Résumé des tendances de l’IA au deuxième trimestre 2026 : les agents peinent à s’imposer dans le monde

Auteur : Bo Yang, Tencent Technology

À la fin de l’année dernière, la plupart des gens considéraient encore l’IA comme un simple outil de discussion : elle servait à répondre à des questions, à rédiger des textes ou à résumer des documents. Une fois les questions et les réponses terminées, la mission de l’IA s’arrêtait là.

À partir du deuxième trimestre 2026, la situation a changé. Parce qu’OpenClaw, Codex et Claude Cowork ont fait sortir l’IA des fenêtres de dialogue.

Les agents peuvent désormais lire des fichiers par eux-mêmes, exécuter du code, faire des tableaux, utiliser des logiciels, et même se connecter aux systèmes internes d’une entreprise. Vous leur donnez un objectif : ils décomposent la tâche, appellent des outils, puis font le travail et viennent ensuite vous faire un compte rendu.

Né en mars, OpenClaw marque le basculement de la compréhension grand public des agents. Avant, quand on parlait d’agents, tout le monde supposait qu’il s’agissait surtout d’aider à écrire du code. Avec un « homard » en main, l’agent a commencé à prendre en charge des tâches dans toutes sortes de domaines.

Au cours des trois derniers mois, c’est exactement l’expérience de ce « débutant » entrant dans un véritable flux de travail que nous avons observée.

Il est devenu un nouveau point d’entrée pour les logiciels, en s’invitant dans des contextes professionnels spécialisés comme la finance, le droit et le design. Les entreprises ont vu son potentiel et ont lancé à grande échelle une vague de Tokenmaxxing, mais en seulement 2 mois, l’argent a brûlé—et cette ascension d’IA, sans plafond, s’est stoppée. Car elles ont découvert que la partie qui augmente réellement la productivité se heurte à nouveau à des limites : les validations, les jugements, les goulots d’étranglement du système. Et quand tout le monde est revenu compléter ces maillons, le problème de la vitesse d’exécution et des coûts est redevenu visible.

Les huit tendances résumées dans ce rapport du deuxième trimestre naissent justement de ces confrontations avec la réalité.

Depuis le deuxième trimestre 2026, la question centrale n’est plus de savoir si un agent peut faire le travail, mais plutôt comment construire une structure efficace de Human in Loop, tout en réduisant les coûts des agents.

Passer les agents en mer, c’est prendre la forme d’un AI OS

Codex, Claude Code (Cowork), Workbuddy : leur transformation durant cette période correspond à un passage vers les « agents généralistes ».

Pourquoi « généralistes » ? Parce que dans son propre rapport, OpenAI indique qu’en seulement deux mois, de avril à mai, parmi les utilisateurs de Codex, 20% supplémentaires ne faisaient pas de programmation auparavant, avec une vitesse de croissance trois fois supérieure à celle des utilisateurs qui programment. Codex, à l’origine conçu pour programmer, devient pour tout.

Et comme on ne sait pas programmer, on a besoin d’un agent. Dans ce monde, tout ce qui implique des processus répétables doit être confié à des agents.

Et avec Harness (framework d’exécution) et Skill (modules de compétences), Codex peut vraiment faire ces flux complexes. Même si ce n’est pas tout, ce qu’il peut faire est déjà considérable.

Puisque ce sont des agents généralistes, le débat de l’année dernière sur l’entrée à l’ère de l’IA peut donc être temporairement clos.

Un objet capable de tout faire finit naturellement par devenir l’entrée de tout.

Vers 2025, l’industrie avait misé sur « les navigateurs IA ». Après tout, pendant plus de vingt ans, le navigateur a été notre principal point d’entrée pour aller sur Internet : pour tout faire, il fallait ouvrir une page web. Même si l’apparition des applis a réduit son importance, le navigateur reste encore « la vitrine ».

Mais pour qu’une IA devienne un point d’entrée, il faut contrôler ce point d’entrée, et cliquer sur des boutons et remplir des formulaires—comme on le fait sur les pages web.

Google a lancé Project Mariner, OpenAI a fait de l’Operator, Perplexity a proposé Comet, puis on a même évoqué une acquisition de Chrome pour 34,5 milliards de dollars. Puisque le navigateur engloutit la vie Internet de l’humain, il devait aussi englober les agents—c’était l’idée de beaucoup de gens.

Mais aujourd’hui, un an plus tard : Google a fermé Mariner en mai 2026 et a fusionné les capacités correspondantes dans Gemini Agent ; Operator a également rejoint des ChatGPT Agent plus vastes.

De l’autre côté, Codex, Claude Code et Cowork se connectent directement aux fichiers, au terminal, aux dépôts de code, aux connecteurs de données et aux applications locales : l’usage progresse plus vite.

En arrière-plan, se joue la question disputée au Q1 : faut-il encore un GUI ? L’interface graphique (GUI) est faite pour les humains : les couleurs et les boutons aident à comprendre le système, mais un agent n’en a pas besoin.

Faire attendre l’agent le chargement d’une page, reconnaître des boutons, simuler des clics de souris… c’est faire un détour inutile. Le langage en ligne de commande (CLI) et les données structurées lui conviennent bien mieux.

Dans cette logique, le GUI existe toujours : l’humain a besoin d’une confirmation et de sélectionner des éléments. Dans une boucle où quelqu’un participe, la CUI reste nécessaire—voire plus efficace.

Ainsi, le navigateur ne disparaîtra pas, mais il est rétrogradé : de « point d’entrée unique », il devient un simple outil de la boîte à outils des agents. Les données s’exécutent en profondeur, la page web sert surtout à présenter les résultats à l’humain, pour faciliter la modification.

Une fois l’entrée consolidée, les sociétés de grands modèles se sont mises à pénétrer les industries verticales.

En avril, Anthropic a lancé Claude Design : l’agent lit les normes de marque et le dépôt de code, puis produit des maquettes, des prototypes, des présentations et des supports marketing. Ensuite, elle a aussi lancé des agents financiers découpés par poste : couvrant l’examen des valorisations, la vérification du grand livre, la clôture mensuelle et le KYC, puis a transposé une approche similaire au domaine juridique. OpenAI n’a pas suivi exactement cette voie. D’un côté, elle a intégré des capacités en finance, santé, recherche et sécurité dans ses modèles et ses produits propriétaires ; de l’autre, elle connecte les systèmes existants des entreprises via Apps, MCP, AgentKit et Frontier.

Même si les formes ne sont pas identiques et que la profondeur diffère, la logique reste la même : s’appuyer sur le grand cadre des agents généralistes.

Quand les sociétés de modèles entrent dans un secteur, elles doivent en général faire un peu de « fine-tuning » des données, développer de nouveaux processus pour s’adapter au secteur, et brancher de nouvelles interfaces : chaque entreprise fait à sa manière.

Mais désormais, au niveau inférieur, on peut continuer à utiliser le même ensemble d’agents. Vouloir faire de la finance ? Il suffit de connecter, via MCP, une base de données financière généraliste, d’ajouter des méthodes de valorisation et des processus de conformité avec les « skill » correspondants, et chaque employé concerné peut les utiliser ; lorsqu’il faut ajuster quelque chose, on ajoute simplement un peu. Pour le droit, on remplace ces éléments par des clauses contractuelles et des systèmes de recherche juridique.

Du généraliste à l’agent spécialisé, ce qu’il faut changer se limite aux connaissances du secteur, aux données et aux règles de travail ; l’environnement d’exécution est entièrement réutilisable.

Du coup, la « barrière » des logiciels verticaux a aussi changé. Avec MCP et Harness, il suffit d’acheter quelques bases de données, de trouver quelques experts pour les normes et l’accompagnement : un modèle vertical « globalement utilisable » peut être mis en place. Pour les sociétés de grands modèles, c’est simple.

Il ne reste alors que ce qui est plus difficile à copier : les données propres à l’entreprise, les droits d’accès et les historiques d’acceptation.

Par exemple : en droit, est-ce que la modification finale a été acceptée par l’autre partie ? Pour la valorisation, est-ce que les hypothèses ont ensuite été renversées par le comité des investissements ? Les données de ces utilisateurs vont ensuite apprendre à l’agent comment faire la prochaine fois.

Qui arrivera à capturer plus vite, plus tôt, et à utiliser ces retours, aura un avantage de premier entrant.

Tant que le marché des grands modèles n’est pas encore poussé jusqu’à des domaines figés, vous avez encore un avantage de premier entrant grâce à l’accumulation de données.

Ainsi, pour la première fois, les capacités verticales peuvent être assemblées en masse.

Et comme les agents prennent de plus en plus de missions, les productions qu’ils génèrent, l’organisation humaine peut ne pas réussir à les encaisser.

Tokenmaxxing, la première paroi que l’agent percute en passant à l’exécution

Tokenmaxxing est peut-être le mot le plus en vogue de tout le mois de mai. Les grandes entreprises ont vu à quel point les agents étaient efficaces : donner plus de Token aux employés, plus d’outils, et plus de temps d’exécution, devrait théoriquement doubler, voire davantage, la productivité. Et puis, si les employés ne savent pas comment les utiliser, il faut simplement qu’ils s’adaptent plus vite à l’ère de l’IA—pour ne pas décrocher en efficacité.

Sous l’effet du FOMO et d’une surestimation des capacités des agents, brûler des Token est devenu un « justificatif d’effort » à l’ère de l’IA.

Jensen Huang a déclaré publiquement : un ingénieur dont le salaire est de 500 000 dollars par an, s’il n’arrive pas à brûler 250 000 dollars de Token en un an, le patron devrait s’inquiéter de savoir s’il utilise suffisamment l’IA.

En seulement trois mois, la flamme a manqué de combustible.

Le classement interne d’Amazon a déclenché une avalanche de tâches inutiles fabriquées pour le podium, puis l’entreprise a dû fermer. Le budget annuel de Uber pour Claude Code a presque été épuisé dès avril, mais la direction n’a pas remarqué de relation stable entre la consommation de Token et la hausse des fonctionnalités utiles.

On ne peut pas brûler autant, d’abord parce que c’est cher. Une simple demande/réponse peut n’appeler qu’une seule fois le modèle, alors qu’un agent qui exécute une tâche longuement doit relire l’objectif, l’historique, les résultats des outils et les informations d’erreur à répétition.

La consommation de Token pour des tâches complexes peut atteindre des dizaines, voire des milliers de fois celle d’une simple demande/réponse.

À la fin de mai, l’Harbin Institute of Technology a proposé « les capacités de calcul de retour effectif », calculant précisément combien de calculs dépensés contiennent réellement des informations qui influencent l’étape suivante. Dans les tâches complexes, cette proportion est à peine d’environ 10%. Les 90% restants de Token sont surtout consommés à relire, essayer, et faire des allers-retours inutiles.

L’argent n’est même pas le problème le plus difficile. Même si l’agent brûle tous les Token correctement, le résultat n’aboutit pas forcément jusqu’à la livraison finale.

Le code est écrit : il faut encore le faire valider, tester, intégrer et publier. Un rapport d’analyse généré : il faut vérifier les sources et juger les conclusions. Les maquettes de design doivent encore passer l’étape marque, business et client. Si un processus automatisé se trompe, il faut aussi quelqu’un pour expliquer, revenir en arrière et en porter la responsabilité.

Une étude du MIT couvrant plus de 100 000 développeurs GitHub a révélé que les agents de programmation autonome peuvent augmenter le nombre de soumissions de code de 120%. Mais ces codes rétrécissent à 50% une fois qu’on arrive à l’étape du projet, et les versions réellement publiées/ne mises en ligne ne sont plus que 30%.

Comme si un restaurant augmentait d’un coup par trois la vitesse de hacher des ingrédients : l’étape de cuisson, l’assiette, l’envoi et les besoins des clients ne changent pas. Les plats hachés s’empilent en cuisine, mais le restaurant vend toujours le même nombre de tables par jour.

En économie, il existe une théorie appelée théorie du remplacement : l’efficacité d’un processus dépend de la partie qu’on ne peut pas remplacer par l’automatisation. L’IA pousse la vitesse de génération à des niveaux élevés, mais la vitesse de review reste lente : l’optimisation de l’agent se coince donc dans le système.

Et puis, la production répétée brûle une autre partie des Token. Comme la vitesse de génération d’une Skill, d’un module ou d’une application augmente énormément, mais qu’il manque des mécanismes de synchronisation efficaces, les gens ne savent pas quels résultats existent déjà : ils finissent souvent par réécrire. Une analyse de Nanyang Technological University a étudié plus de 20 000 Skill sur le marché : environ les trois quarts se ressemblent fortement, et après dédoublonnage, il ne reste plus que plus de 5 000.

Les corrections de code soumises par les agents sont aussi fréquemment rejetées parce que « quelqu’un l’a déjà résolu ». La consommation de Token monte, mais ce qui reste, c’est un tas de roues en double.

La demande ne grandit pas non plus au même rythme que l’offre. L’IA peut rapidement multiplier le nombre d’applications, de contenus et de codes, mais le temps des utilisateurs et leur volonté de payer ne suivent pas. Rédiger une application devient de plus en plus facile, mais trouver un besoin durable et pour lequel quelqu’un veut payer reste difficile. Une recherche sur le marché des applications montre qu’après l’explosion de l’IA, le nombre d’applications a bondi de 40%, mais les téléchargements n’ont pas bougé.

Token ne peut pas créer un marché qui n’existait pas.

L’échec retentissant du Tokenmaxxing n’en a pas moins mis en évidence deux goulots. L’un est technique : des dépenses d’agent inefficaces, une vitesse et des coûts qui ne peuvent pas être comprimés. L’autre est organisationnel : l’organisation de relecture, de jugement, de coordination et de prise de responsabilité n’a pas été mise en place ; la productivité côté production n’est donc pas absorbée, et même les réussites n’ont pas été utilisées efficacement.

Le prochain trimestre, les changements techniques les plus attendus consistent à combler ces directions.

Avec des agents, remplacer ceux qui sont encore dans la boucle

Un seul agent va trop lentement ? Alors que plusieurs fassent en même temps. Un agent termine, personne ne vérifie ? Alors on en envoie un autre.

Faire en sorte que plusieurs agents se répartissent le travail, fassent des revues croisées et se complètent, afin de transférer une partie du travail jusque-là porté par des humains dans le système.

C’est ce qui a déclenché l’engouement de 2026 pour les Multi-Agent (multi-agents).

Le schéma le plus robuste à l’heure actuelle est le mode « orchestrateur—exécutant ». En clair : l’agent principal découpe la tâche, la répartit à une armée de sous-agents pour qu’ils travaillent en parallèle, puis récupère tout et synthétise.

Par exemple, Claude Research envoie plusieurs agents de recherche en quête séparée, puis l’agent principal fait la synthèse ; l’agent responsable des citations vérifie les sources. Kimi Agent Swarm va plus loin : il peut faire traiter en parallèle par des centaines de sous-agents des tâches vidéo, de code et de recherche.

Quand le travail convient à la parallélisation (comme traiter en masse des vidéos ou du code), c’est très efficace : on réduit énormément le temps d’attente, et on peut rendre les sous-tâches parallèles plus profondes. Le rapport de Kimi indique que la latence de certaines tâches peut baisser jusqu’à 4,5 fois. Claude Research a aussi constaté une nette amélioration sur des problèmes nécessitant une recherche large.

Cependant, dans ce schéma, l’amélioration des multi-agents provient souvent de calculs supplémentaires, pas d’une « coopération » en tant que telle. Anthropic a divulgué que la consommation de Token des systèmes de recherche multi-agents peut atteindre quatre fois celle des agents simples. Dans certaines évaluations, l’utilisation de Token explique la majorité des écarts de performance.

Aujourd’hui, les Multi-Agent ressemblent davantage à un chef de projet qui commande plusieurs équipes d’externalisation qui ne se parlent pas. Ils étalent le travail pour avancer en même temps, mais ne forment pas encore une intelligence collective.

Dans des recherches variées, dès qu’on retire le « chef de chantier » central et qu’on laisse les agents discuter entre eux, les défauts humains ressortent. Certains suivent l’avis de la majorité. D’autres pensent : « les autres vont le faire », puis se laissent aller.

Les tests montrent que quand plusieurs agents se rassemblent, leur taux de précision peut être inférieur à celui d’un seul agent disposant d’informations complètes.

C’est fondamentalement parce que, dans le processus d’entraînement des modèles, la « coopération » n’a pas été un sujet. Mettre ensemble des modèles habitués au solo dans une pièce, ne fera pas apparaître leur capacité de collaboration par magie.

La coopération est un autre jeu. Mon action change ton contexte ; ton jugement change mes choix.

Donc, ce que les multi-agents doivent compléter ensuite, ce sont des institutions : comment répartir les tâches, comment partager les informations, qui est responsable des erreurs, comment les récompenses reviennent le long de la chaîne de travail, si les agents qui affichent une performance faible sur le long terme seront éliminés : tout cela doit être conçu.

Une autre voie, plus radicale, est celle de « l’AI d’auto-évolution », autrement dit RSI.

Dans son rapport de juin, Anthropic mentionne ce concept. Ils ont fait en sorte que le modèle optimise en continu un morceau de code utilisé pour entraîner des petits modèles. Résultat : à cause de l’amélioration de la capacité du modèle, le niveau d’optimisation est passé d’environ trois fois d’accélération de Claude 3 à Mythos, jusqu’à plus de cinquante fois.

L’idée centrale est la même que dans les expériences humaines : en cinq étapes, à savoir trouver les problèmes, penser aux solutions, construire l’environnement et les données, valider les résultats, conserver les modifications efficaces—puis repartir sur un autre cycle.

Des entreprises comme Minimax ont déjà intégré ces processus automatisés dans le post-entraînement, pour qu’ils puissent être entièrement automatisés.

Tant que les objectifs et les critères de scoring sont suffisamment clairs, par exemple : « optimiser la vitesse d’exécution de ce code de cinquante fois », l’agent peut trouver les problèmes, modifier le code, exécuter les tests, conserver les changements utiles, et recommencer en boucle.

Ce genre de travail, il le fait mieux que les humains : vite et sans fatigue.

Mais il ne sait toujours pas où aller. Quand il faut décider dans un très grand espace de recherche, par exemple « quelle trajectoire de recherche vaut la peine » ou « cet indicateur trompe-t-il », ce que nous appelons le « goût » (appreciation), l’agent le fait encore très mal.

Dans l’expérience d’Anthropic, même dans des cas où les humains commettent déjà des erreurs sur ces décisions complexes, le modèle n’a qu’environ 20% de chances de mieux faire. Si les humains eux-mêmes font bien, le modèle perd encore sa compétitivité.

Un autre concept devenu viral en juin : Loop Engineering a transformé cette boucle en ingénierie pouvant tourner sur la durée. L’agent n’attend plus qu’on appuie sur un bouton pour se lancer ; il cherche lui-même des tâches, exécute, vérifie, enregistre les retours, puis décide quoi faire à la prochaine itération.

Jusqu’ici, on a parlé des comptes techniques. Mais l’agent doit encore rendre des comptes sur le plan économique.

Comptes économiques impossibles à ignorer

Pendant des années, le rôle principal des capacités de calcul en IA a été tenu par les GPU. L’entraînement de grands modèles nécessite un calcul matriciel massif et continu, et les GPU sont parfaitement adaptés à ce type de travail. Le CPU sert à lancer les programmes et préparer les données, avec une présence faible.

Mais le fonctionnement des agents est différent. Ce n’est pas « one shot » : il bascule sans cesse entre l’inférence, l’appel d’outils et l’attente des résultats. Une grande partie du temps est en réalité consommée en dehors du calcul du modèle : régler le navigateur, manipuler des fichiers, gérer les timeouts. Tant qu’il y a un blocage au milieu, les GPU coûteux ne peuvent que rester en attente.

L’article 《A CPU-Centric Perspective on Agentic AI》 publié fin 2025 a mesuré cinq types d’agents : le traitement d’outils occupe jusqu’à 90,6% du délai total de tâche, et la consommation dynamique d’énergie du CPU représente jusqu’à 44% de l’énergie dynamique totale du système. Après ajustement conjoint de l’ordonnancement des tâches CPU/GPU, la médiane de latence de certaines charges s’améliore de plus de deux fois.

Le CPU revient donc au centre du système de calcul. Les GPU continuent de faire l’inférence, tandis que le CPU maintient l’environnement de concurrence, gère les files de tâches et les appels d’outils. KV et mémoire conservent chaque bac à sable d’agent, les logs et les résultats intermédiaires, tandis que le réseau transporte les données entre puce et serveurs. En cas de congestion à n’importe quelle étape, les GPU coûteux ne peuvent que rester bloqués.

Le marché des capitaux commence déjà à tarifer ce changement. Les revenus de l’activité centre de données d’AMD au premier trimestre 2026 sont d’environ 5,8 milliards de dollars, en hausse de 57% sur un an, et la croissance des revenus des serveurs CPU dépasse 50%. Les entreprises ont doublé leur prévision de taille de marché des CPU serveurs pour 2030 à 120 milliards de dollars, avec comme argument notamment les besoins d’ordonnancement, de déplacement des données et d’exécution apportés par les agents.

Au-delà de la vitesse, les prix des modèles se segmentent aussi. Au deuxième trimestre 2026, le modèle principal le moins cher a déjà vu son million de Token d’entrée descendre à quelques centimes ; le modèle le plus cher, à la pointe, atteint plusieurs dizaines de dollars.

L’écart entre le haut et le bas, qui était d’environ 30 fois il y a deux ans, est désormais passé à environ 600 fois.

Les modèles bas de gamme captent de plus en plus de flux de Token, tandis que les modèles haut de gamme continuent d’obtenir les tâches clés et l’essentiel des revenus. Beaucoup d’étapes n’ont pas besoin du modèle le plus fort : lire un dépôt, classer, extraire, organiser des logs—un modèle bon marché suffit. Seules les reconstructions complexes, l’audit de sécurité, les jugements juridiques et les décisions critiques après un échec valent le prix fort.

Mais aujourd’hui, les prix des modèles ne se segmentent pas automatiquement. ChatGPT dispose déjà d’un routage intelligent, qui attribue le modèle selon la difficulté de la tâche, mais l’effet n’est pas bon : tout le monde l’utilise peu. En juin toutefois, Fugu de Sakana a eu un très bon résultat, parce qu’il ne juge plus avec le modèle : il entraîne séparément un agent chargé du routage. Il comprend d’abord la tâche, construit dynamiquement un échafaudage de travail, puis appelle des équipes temporaires composées de modèles à des prix et capacités différents. Le modèle le plus cher ne traite que les étapes critiques, le reste étant confié à des modèles moins chers.

Résultat : avec la moitié du budget, on atteint l’efficacité du meilleur modèle.

La programmation est probablement la première à faire tourner parfaitement cette approche, parce qu’elle dispose déjà de retours. Dépôt, différences de code, tests, Lint, CI et logs peuvent dire au système de routage si l’affectation a été efficace la dernière fois.

Les modèles bas de gamme lisent le code et génèrent des tests ; les modèles intermédiaires font des modifications courantes ; les modèles forts traitent la refactorisation centrale et la relecture de sécurité ; puis l’ensemble passe à l’acceptation par outils.

Et à l’avenir, Codex, Claude Code et des produits similaires généreront certainement aussi une classification automatique de la même manière : ils ressembleront de plus en plus à des organisations d’ingénierie qui gèrent des équipes de modèles. Ils disposent d’un budget pour répartir différents modèles, plutôt que de dépendre d’un seul modèle de bout en bout.

Mais le problème ne s’arrête pas là. À mesure que les agents pénètrent les métiers, le travail, la sécurité, l’information et même la réflexion humaine changent aussi—et pas forcément dans le sens positif.

La réalité qui se rétrécit

Les effets négatifs apportés par les agents se concentraient auparavant surtout dans des scénarios de simulation.

Mais au deuxième trimestre 2026, certaines évolutions sont déjà descendues dans de vrais postes et de vrais produits.

La première chose touchée : le travail.

L’impact de l’IA sur l’emploi ne se manifeste pas nécessairement d’abord sous forme de hausse brutale du taux de chômage à l’échelle macro. Les points d’entrée des postes, les tâches quotidiennes et les budgets des entreprises changent d’abord. Le service client, le support, les tickets, les questions internes et les réponses, les opérations de base, ainsi que certaines tâches d’analyse de données, d’exploitation et de maintenance et de gestion de projet : tout cela commence à être absorbé par des agents.

D’autres postes ne sont pas directement remplacés par des agents, mais sont « étouffés » par les factures de l’IA. GPU, centres de données et équipes de modèles exigent de gros investissements : les entreprises ne peuvent trouver l’argent que dans d’autres enveloppes. Certains employés sont alors déplacés pour gérer les agents, les workflows et des décisions plus complexes ; le titre du poste peut ne pas disparaître, mais le contenu change.

L’impact sur les postes juniors est particulièrement fort. Chercher des informations, faire des synthèses, écrire du code de base, organiser l’information client : ce sont les tâches les plus faciles à confier à un agent, et c’est aussi précisément ce que les nouveaux connaissent bien : leur formation initiale leur fait comprendre le secteur. Grâce à ces tâches, l’humain comprend le métier, le codebase, les clients et les standards de jugement propres à l’organisation.

L’article de mai 2026 《Generative AI and the Reorganization of Labor Demand》, après analyse des offres d’emploi, indique qu’à partir de 2023, la part des tâches faciles à faire intervenir par l’IA a baissé d’environ un dixième. Environ la moitié des changements vient du fait que les entreprises réduisent ce type de postes ; 40% viennent du fait que les entreprises réécrivent les postes existants en remplaçant les tâches par des parties plus difficiles à confier à l’IA.

Les entreprises veulent recruter des « employés juniors plus mûrs », mais elles retirent aux juniors les tâches qui rendent justement quelqu’un plus mûr.

Et comme les portes d’entrée de carrière deviennent de plus en plus étroites, ce changement peut être plus durable qu’une vague de licenciements unique.

Après les postes, la question de la sécurité passe aussi des articles aux lancements de produits.

Mythos d’Anthropic montre de très fortes capacités de cybersécurité : il peut découvrir et valider des failles de haute gravité. L’entreprise n’ose pas l’ouvrir comme un modèle ordinaire. Ajoutez-y Falbe 5 avec garde-fous, et les chercheurs et développeurs se plaignent encore que les restrictions sont trop lourdes.

Les modèles de pointe d’OpenAI commencent aussi à adopter une ouverture limitée.

Ouvrir trop abaisse le seuil pour des capacités dangereuses comme les attaques réseau et les risques biologiques. Limiter trop entrave la recherche et la valeur produit normales. Aujourd’hui, qui peut utiliser les modèles les plus puissants, et quelles institutions sont considérées comme des « partenaires dignes de confiance »—cela dépend encore des gouvernements et de la géopolitique.

Outre le fait de renforcer les capacités, les entreprises de modèles doivent aussi prouver qu’elles peuvent les déployer de façon sûre.

La sécurité commence à bloquer les modèles les plus avancés.

Internet, de son côté, génère aussi de nouvelles boucles d’information.

Le contenu généré par IA ne submerge pas tout l’Internet à l’infini, mais la pollution dans la recherche IA s’approfondit. L’analyse de Graphite montre qu’entre le début de 2024 et le début de 2026, la proportion de contenu généré par IA dans le contenu global d’Internet est restée stable entre 48% et 50%. Mais dans les sources citées par ChatGPT, la part jugée comme générée par IA est passée de 38,9% à 42,7% en seulement six mois.

Ce que les modèles avaient déjà dit auparavant fait ensuite, après être passé par un détour, partie des preuves de la prochaine réponse.

Encore plus loin : quand le SEO et le GEO tirent parti de ces préférences, le système de recherche peut facilement devenir une chambre d’écho où des machines citent des machines.

À ce moment-là, les documents où quelqu’un est allé sur place, a interviewé les parties concernées, a édité le contenu et accepte de s’identifier et d’en porter la responsabilité, deviendront au contraire plus rares.

En dehors des impacts sociaux, les agents pousseront aussi les individus vers une « reddition cognitive » (cognitive surrender).

Un problème apparaît : on n’a pas encore pensé, la main va déjà vers ChatGPT. L’opinion n’est pas encore formée : l’IA a déjà dressé le plan.

L’hésitation, l’essai-erreur, le doute et la vérification se font replier en une réponse fluide ; la personne saute ainsi la phase qui forme réellement un jugement.

Wharton School de l’Université de Pennsylvanie a fait réaliser 9 700 tâches de raisonnement à 1 372 participants. Tant qu’on autorise l’usage d’IA, les participants sollicitent activement de l’aide sur plus de la moitié des questions. Même quand l’IA donne une réponse fausse, environ 80% choisissent encore de lui faire confiance.

Une étude d’Anthropic sur l’apprentissage des programmeurs montre aussi que l’assistance par IA fait terminer les tâches inconnues plus vite ; mais les performances aux tests à huis clos suivants sont en moyenne inférieures de 17%. Les tâches sont livrées : les capacités ne restent pas.

Tu soumets l’article, le code est sous ton nom, et le plan doit aussi être présenté par toi. La responsabilité reste à toi, mais le processus de réflexion pour générer ces éléments tend à devenir de moins en moins à ta charge.

Le taylorisme a transformé les ouvriers en mains sur une chaîne de production ; l’IA pourrait transformer les humains en opérateurs qui apposent un tampon sur une ligne de production cognitive.

Donc, pour le futur, l’IA doit peut-être délibérément conserver un peu de frottement à certains endroits.

Avant les opérations à haut risque : demander à l’humain d’expliquer et de confirmer. Avant de donner une conclusion : demander à l’humain d’écrire d’abord son propre jugement, de montrer des preuves contraires, et pas de tout faire à sa place.

Ce sera plus lent, mais cela laissera de la place à la réflexion et à l’apprentissage.

Épilogue

En reliant les huit tendances du deuxième trimestre 2026, on obtient une histoire continue.

Les agents généralistes prennent le contrôle du point d’entrée des logiciels ; les sociétés de modèles de pointe s’y appuient pour entrer dans les industries verticales. Le Tokenmaxxing s’enlise vite dans un mur, révélant la vitesse de relecture humaine et le coût systémique.

Les Multi-Agent et l’AI d’auto-évolution commencent à prendre en charge la relecture et l’itération, tandis que CPU, mémoire, réseau et le routage des modèles permettent aux agents d’exécuter plus vite et à moindre coût. Quand ces problèmes trouvent une solution, la question de l’emploi, de la sécurité, de la pollution de l’information et de la reddition cognitive remonte à la surface.

Ce que les entreprises doivent accumuler ensuite ne doit pas être seulement des Token. Chaque exécution doit laisser derrière elle des workflows réutilisables, des évaluations, des droits, une mémoire organisationnelle et des retours de résultats.

Sinon, le budget sera dépensé et, à part les factures, il ne restera rien.

Et pour les individus, il n’est pas nécessaire de rivaliser avec l’IA sur la vitesse de génération.

Les machines peuvent répondre vite ; les humains doivent juger si la question mérite d’être traitée, quels effets la réponse entraînera, et en assumer la responsabilité.