La citation de Greg Brockman sur OpenAI et Simon Willison révèle un rejet des collègues IA

Greg Brockman a décrit un conflit inattendu au sein d’OpenAI : les employés n’aimaient pas recevoir sur Slack des demandes envoyées par les agents ChatGPT de leurs collègues, bien qu’ils acceptent des demandes humaines identiques. La citation d’OpenAI reprise par Simon Willison met en lumière un problème que de meilleurs modèles ne peuvent pas résoudre à eux seuls. Un agent peut transmettre le bon message tout en détériorant la relation qui l’entoure.

Simon Willison a publié cette observation le 1er août, en citant le président et cofondateur d’OpenAI. Brockman a déclaré que de nombreux employés d’OpenAI relient ChatGPT à Slack. Il a également indiqué que les personnes réagissent différemment lorsque ces systèmes demandent à des collègues de les aider à accomplir des tâches.

Cette réaction remet en question une promesse centrale des agents en entreprise. Les entreprises espèrent que les logiciels autonomes, c’est-à-dire les IA capables d’agir pour les utilisateurs, élimineront le travail de coordination. Pourtant, déléguer la conversation peut rendre une demande raisonnable impersonnelle, présomptueuse ou injuste.

Le conflit n’oppose pas simplement les humains à l’automatisation. Il oppose l’efficacité déléguée à une responsabilité humaine visible. Les employés semblent disposés à aider une autre personne, mais moins à devenir une ressource invisible gérée par le logiciel de cette personne.

Cette distinction importe alors qu’OpenAI, Salesforce, Slack et d’autres fournisseurs introduisent des agents dans les communications professionnelles. La question n’est plus de savoir si une IA peut envoyer un message utile. Elle est de savoir si le destinataire comprend qui formule la demande, pourquoi elle compte et qui reste responsable.

Ce que la citation d’OpenAI relayée par Simon a réellement révélé

L’événement important n’était pas un lancement de produit. C’était l’aveu qu’une délégation techniquement réussie peut échouer sur le plan social.

Dans la citation originale, Brockman a décrit une différence comportementale récurrente. Les employés d’OpenAI aidaient souvent un collègue qui les abordait directement. Ils n’aimaient pas recevoir la même demande lorsque le ChatGPT de ce collègue lançait l’interaction.

Les propos de Brockman renvoient à une tendance interne, et non à une étude contrôlée. OpenAI n’a publié ni chiffres de participation, ni taux de réponse, ni catégories de tâches, ni comparaison expérimentale. Les lecteurs doivent donc considérer ce récit comme une observation éclairée provenant de l’intérieur de l’entreprise.

Même avec cette limite, l’exemple est particulièrement précieux. OpenAI développe les modèles et les systèmes d’agents au cœur de cette transition. Ses employés disposent aussi de solides connaissances techniques et d’un accès inhabituellement direct aux outils émergents.

Si une résistance apparaît dans cet environnement, une maîtrise limitée de l’IA ne peut pas l’expliquer entièrement. Ces employés comprennent vraisemblablement ce que fait ChatGPT. Leur objection porte sur l’organisation sociale créée lorsqu’un agent sollicite le temps d’une autre personne.

La demande elle-même peut être raisonnable. Un développeur peut avoir besoin d’une revue de code, un chercheur d’un document, ou un manager du contexte détenu par une autre équipe. Le destinataire peut volontiers apporter cette aide lorsque le collègue responsable la demande.

Une demande automatisée modifie la relation implicite. Elle peut donner l’impression qu’un employé a économisé du temps en transférant les coûts de coordination à quelqu’un d’autre. L’expéditeur évite de rédiger le message, d’évaluer l’interruption et de reconnaître personnellement le service rendu.

Le destinataire, lui, accomplit toujours le travail. Il doit interpréter la demande, en déterminer la priorité, trouver l’information et décider si l’agent dispose d’une autorité suffisante. L’automatisation a réduit l’effort d’un côté tout en le préservant de l’autre.

Ce déséquilibre explique pourquoi une formulation identique ne produit pas une expérience identique. La communication professionnelle véhicule des informations au-delà de son contenu littéral. Elle exprime l’urgence, la réciprocité, le statut, le jugement personnel et le respect de l’attention d’autrui.

Une demande humaine ouvre également une voie claire à la négociation. Le destinataire peut demander pourquoi la tâche compte, expliquer des priorités concurrentes ou proposer une contribution plus limitée. Un agent peut prendre en charge ces échanges, mais sa présence rend les limites moins évidentes.

La documentation actuelle d’OpenAI montre à quel point cette capacité a progressé. Le guide des agents Slack indique que les agents d’espace de travail peuvent répondre à des questions, effectuer des tâches via des systèmes connectés, créer des fichiers et envoyer des messages programmés.

Les agents peuvent également répondre automatiquement dans des canaux publics. Cette fonctionnalité les fait sortir de l’assistance privée. Ils deviennent des participants de l’environnement de communication partagé où les équipes coordonnent le travail et établissent leurs attentes.

OpenAI avertit que les réponses des agents peuvent être inexactes. Toutefois, l’exemple de Brockman révèle un mode d’échec distinct. Un message peut être exact, pertinent et correctement transmis tout en suscitant du ressentiment.

C’est pourquoi l’observation d’OpenAI relayée par Simon mérite davantage d’attention qu’un simple billet de citation. Elle identifie un obstacle à l’adoption que les évaluations classiques des modèles mesurent rarement. L’exactitude ne peut pas révéler si un destinataire se sent respecté, accablé ou manipulé.

Le changement est donc conceptuel, mais concret. Les agents en entreprise passent de l’aide à leurs propriétaires à la formulation de demandes envers d’autres personnes. Une fois cette frontière franchie, la permission sociale devient aussi importante que l’autorisation technique.

L’IA au travail devient un problème de conception des relations

Le déploiement d’agents pousse les managers et les équipes produit à protéger les relations humaines, pas seulement à automatiser des étapes supplémentaires.

La première génération d’IA générative au travail fonctionnait principalement en privé. Un employé demandait un résumé, un brouillon, une explication ou une analyse. L’utilisateur vérifiait le résultat et décidait de le partager ou non.

Les agents modifient ce schéma parce qu’ils peuvent agir à travers différents systèmes. Ils peuvent publier dans des canaux, contacter des collègues, récupérer des dossiers, mettre à jour des documents et poursuivre des flux de travail. Leur production devient l’entrée d’une autre personne avant même que leur propriétaire n’examine nécessairement chaque étape.

Cette transition fait entrer la gouvernance de l’IA dans le comportement organisationnel quotidien. Les équipes de sécurité ont toujours besoin de contrôles d’accès et de journaux d’audit. Les managers ont aussi besoin de règles sur les moments où un logiciel doit contacter une personne et sur l’identité qu’il doit présenter.

La documentation d’OpenAI pour le travail exige que les administrateurs configurent l’intégration Slack. Elle décrit également l’authentification partagée, dans laquelle un agent utilise des connexions gérées de manière centralisée plutôt que le compte privé d’un employé. Ces contrôles répondent aux enjeux d’accès technique, mais pas à toutes les attentes sociales.

Un agent autorisé peut néanmoins interrompre la mauvaise personne. Il peut générer des relances inutiles ou transformer un service informel en tâche attribuée par une machine. L’autorisation d’entrer dans un canal n’équivaut pas à l’autorisation de mobiliser l’attention de tout le monde.

Le destinataire a également besoin d’une information claire. Une étiquette de bot visible répond à une question, mais pas à la plus importante. Les employés doivent savoir quelle personne est responsable de la demande et si cette personne l’a examinée.

La responsabilité influence la façon dont les personnes interprètent l’urgence. Un message provenant d’un collègue de confiance porte le contexte accumulé de collaborations antérieures. Une demande de bot peut effacer cet historique et présenter chaque tâche avec un niveau de certitude similaire.

Cet aplatissement crée un problème de priorisation. Les collègues humains signalent l’incertitude, l’embarras, la gratitude ou une véritable urgence par de petits choix. Un agent peut imiter ces signaux, mais l’imitation n’établit pas que son propriétaire partage ce sentiment.

Les équipes peuvent donc se méfier des demandes très soignées. Le langage peut sembler attentionné alors que le processus sous-jacent transfère l’effort sans consultation. Une meilleure rédaction ne résout pas l’incertitude sur l’autorité et la réciprocité.

Les recherches sur l’IA au travail étayent cette préoccupation plus large, même si elles ne vérifient pas directement le récit interne de Brockman. Une étude de 2026 a comparé le soutien de ChatGPT à l’aide apportée par un collègue humain lors d’une tâche de communication en entreprise.

Les chercheurs ont utilisé une expérience par scénarios auprès de 202 participants. Ils ont constaté que le soutien de ChatGPT était associé à une satisfaction professionnelle plus faible que le soutien d’un collègue humain dans ce contexte précis.

L’étude publiée sur le soutien au travail a relié ce résultat à trois perceptions. Les participants ont fait état d’un soutien organisationnel plus faible, de moins d’occasions de démontrer leurs compétences et d’une plus grande insécurité professionnelle.

Ces résultats ne doivent pas être généralisés à chaque profession ou flux de travail. L’expérience portait sur une seule tâche de communication dans des conditions contrôlées. Néanmoins, son mécanisme ressemble étroitement à la tension décrite dans l’observation de Brockman.

L’aide humaine communique davantage que l’accomplissement d’une tâche. Elle peut signaler que l’organisation valorise un employé, que les collègues reconnaissent l’expertise des uns et des autres, et que la coopération sera réciproque.

Le soutien apporté par des agents peut sembler différent, même lorsqu’il améliore le résultat. Le logiciel ne possède pas l’histoire commune qui donne à l’aide sa signification relationnelle. Les employés peuvent recevoir une réponse sans vivre l’interaction comme un soutien authentique.

Cela exerce une pression directe sur les acheteurs en entreprise. Une décision d’achat centrée sur les tâches accomplies peut négliger des coûts de second ordre. Les équipes peuvent constater des flux de travail plus rapides tout en subissant une confiance affaiblie, une moindre volonté d’aider ou davantage de temps consacré à vérifier les demandes automatisées.

Les concepteurs de produits subissent la même pression. Ils doivent décider si les agents doivent s’exprimer de façon autonome, préparer des messages pour validation ou fonctionner discrètement derrière une interface contrôlée par un humain.

Le modèle le plus sûr dépend de la tâche. Un résumé d’état programmé n’a pas les mêmes conséquences sociales que demander à un collègue précis d’enquêter sur un problème. Traiter les deux actions comme de simples messages génériques ignore leurs exigences différentes sur l’attention humaine.

Les organisations qui investissent déjà dans une base de connaissances consultable disposent d’une autre option. Un agent peut retrouver les connaissances existantes avant de demander à un collègue de les répéter.

Cette séquence préserve la valeur de l’automatisation sans faire des humains la solution de repli par défaut. Elle crée également un seuil plus clair pour l’interruption. L’agent ne contacte une personne que lorsque les dossiers disponibles ne peuvent pas résoudre la demande.

L’enjeu n’est donc pas de rejeter les agents. Il est de distinguer l’assistance privée, la recherche d’information partagée et la délégation interpersonnelle. Chaque catégorie exige des autorisations et des attentes différentes.

Efficacité déléguée contre responsabilité humaine

Le compromis central est simple : un agent fait gagner du temps à son propriétaire en utilisant l’attention d’une autre personne.

Les indicateurs de productivité suivent souvent l’utilisateur à l’origine de l’action. Une entreprise mesure la rapidité avec laquelle cet employé termine une tâche ou le nombre de flux de travail pris en charge par l’agent. L’effort d’interprétation du destinataire apparaît rarement dans le même tableau de bord.

Prenons le cas d’un chef de produit qui prépare une mise à jour. Son agent remarque qu’une estimation d’ingénierie manque et contacte un développeur. Le manager gagne quelques minutes, mais le développeur reçoit une demande sans savoir si le manager l’a examinée.

Le développeur doit décider si l’estimation est réellement nécessaire, si l’échéance est réelle et si répondre au bot crée une obligation. Le flux de travail paraît efficace depuis un compte tout en générant de l’ambiguïté ailleurs.

Un message humain comporte un coût modeste mais réel. L’expéditeur s’interrompt, pense au destinataire, explique le besoin et assume la responsabilité de l’interruption. Cet effort sert de filtre contre les demandes de faible valeur.

L’automatisation supprime une grande partie de cette friction. La réduire aide lorsque l’action est routinière et consentie. Elle peut toutefois générer une demande excessive lorsque l’action mobilise un jugement humain limité.

Cela est comparable à l’automatisation des calendriers. Les outils de réservation facilitent la planification, mais un usage négligent peut reporter tous les désagréments sur les invités. La technologie ne détermine pas à elle seule si l’interaction paraît équitable ; c’est la pratique qui l’entoure qui le fait.

Les agents accentuent cet effet, car ils peuvent générer des demandes à grande échelle. Un employé peut déléguer de nombreuses conversations sans subir personnellement l’interruption de chaque destinataire. De petits déséquilibres peuvent s’accumuler à l’échelle d’une grande organisation.

La citation de Simon chez OpenAI remet également en question la conception anthropomorphique, qui donne aux logiciels un langage ou un comportement humains. Un ton plus chaleureux peut améliorer l’utilisabilité, mais il peut aussi masquer qui a pris la décision à l’origine du message.

Si un agent écrit « J’apprécierais votre aide », qui exprime cette reconnaissance ? Le système n’a aucun intérêt personnel dans la relation. Son propriétaire peut se sentir reconnaissant, mais le destinataire ne peut pas savoir si cette formule reflète une attention humaine.

Une attribution claire peut réduire cette ambiguïté. Un message pourrait indiquer qu’un agent a identifié des informations manquantes et qu’un employé nommé a approuvé la demande. Il pourrait aussi offrir un moyen direct de contacter le propriétaire.

L’approbation seule ne résoudra pas tous les cas. Une personne peut approuver de nombreux messages générés sans évaluer la charge qu’ils imposent. Une conception utile devrait rendre visible le coût pour le destinataire avant l’envoi de la demande.

Par exemple, un agent pourrait montrer à son propriétaire qui a déjà été contacté, à quelle fréquence cette personne a aidé et si la réponse existe ailleurs. Il pourrait recommander de poser la question dans un canal partagé plutôt que de solliciter à répétition un même expert.

Le système pourrait également distinguer les questions d’information des attributions de travail. Demander où se trouve un document diffère d’une demande de deux heures d’analyse. La seconde action exige une négociation humaine explicite.

Les destinataires ont eux aussi besoin de contrôle. Ils devraient pouvoir refuser, rediriger, mettre en sourdine ou exiger une confirmation humaine sans avoir à argumenter avec un logiciel. Un refus devrait parvenir au propriétaire responsable au lieu de déclencher une persuasion automatisée sans fin.

L’identité doit rester stable tout au long de la conversation. Si un agent commence un fil, son propriétaire ne devrait pas prendre silencieusement le relais tout en maintenant l’ambiguïté. Les participants devraient savoir si chaque message vient d’un logiciel, d’une personne ou d’un brouillon révisé.

La responsabilité devient particulièrement importante lorsque l’agent commet une erreur. S’il indique mal une échéance ou demande un travail non autorisé, le destinataire ne devrait pas avoir à enquêter pour déterminer quel prompt, quelle intégration ou quel modèle a produit l’instruction.

Un propriétaire nommé doit résoudre le problème. L’organisation doit également conserver suffisamment d’historique pour comprendre l’action. Sinon, la communication déléguée affaiblit la responsabilité au moment même où l’automatisation étend sa portée.

Slack a publiquement présenté un avenir plus fortement axé sur les agents. Un article d’Axios a cité un dirigeant de Slack prédisant que les travailleurs pourraient finir par parler avec des agents aussi souvent qu’avec leurs collègues humains.

La prévision sur le monde du travail des agents a également mis en évidence la préoccupation concurrente. Des experts ont averti qu’une interaction dominée par les machines pouvait affaiblir les comportements sociaux, tandis que des praticiens décrivaient les agents comme incohérents et sujets aux erreurs.

L’observation de Brockman précise ce débat. Les gens ne rejettent pas toute interaction avec un logiciel. Ils distinguent un agent qui les aide d’un agent qui les enrôle pour aider quelqu’un d’autre.

Cette différence devrait guider les décisions produit. L’automatisation personnelle ne devrait pas recevoir automatiquement une autorité interpersonnelle. Un système capable d’envoyer un message doit toujours avoir une raison légitime de représenter son propriétaire.

Les éléments disponibles sont évocateurs, mais incomplets

Brockman a identifié un avertissement crédible, mais les éléments publics ne permettent pas d’établir l’ampleur ni la durabilité de cette réaction.

Le récit d’OpenAI manque de mesures de base. Nous ne savons pas combien d’employés ont connecté ChatGPT à Slack, combien de destinataires se sont opposés, ni quels types de tâches ont suscité les réactions les plus vives.

L’expression « les gens n’aiment vraiment pas ça » transmet une impression claire, non un résultat quantifié. Elle pourrait décrire une résistance généralisée, des plaintes répétées d’un groupe plus restreint ou un phénomène concentré dans certaines équipes.

La conception des tâches pourrait expliquer une partie de la réaction. Les employés pourraient accepter des questions de statut automatisées tout en se montrant réticents face à des demandes ouvertes nécessitant du jugement. Une demande de lien existant diffère d’une invitation à déboguer le projet d’une autre équipe.

Le comportement des agents compte également. Les destinataires pourraient réagir négativement parce que les messages sont verbeux, mal synchronisés, répétitifs ou insuffisamment transparents. Le problème ne réside peut-être pas uniquement dans la délégation.

La hiérarchie au travail crée une autre incertitude. Un agent agissant pour un cadre dirigeant peut exercer une autorité implicite, même si le message semble facultatif. Les employés pourraient se sentir incapables de l’ignorer tout en ne disposant pas d’une relation humaine leur permettant de négocier.

Le même agent agissant pour un pair pourrait susciter une réaction différente. Les équipes où la confiance est forte pourraient tolérer l’automatisation, car les collègues comprennent déjà les intentions des uns et des autres. Les équipes nouvellement formées ou distribuées pourraient nécessiter davantage de contact humain explicite.

Les attentes culturelles varieront également. Certaines organisations s’appuient fortement sur la communication écrite asynchrone. D’autres utilisent la conversation pour maintenir la cohésion, lever les incertitudes et reconnaître les contributions individuelles.

L’étude de 2026 sur l’assistance de ChatGPT apporte des éléments utiles, mais elle ne reproduit pas la délégation autonome dans Slack. Les participants ont réagi à des scénarios professionnels hypothétiques plutôt qu’à des relations de long terme avec de véritables collègues et agents.

Son échantillon de 202 personnes permet une analyse dans le cadre de cette expérience. Il ne peut pas déterminer si les employés s’adaptent après un usage prolongé ou si une meilleure conception d’interface modifie le résultat.

Une étude distincte sur Slack, rapportée par l’Associated Press, illustre à quel point l’adoption en entreprise était déjà inégale. Les chercheurs ont mené des entretiens avec 5 000 travailleurs sur ordinateur et les ont regroupés en cinq profils d’IA.

Seule la moitié appartenait aux deux groupes utilisant déjà l’IA régulièrement ou discrètement. L’enquête sur l’IA au travail décrivait de l’enthousiasme, de l’anxiété, de la résistance, de la culpabilité et de l’incertitude, plutôt qu’une réaction commune.

Cette recherche est antérieure à l’intégration actuelle d’OpenAI avec Slack et ne devrait pas être considérée comme une mesure directe de l’acceptation des agents. Elle montre que l’IA au travail arrive dans un environnement émotionnellement divisé.

La divulgation peut créer un autre paradoxe. Cacher l’agent réduirait la friction immédiate, mais tromperait les destinataires sur l’auteur. Étiqueter chaque message automatisé protège la transparence tout en rendant la délégation impossible à ignorer.

La réponse ne peut pas être de faire imiter plus efficacement leurs propriétaires par les agents. Cette approche pourrait améliorer les taux de réponse à court terme en exploitant la confiance existante. Elle compromettrait aussi une participation éclairée et rendrait les erreurs ultérieures plus dommageables.

Les organisations ont besoin d’éléments allant au-delà des chiffres d’adoption. Une forte utilisation peut refléter une pression managériale plutôt que l’acceptation des employés. Des temps de réponse rapides peuvent masquer de la frustration ou une conformité inutile.

De meilleures mesures incluraient les demandes ignorées, les escalades vers des humains, les plaintes, les corrections, les contacts répétés et la satisfaction des destinataires. Les équipes devraient aussi comparer les demandes rédigées par des agents à celles envoyées de façon autonome.

Les éléments les plus solides proviendraient d’essais contrôlés en milieu professionnel. Les chercheurs pourraient faire varier l’approbation du propriétaire, la divulgation de l’identité, la charge de la tâche, la hiérarchie et l’historique relationnel. Ils pourraient ensuite mesurer l’exécution, la confiance et la volonté de collaborer à nouveau.

En attendant l’apparition de telles données, le récit de Simon chez OpenAI devrait rester un avertissement plutôt qu’une loi universelle. Il identifie un mécanisme plausible cohérent avec des recherches connexes. Il ne prouve pas que chaque message autonome nuise aux relations de travail.

Cette distinction compte, car une réaction excessive a également un coût. Interdire toute communication par agent empêcherait une automatisation utile, notamment des canaux d’aide accessibles, des rapports de routine et un accès plus rapide à l’information.

La réponse pratique est une expérimentation encadrée. Les entreprises peuvent autoriser une participation des agents à faible risque tout en exigeant une révision humaine pour les demandes qui imposent un travail significatif à une autre personne.

Elles devraient publier ces limites avant le déploiement. Les employés doivent savoir quand un agent peut les contacter, quelle autorité il exerce, comment refuser et qui traite les différends.

Sans ces règles, chaque destinataire doit inventer une politique à chaque interruption. Cette incertitude transforme une fonctionnalité de productivité en friction organisationnelle.

Trois signaux montreront si les collègues IA peuvent gagner la confiance

La prochaine phase sera déterminée par les contrôles produit, le comportement des destinataires et des résultats relationnels mesurables.

Le premier signal sera de savoir si OpenAI et d’autres fournisseurs ajoutent des contrôles d’approbation humaine plus robustes pour les demandes interpersonnelles. Les outils actuels prennent déjà en charge la configuration des canaux, les horaires, les mentions et les réponses automatiques.

La fonctionnalité décisive distinguerait l’assistance générale dans un canal de la délégation ciblée. Un administrateur ou un propriétaire pourrait exiger une révision chaque fois qu’un agent demande à un employé nommé d’effectuer un travail important.

Ce contrôle renforcerait l’interprétation de Brockman si les clients l’adoptent largement. Il montrerait que les organisations reconnaissent les demandes interpersonnelles comme une catégorie de risque distincte.

Une adoption faible indiquerait autre chose. Les équipes pourraient estimer que la divulgation et les autorisations existantes offrent une protection suffisante. Les messages routiniers des agents pourraient devenir socialement normaux à force d’exposition répétée.

Le deuxième signal est le comportement des destinataires. Les entreprises devraient surveiller les taux de réponse, les refus, les mises en sourdine, les escalades et les demandes de confirmation humaine selon les différentes catégories de tâches.

Un taux d’exécution élevé ne suffit pas. Les employés peuvent se conformer à des demandes qu’ils n’apprécient pas, surtout lorsque l’agent représente un manager ou un collègue influent. La satisfaction et la volonté de recommencer comptent autant que la rapidité.

L’argument de Brockman gagne en force si les demandes autonomes produisent davantage de plaintes ou une coopération future plus faible que les messages humains révisés. Il s’affaiblit si la différence disparaît après contrôle de la qualité du message et de la charge de travail.

Le troisième signal sera de savoir si les organisations mesurent les effets sur les relations en même temps que la productivité. La plupart des programmes d’agents commencent par le temps économisé, les tâches réalisées ou la réduction du volume de support.

Ces mesures favorisent le propriétaire de l’agent et l’organisation acheteuse. Elles ne permettent pas de savoir si le système transfère du travail, réduit la reconnaissance ou affaiblit la confiance entre collègues.

Une évaluation crédible devrait interroger les deux parties sur l’interaction. L’expéditeur a-t-il gagné du temps ? Le destinataire a-t-il compris la demande, accepté sa légitimité et su qui était responsable ?

Les indicateurs à plus long terme comptent aussi. Les équipes peuvent examiner si les experts reçoivent davantage de demandes automatisées, si les employés communiquent directement moins souvent et si les désaccords non résolus se déplacent hors des canaux officiels.

Ces résultats distingueront l’augmentation de la substitution. L’augmentation utilise l’IA pour préparer les personnes à mieux collaborer. La substitution place un logiciel entre les personnes et traite la relation comme une surcharge évitable.

La direction privilégiée par Brockman semble claire au vu de cette citation. L’IA devrait rendre du temps aux personnes ou améliorer le temps qu’elles passent ensemble. Elle ne devrait pas devenir une couche permanente qui éloigne les collègues.

Cette position est notable, car OpenAI bénéficie lorsque les agents prennent en charge davantage d’activités au travail. Reconnaître cette limite sociale suggère qu’une plus grande autonomie des agents n’est pas automatiquement l’objectif recherché.

Le défi produit consiste à préserver la responsabilité sans réintroduire toute la charge administrative. La rédaction d’une demande réfléchie peut être automatisée. Décider d’imposer du travail à un collègue devrait souvent rester une décision humaine.

La recherche de connaissances offre une ligne de démarcation utile. Un agent devrait consulter les dossiers approuvés, résumer le contexte pertinent et identifier les informations manquantes avant de contacter une autre personne. L’automatisation gagne la confiance lorsqu’elle évite les interruptions inutiles.

Lorsque l’aide humaine reste nécessaire, le responsable devrait apparaître dans l’échange. Une brève explication personnelle peut établir l’objectif, la responsabilité et la gratitude. L’agent peut toujours organiser le contexte et consigner le résultat.

L’expression OpenAI Simon ne deviendra probablement pas un terme de recherche naturel en dehors de cette citation précise. Pourtant, la question sous-jacente façonnera l’IA d’entreprise bien au-delà d’une seule publication.

Les fournisseurs conçoivent des agents comme des collègues, des assistants et de la main-d’œuvre numérique. Les employés jugeront ces systèmes à travers leurs interactions quotidiennes, et non à travers leurs intitulés produits. Chaque demande automatisée devient un test d’autorité et de respect.

L’agent le plus efficace pourrait donc être moins visible que ne le suggèrent les démonstrations actuelles. Il préparerait les informations, éliminerait les tâches répétitives et aiderait une personne à communiquer clairement. Il ne chercherait pas à s’attribuer le mérite d’avoir remplacé la relation.

Les organisations qui déploient des agents Slack devraient commencer par une question pratique : cette action fait-elle gagner du temps au collectif, ou seulement à son responsable ? Cette question révèle les flux de travail qui ne font que transférer l’effort.

Elles devraient ensuite donner aux destinataires un contrôle réel. Une personne doit pouvoir demander une confirmation humaine sans pénalité et refuser une tâche générée par une machine sans devoir entamer un débat avec la machine.

Enfin, les équipes devraient examiner les résultats ouvertement. Si les employés ont le sentiment que les agents attribuent du travail sans responsabilité, le déploiement doit être repensé, quelles que soient ses statistiques d’exécution.

La citation d’OpenAI Simon Willison ne tranche pas l’avenir des collègues IA. Elle fournit un meilleur critère pour les évaluer. L’objectif n’est pas de maximiser la communication automatisée, mais de rendre le travail plus utile tout en abîmant moins les relations.

Avant d’autoriser un agent à contacter un collègue, demandez-vous ce que le logiciel élimine et ce qu’il transfère. Exigez un responsable nommé, une divulgation claire et un moyen simple de revenir à une conversation humaine. Mesurez ensuite l’expérience du destinataire avec autant de soin que le temps économisé par l’expéditeur. Si votre agent de travail ne peut préserver le consentement, le contexte et la responsabilité, maintenez-le derrière la personne qu’il sert. L’IA mérite sa place au travail lorsqu’elle donne aux personnes davantage d’attention les unes pour les autres, et non lorsqu’elle transforme les collègues en simples points de terminaison d’un flux de travail automatisé.