquable non seulement par sa direction, mais surtout par sa vitesse. Les outils qui étaient à la pointe en janvier sont d’une autre génération en février. Le chercheur chez Anthropic qui a participé au projet de compilateur C l’a formulé ainsi : “I did not expect this to be anywhere near possible so early in 2026.”
Cette vitesse a une conséquence paradoxale : celui qui s’engage aujourd’hui sur un outil IA spécifique et le maîtrise doit s’attendre à ce que ses connaissances soient obsolètes en quelques mois. Cela vaut pour ChatGPT comme pour Copilot. Quiconque a optimisé son workflow sur un pattern de prompt particulier ou une version de modèle spécifique voit son expertise dévalorisée à chaque mise à jour.
La réponse n’est pas d’apprendre plus vite des outils individuels. La réponse est une couche d’abstraction : une plateforme qui découple l’expertise de l’entreprise de la technologie IA concrète. Les Skills, qui définissent ce qui doit être fait, restent stables même si le modèle sous-jacent change tous les trois mois. Les Contextes, qui déterminent quelles connaissances sont pertinentes dans quel département, survivent à chaque changement de modèle. Les connaissances de l’entreprise – données produits, listes de prix, normes, directives – restent indépendantes du fait que sous le capot travaille Opus 4.6, Opus 5 ou quelque chose de complètement différent.
C’est l’idée architecturale centrale de Phronesis : découpler les connaissances de l’entreprise et les flux de travail de la technologie IA en rapide évolution. La plateforme absorbe le changement technologique pour que l’entreprise puisse se concentrer sur ce qui reste stable : son expertise, ses processus, son jugement.
Pourquoi les PME n’attendent pas, mais agissent#
Les chiffres de la Silicon Valley – Cursor avec 5 millions de dollars de chiffre d’affaires par collaborateur, McKinsey avec l’objectif de parité agent-humain d’ici fin 2026, des équipes Amazon qui se réorganisent en “deux humains plus une flotte d’agents” – cela semble être un autre monde que le cuisiniste en Basse-Bavière ou le constructeur de machines dans le pays de Berg.
Mais le cœur de l’argument touche les PME encore plus fortement que les grandes entreprises. Car :
Les PME ont ce que l’IA n’a pas : une expertise profonde et spécifique. La capacité de juger si un devis de cuisine est correctement calculé. La connaissance de quelle norme DIN s’applique à un type de construction particulier. L’expérience de comment répondre à une réclamation de sorte que le client soit satisfait et l’entreprise juridiquement protégée. Cette connaissance réside dans les têtes de collaborateurs qui sont souvent dans l’entreprise depuis des décennies – et qui sont de plus en plus difficiles à remplacer.
Ce que les PME n’ont pas : une main-d’œuvre infiniment extensible. Les talents qualifiés manquent, et ils continueront de manquer. Chaque maître artisan, chaque gestionnaire administrative, chaque directeur commercial passe une part considérable de son temps de travail sur des tâches qui présupposent certes une expertise, mais sont fondamentalement répétitives : rédiger des devis, créer des rapports, consulter des normes, traiter des réclamations. Non pas parce que ces tâches seraient triviales – elles ne le sont pas – mais parce qu’elles suivent un schéma qu’un agent peut apprendre.
L’IA agentique multiplie précisément cette combinaison. L’expertise du collaborateur devient le levier, l’infrastructure d’agents la multiplication. Le maître artisan n’écrit plus chaque devis lui-même – il le délègue et vérifie le résultat. La gestionnaire administrative ne traite plus chaque réclamation à partir de zéro – elle délègue les cas standard et se concentre sur ceux qui exigent un véritable jugement. L’ingénieur ne fouille plus pendant des heures dans les normes – il délègue la recherche et évalue le résultat.
Ce n’est pas de l’automatisation au sens industriel, où un robot remplace l’humain. C’est de la délégation au sens propre : un collaborateur compétent confie une tâche à un interlocuteur compétent qui connaît les procédures, possède les connaissances et livre le résultat dans la bonne forme.
La question qui se pose#
McKinsey recommande à ses propres associés d’atteindre d’ici fin 2026 un nombre d’agents IA égal au nombre de collaborateurs humains. La question pour les PME n’est pas de savoir si cette évolution arrive. Elle est de savoir si on l’accompagne avec des outils génériques comme ChatGPT – des outils qui ne connaissent pas les connaissances de l’entreprise, qui n’ont pas de Skills, qui ne savent pas à quoi doit ressembler un devis dans cette entreprise précise – ou avec une infrastructure taillée sur mesure pour sa propre expertise, ses propres processus et ses propres exigences de qualité.
La question n’est pas : “Devrions-nous utiliser l’IA ?” La question est : “Quel est notre ratio d’agents par collaborateur – et qu’est-ce que chaque collaborateur doit excellemment maîtriser pour que ce ratio fonctionne ?”
Phronesis est l’infrastructure qui rend cette question traitable. Non pas comme une promesse, mais comme un système productif : 39 Skills en service, plus de 40 Tools disponibles, connaissances d’entreprise entièrement intégrées, conforme au RGPD sur infrastructure propre. Pas un jour. Maintenant.
Basé sur une analyse des développements récents en IA agentique, notamment les résultats d’Opus 4.6 d’Anthropic (février 2026), le déploiement productif d’équipes d’agents chez Rakuten, et la réorganisation émergente du travail intellectuel vers des équipes humain-agent.