Cessez de solliciter l’IA et commencez à la diriger

Google News a mis en avant un argument de MIT Sloan Management Review qui lance un défi direct : cessez de traiter les prompts destinés à l’IA comme le cœur d’un travail efficace. Le titre, « Stop Prompting AI. Start Directing It », annonce un passage de la rédaction d’instructions isolées à la gestion d’un système de production continu.

Cette distinction compte, car l’IA en entreprise va au-delà du chat. Les modèles peuvent désormais rechercher des fichiers, appeler des outils, écrire du code, réviser des documents et poursuivre un travail sur plusieurs étapes. Un prompt soigné peut lancer ce processus, mais il ne peut pas définir chaque décision que le système rencontrera.

Le débat émergent n’oppose donc pas les humains à l’IA. Il oppose le prompting ponctuel à une direction structurée. La première approche demande une réponse à un modèle. La seconde lui fournit un objectif, un contexte pertinent, des limites opérationnelles, des points de révision et une définition mesurable de la réussite.

C’est aussi pourquoi le titre de MIT Sloan est plus qu’une nouvelle leçon de rédaction de prompts. Il redéfinit le rôle humain. La compétence rare devient le jugement : décider de ce qui doit se produire, des preuves qui comptent, du point où l’autonomie doit s’arrêter et de la question de savoir si le résultat mérite d’être approuvé.

Ce que le titre de Google News change réellement

Le changement important n’est pas une nouvelle formule de prompt. C’est une nouvelle unité de travail.

La publication Google News renvoie les lecteurs vers une question de management dissimulée sous des années de conseils sur les prompts. Si l’IA participe au travail réel, les personnes doivent-elles gérer les réponses individuelles ou diriger l’ensemble du processus ?

Le prompting traite généralement chaque interaction comme une petite transaction. Un utilisateur formule une demande, le modèle produit quelque chose, puis l’utilisateur l’accepte ou réessaie. Le contexte disparaît souvent entre les sessions, tandis que les normes restent enfouies dans la mémoire de quelqu’un.

La direction considère la mission comme un flux de travail géré. L’utilisateur définit le résultat attendu, fournit des preuves, identifie les contraintes, attribue des outils et établit des points de contrôle. Le modèle reçoit toujours des prompts, mais ceux-ci deviennent des éléments d’une conception opérationnelle plus large.

Prenons une demande d’analyse de marché. Un utilisateur centré sur le prompt pourrait demander à un assistant IA de résumer un marché et de recommander une stratégie. Le modèle doit en déduire le public, la zone géographique, l’horizon temporel, le niveau de preuve et le degré d’incertitude acceptable.

Un directeur définirait d’abord la décision que l’analyse doit étayer. L’IA pourrait ensuite recevoir des sources approuvées, des notes clients, des recherches antérieures et une plage de dates obligatoire. Elle recevrait également des instructions explicites sur le traitement des preuves contradictoires.

Le directeur pourrait exiger que le système sépare les faits vérifiés des estimations. Le flux de travail pourrait s’interrompre avant toute recommandation, afin qu’un humain puisse examiner les preuves. L’approbation finale resterait entre les mains d’une personne responsable de la décision commerciale.

Cette approche transforme la manière dont les équipes évaluent les performances de l’IA. Une réponse fluide ne suffit plus. Les équipes doivent se demander si le système a utilisé les bonnes informations, suivi le processus prévu, rendu l’incertitude visible et produit un résultat exploitable.

La distinction change également le diagnostic des échecs. Lorsqu’une réponse faible suit une demande vague, réécrire le prompt peut aider. Toutefois, des échecs répétés révèlent souvent un contexte manquant, une responsabilité mal définie, une mauvaise sélection des sources ou l’absence de norme de révision.

Il s’agit de problèmes de management et de conception de systèmes. Les traiter comme des problèmes de formulation entraîne les équipes dans un ajustement sans fin des prompts. Elles modifient les adjectifs et les instructions de mise en forme tout en laissant la mission sous-jacente indéfinie.

L’expression « commencez à diriger » remet donc en cause l’idée que l’expertise réside dans un bloc de texte parfait. La direction se répartit entre la conception de la tâche, la sélection des sources, les autorisations, la mémoire, les outils, l’évaluation et l’intervention humaine.

Cela ne rend pas le prompting inutile. Tout flux de travail dirigé nécessite encore une communication claire. Le renversement est que le prompting devient une surface de contrôle parmi d’autres, plutôt que la méthode complète permettant d’obtenir un travail fiable.

Ce cadre donne aussi aux managers une manière plus réaliste de parler de l’adoption. Les employés n’ont pas besoin de devenir des spécialistes de la littérature capables de découvrir des phrases magiques. Ils doivent apprendre à déléguer du travail tout en préservant le contexte, les normes et la responsabilité.

Le même principe régit déjà les équipes humaines efficaces. Un manager ne confierait pas un projet sensible en une phrase avant de disparaître. Il expliquerait l’objectif, partagerait le contexte, définirait les limites, planifierait des révisions et examinerait le résultat.

Les systèmes d’IA exigent une structure comparable, même si leurs modes de défaillance diffèrent. Ils peuvent produire des erreurs convaincantes, suivre des instructions malveillantes intégrées ou poursuivre un objectif incomplet avec une persistance surprenante. La direction doit donc inclure des contrôles techniques aux côtés du jugement managérial ordinaire.

Voilà le changement pratique derrière le titre de Google News. La conversation passe de « Que dois-je taper ? » à « Quel système doit régir ce travail ? »

Pourquoi le prompting ponctuel atteint ses limites

Un seul prompt ne peut pas transporter de manière fiable le contexte, les contrôles et les critères d’évaluation qu’exige un travail à conséquences.

L’ingénierie des prompts est devenue populaire pour des raisons compréhensibles. Les premiers produits d’IA générative présentaient une zone de texte vide ; les utilisateurs se sont donc naturellement concentrés sur ce qu’ils y inséraient. De petites modifications de formulation pouvaient produire des réponses visiblement différentes.

Ce modèle fonctionne encore pour des tâches délimitées et réversibles. Un utilisateur peut demander des titres alternatifs, un ordre du jour de réunion approximatif ou une première réécriture. Le coût d’inspection et de correction du résultat reste faible.

Les problèmes s’amplifient lorsque la tâche couvre plusieurs sources ou actions. Un modèle qui prépare une note de recherche doit décider où chercher, quelles preuves croire et à quel moment il a réuni assez d’informations. Un modèle qui modifie un logiciel doit inspecter les fichiers, exécuter les tests, interpréter les échecs et éviter les changements sans rapport.

Aucun prompt initial ne peut anticiper tous les états rencontrés au cours de ce travail. Le système a besoin de retours des outils et de la capacité à ajuster son action suivante. Il a également besoin de limites empêchant une interprétation erronée de se propager dans tout le processus.

C’est là que l’IA agentique entre en scène. Un agent est un système fondé sur un modèle capable de sélectionner des actions et d’utiliser des outils tout en poursuivant un objectif. Au lieu de produire une seule réponse, il fonctionne selon un cycle répété de planification, d’action, d’observation et de révision.

Anthropic établit une distinction utile entre les workflows et les agents dans ses recommandations sur les agents IA efficaces. Les workflows suivent des parcours de code prédéfinis, tandis que les agents choisissent dynamiquement certaines parties de leur processus et de leur utilisation d’outils.

Cette distinction évite que « diriger » ne devienne un slogan en faveur d’une autonomie maximale. Un workflow prévisible convient souvent mieux aux tâches stables. Un agent devient utile lorsque le chemin ne peut pas être entièrement spécifié à l’avance et que le système doit répondre à des informations changeantes.

Les équipes doivent donc choisir un modèle opérationnel avant d’écrire des prompts. Un processus d’extraction fixe peut utiliser un workflow avec des règles de validation. Une investigation ouverte peut employer un agent qui recherche, compare les sources et demande des précisions.

Ce choix influence le coût, la rapidité et le risque. Davantage d’autonomie peut gérer des missions plus larges, mais elle peut aussi créer des parcours d’exécution plus longs et un comportement moins prévisible. Un directeur doit décider si ce compromis sert la tâche.

Les limites du prompting isolé apparaissent également dans le travail courant de la connaissance. Les employés ont fréquemment besoin d’informations réparties entre e-mails, documents, réunions et notes personnelles. Un modèle dépourvu de ce contexte doit deviner ou demander des explications répétées.

Un contexte persistant transforme l’interaction. Au lieu de coller les mêmes éléments de contexte dans chaque conversation, les travailleurs peuvent maintenir un corpus d’informations approuvé pour le système. La qualité de ces informations devient alors une préoccupation de management.

Une base de connaissances personnelle peut soutenir cette approche en gardant les sources disponibles pour la récupération. Toutefois, le stockage seul ne garantit pas l’exactitude. Les utilisateurs doivent toujours décider de ce qui appartient au contexte de travail et de ce qui doit rester exclu.

L’évaluation constitue une autre limite. Un prompt peut décrire le résultat souhaité, mais les missions complexes nécessitent des tests qui s’exercent en dehors de la prose du modèle. Le code doit s’exécuter. Les citations doivent être vérifiables. Les calculs doivent être reproductibles. Les affirmations doivent correspondre aux documents sous-jacents.

Sans ces contrôles, l’utilisateur évalue plus facilement le style que le fond. Une réponse assurée peut sembler complète avant que quiconque n’ait testé sa base factuelle. La direction déplace l’attention de la présentation vers la vérification.

Microsoft Research a constaté des avantages mesurables liés à l’IA au travail, mais les résultats montrent aussi pourquoi la conception du déploiement importe. Une expérience de terrain randomisée de six mois a impliqué 6 000 travailleurs, dont la moitié a reçu un outil d’IA générative intégré aux e-mails, documents et réunions.

Les travailleurs utilisant l’outil ont consacré trois heures de moins par semaine aux e-mails et semblaient achever les documents modérément plus vite. Pourtant, le temps de réunion n’a pas changé de manière significative, selon l’étude sur les modes de travail.

Ce schéma suggère que l’IA peut améliorer les activités que les individus contrôlent plus directement que le travail exigeant une coordination plus large. Un meilleur générateur de réponses ne repense pas automatiquement les approbations, les réunions, les dépendances d’équipe ou les droits de décision.

La direction répond à cette lacune. Les managers doivent décider comment le travail généré par l’IA circule dans l’organisation. Ils doivent préciser qui le révise, où il s’insère dans les systèmes existants et si les collègues peuvent en retracer les preuves.

Un prompt peut demander un résumé. Il ne peut pas, à lui seul, établir qui est responsable de la décision qui en découle. Il ne peut pas déterminer si une équipe doit conserver les sources ou divulguer l’implication de l’IA.

Ces choix périphériques déterminent si l’IA devient un composant utile ou une couche supplémentaire de production non suivie. Le prompting ponctuel atteint sa limite précisément là où commence le travail organisationnel.

La nouvelle compétence est la direction de l’IA, pas la performance des prompts

Une direction efficace de l’IA combine délégation, gestion du contexte, vérification et intervention au bon moment.

La direction commence par un objectif plus clair. « Analysez ces entretiens clients » reste trop vague, car cela n’identifie pas la décision concernée. Un objectif utile pourrait demander au système d’identifier les obstacles à l’onboarding qui devraient influencer la prochaine version du produit.

L’objectif doit s’accompagner de critères d’achèvement. Le système pourrait devoir identifier les thèmes récurrents, préserver les retours contradictoires, citer les entretiens sous-jacents et distinguer les observations des actions proposées.

Cette approche transforme la qualité en quelque chose d’observable. Les réviseurs peuvent déterminer si l’IA a satisfait à la mission au lieu de débattre de la seule apparence de pertinence du résultat.

Le contexte vient ensuite. Les équipes doivent fournir le plus petit ensemble de preuves pertinent plutôt que de déverser tous les documents disponibles dans un modèle. Les grandes collections peuvent contenir des politiques obsolètes, des notes dupliquées, des conversations sans rapport et une terminologie contradictoire.

L’ingénierie du contexte consiste à sélectionner et à organiser les informations mises à la disposition d’un modèle durant une tâche. L’objectif n’est pas d’atteindre un volume maximal. Il s’agit de fournir suffisamment d’informations fiables pour que le modèle prenne correctement la décision suivante.

Les personnes restent responsables des limites de ce contexte. Les informations sensibles peuvent devoir être exclues ou traitées de manière restreinte. Les anciens documents peuvent nécessiter des étiquettes, tandis que les affirmations incertaines doivent rester clairement présentées comme telles.

Un directeur divise également le travail en étapes. Recherche, synthèse, recommandation et publication ne doivent pas se fondre en une seule action opaque. Chaque étape produit un artefact qu’une personne ou un contrôle automatisé peut examiner.

Par exemple, un flux de travail éditorial dirigé pourrait d’abord recueillir des sources. Une deuxième étape pourrait extraire les affirmations et y associer des éléments de preuve. Une troisième pourrait supprimer les doublons, tandis qu’une quatrième ne rédigerait qu’à partir du contenu vérifié.

L’étape de publication resterait bloquée tant que les vérifications des citations et la révision éditoriale n’auraient pas abouti. Chaque point de contrôle contient les erreurs avant qu’elles ne deviennent publiques.

Les autorisations des outils apportent une autre couche de direction. Lire un calendrier présente un risque immédiat moindre qu’envoyer des invitations. Rédiger un e-mail diffère de son envoi. Interroger une base de données diffère de modifier des enregistrements.

Anthropic décrit des choix d’autorisation comprenant l’autorisation systématique d’une action, l’exigence d’une approbation ou son blocage. Sa discussion des agents fiables explique également pourquoi l’examen d’un plan global peut être plus pertinent que l’approbation de dizaines d’actions individuelles.

Les demandes répétées d’approbation à bas niveau créent leur propre danger. Les utilisateurs peuvent se lasser et approuver des actions sans les examiner. La direction doit concentrer l’attention humaine sur les décisions où le jugement modifie le résultat.

Cela signifie que les humains n’ont pas besoin d’inspecter chaque jeton ou appel d’outil. Ils doivent examiner la stratégie, les actions irréversibles, les éléments de preuve incertains et le résultat final. Les étapes intermédiaires à faible risque peuvent se poursuivre dans des limites définies.

Le niveau de contrôle requis dépend des conséquences. Un assistant de brainstorming peut fonctionner avec une grande liberté, car il est facile de rejeter son travail. Un système qui traite des dossiers clients, des documents juridiques ou des décisions financières a besoin d’autorisations plus étroites et de preuves plus solides.

Les directeurs doivent également savoir quand interrompre le processus. Un modèle qui révise à plusieurs reprises le mauvais artefact n’a pas besoin d’une relance plus ingénieuse. Il faut corriger l’objectif, le contexte ou le flux de travail.

Parmi les signaux d’intervention utiles figurent les conclusions non étayées, les conflits de sources inexpliqués, les échecs d’outils et les changements qui dépassent le périmètre annoncé. Les équipes peuvent encoder certains signaux sous forme de contrôles automatisés, tout en réservant les cas ambigus à l’examen humain.

La mémoire ajoute un autre choix de gestion. Des instructions persistantes peuvent réduire les relances répétitives, mais elles peuvent aussi conserver de mauvaises hypothèses. Les équipes ont besoin d’un moyen d’inspecter, de mettre à jour et de retirer les instructions qui façonnent le travail futur.

C’est là qu’un second cerveau IA devient pertinent pour la direction. Sa valeur ne réside pas seulement dans la mémorisation d’informations, mais aussi dans la fourniture aux utilisateurs d’un contexte révisable pour les futures missions.

La direction exige également une clarté des rôles. L’IA peut effectuer la recherche et rédiger, tandis qu’un humain valide les preuves et assume la responsabilité. Un autre humain peut approuver la publication ou autoriser une action externe.

Ces rôles ne doivent pas s’estomper simplement parce que la sortie du modèle semble soignée. Un système peut produire un langage de dirigeant sans détenir l’autorité d’un dirigeant. L’aisance ne confère pas la responsabilité.

Les équipes doivent documenter ces choix opérationnels dans des instructions réutilisables, des modèles et des règles d’évaluation. Cela rend les bonnes performances moins dépendantes du fait qu’un seul employé se souvienne de la bonne formulation.

Cela rend aussi l’amélioration mesurable. Si une sortie échoue, l’équipe peut localiser le problème dans la collecte des sources, la définition de la tâche, l’exécution, la révision ou l’approbation. La formulation du prompt reste une cause possible, mais n’est plus l’explication par défaut.

La direction de l’IA se rapproche donc davantage de l’édition, de la gestion de produit et des opérations que de la découverte de commandes secrètes. Elle demande aux personnes de traduire une intention en un processus contrôlé et de reconnaître lorsque la réalité s’écarte du plan.

Cette responsabilité devient plus importante à mesure que les systèmes exécutent des missions plus longues. Moins un humain intervient fréquemment, plus l’objectif et les limites doivent être conçus avec soin à l’avance.

La direction n’élimine pas le problème de fiabilité de l’IA

La direction humaine améliore le contrôle, mais elle ne rend pas les modèles incertains fiables par simple déclaration.

La métaphore managériale possède une simplicité séduisante. Donnez à l’IA une mission claire, examinez son plan et évaluez le résultat. Pourtant, les systèmes d’IA ne sont pas des employés, et les traiter comme des personnes peut masquer d’importantes différences techniques.

Un modèle ne possède pas un jugement stable simplement parce qu’un utilisateur lui attribue un rôle. Il prédit et sélectionne des sorties à partir de schémas appris, du contexte actuel, des règles système et des retours des outils. Son comportement peut changer dès lors que l’un de ces éléments change.

Le système peut aussi générer de fausses affirmations avec une formulation assurée. Dans un flux de travail agentique, une fausse hypothèse peut affecter les recherches, les calculs, les modifications de code ou les recommandations ultérieurs. Une exécution plus longue crée davantage d’occasions pour que les erreurs se cumulent.

Le profil de l’IA générative du NIST identifie la confabulation, la sécurité de l’information, la confidentialité, les biais nuisibles et la configuration humain-IA parmi les préoccupations que les organisations doivent gérer.

Le NIST recommande des politiques définissant les rôles et les responsabilités liés à la supervision humaine. Il appelle également à des tests et à une évaluation proportionnés aux risques identifiés. Ces garde-fous doivent entourer le flux de travail, et non se trouver dans un prompt final optimiste.

L’injection de prompts présente un autre défi. Des instructions malveillantes ou non pertinentes peuvent apparaître dans les sites web, les e-mails ou les documents lus par un agent. Si le système traite ce contenu comme faisant autorité, il peut divulguer des informations ou entreprendre une action non souhaitée.

Un directeur doit donc séparer les instructions opérationnelles fiables des documents sources non fiables. Les outils doivent appliquer les autorisations indépendamment de ce que lit le modèle. Les actions sensibles doivent nécessiter une approbation explicite ou rester indisponibles.

La direction peut également échouer à cause du biais d’automatisation, la tendance à accepter trop facilement les sorties informatiques. De meilleures interfaces peuvent faciliter la supervision du travail de l’IA, mais des plans et des citations soignés peuvent toujours susciter une fausse confiance.

Une enquête de Microsoft Research auprès de 319 travailleurs du savoir a recueilli 936 exemples d’utilisation de l’IA générative. Une confiance plus élevée envers l’IA était associée à moins de pensée critique, tandis qu’une plus grande confiance dans son expertise personnelle était associée à davantage de pensée critique.

L’étude sur la pensée critique a constaté que l’IA déplaçait le travail critique vers la vérification, l’intégration et la supervision des tâches. Cette conclusion soutient le modèle de direction tout en révélant sa faiblesse centrale.

Les personnes doivent conserver suffisamment de connaissances sectorielles pour reconnaître un mauvais résultat. Si les organisations automatisent le travail de niveau débutant sans préserver les possibilités d’apprentissage, elles risquent de réduire le vivier futur de réviseurs expérimentés.

Le risque est particulièrement visible lorsque l’IA produit des premières ébauches plausibles. Les employés juniors peuvent accomplir les missions plus vite, mais ils risquent de s’engager moins profondément dans les preuves. Les réviseurs expérimentés héritent alors d’un surcroît de travail de vérification sur un volume de sorties plus important.

Les indicateurs de productivité peuvent manquer ce transfert. Une équipe peut compter les documents achevés tout en ignorant le temps de révision, la correction des erreurs ou la confusion en aval. La direction doit inclure des métriques de performance du processus total, et pas uniquement de vitesse de génération.

Les organisations doivent suivre les taux d’acceptation, les taux de correction, les affirmations non étayées, les incidents de sécurité et l’effort des réviseurs. Elles doivent également comparer les résultats à une référence sans IA lorsque cela est possible.

La bonne mesure dépend de la tâche. Les équipes logicielles peuvent utiliser les tests, les défauts et les constats de revue. Les équipes de recherche peuvent mesurer l’exactitude des citations et la couverture des affirmations. Les opérations clients peuvent suivre la qualité de résolution et les taux d’escalade.

Une autre incertitude concerne l’autonomie. Les utilisateurs plus expérimentés peuvent autoriser les agents à fonctionner plus longtemps parce qu’ils comprennent les outils. Ils peuvent aussi devenir suffisamment à l’aise pour approuver trop vite des comportements risqués.

L’analyse 2026 d’Anthropic sur l’autonomie des agents a révélé que les utilisateurs expérimentés de Claude Code activaient plus souvent l’approbation automatique totale, mais interrompaient également le système plus fréquemment. Cette combinaison ressemble à une supervision active plutôt qu’à une confiance totale.

La même recherche a indiqué que l’ingénierie logicielle représentait près de la moitié de l’activité agentique observée. La plupart des actions enregistrées étaient à faible risque et réversibles, tandis que les usages à plus forts enjeux restaient une catégorie émergente.

Ces conclusions devraient tempérer les affirmations générales sur des collègues numériques autonomes. Les preuves les plus solides proviennent encore de tâches avec des artefacts inspectables, des modifications réversibles et des méthodes d’évaluation claires.

Les dirigeants d’entreprise doivent éviter de traduire directement les succès en codage ou en rédaction documentaire en confiance à l’égard des décisions d’embauche, médicales, juridiques ou de crédit. Des conséquences différentes exigent des structures de contrôle différentes.

La direction ajoute également des coûts. Concevoir le contexte, les autorisations, les tests et les points de contrôle prend du temps. Pour une petite mission réversible, cet effort peut dépasser la valeur de l’automatisation.

Le principe raisonnable est celui d’un contrôle proportionné. Utilisez un prompting simple lorsque la tâche est à faible risque et facile à vérifier. Utilisez des flux de travail prédéfinis lorsque la cohérence compte. Réservez une plus grande autonomie aux missions où un raisonnement flexible justifie l’incertitude supplémentaire.

Le cadre de MIT Sloan doit donc être lu comme un changement de responsabilité, et non comme une garantie de fiabilité. Diriger l’IA demande aux humains de construire des systèmes plus robustes autour de modèles imparfaits. Cela ne supprime pas les imperfections des modèles.

Ce que les managers et travailleurs du savoir doivent surveiller ensuite

La thèse de la direction ne réussira que si les organisations peuvent démontrer de meilleurs résultats sans dissimuler davantage de risques ou de travail de révision.

Le premier signal à surveiller est l’évolution des interfaces d’IA, des boîtes de discussion vers des espaces de travail persistants. Les produits conservent de plus en plus des fichiers, des instructions, un historique de projet et des connexions aux outils entre les sessions.

Cette évolution renforce l’argument en faveur de la direction, car les utilisateurs peuvent façonner un environnement opérationnel au lieu de reconstruire sans cesse le contexte. La question importante est de savoir si ces environnements restent transparents et modifiables.

Les travailleurs doivent pouvoir voir quelles instructions ont influencé un résultat. Ils doivent savoir à quelles sources le système a accédé, quels outils il a utilisés et quelles hypothèses ont persisté depuis des sessions précédentes.

Si les produits exposent clairement ces informations, la direction devient plus facile à auditer. Si le contexte reste caché, la mémoire persistante peut transformer d’anciennes erreurs en paramètres par défaut invisibles.

Le deuxième signal concerne les preuves provenant de flux de travail déployés plutôt que de démonstrations. Les fournisseurs peuvent montrer un agent accomplissant une tâche impressionnante dans des conditions soigneusement sélectionnées. Les entreprises ont besoin de résultats couvrant le travail ordinaire, des utilisateurs variés et des données imparfaites.

Surveillez les études contrôlées qui présentent le temps total des tâches, la qualité des sorties, la charge de révision et les taux d’erreur. Les chiffres de productivité sans mesures de qualité donnent une image incomplète.

L’expérience menée par Microsoft sur le lieu de travail offre un modèle utile, car elle a comparé les comportements sur six mois et distingué les activités individuelles du travail exigeant une forte coordination. Les recherches futures devraient examiner si l’IA dirigée modifie les décisions, les validations et les processus d’équipe.

Les éléments disponibles devraient également distinguer les flux de travail des agents. Une entreprise peut qualifier d’agentique toute fonctionnalité d’IA automatisée, même lorsqu’elle suit une séquence fixe. Les acheteurs doivent savoir à quels endroits le modèle choisit des actions et où le logiciel impose le parcours.

Cette architecture influe sur la prévisibilité. Un flux de travail fixe peut assurer de la cohérence, tandis qu’un agent dynamique peut s’adapter lorsque des conditions imprévues se présentent. Aucune des deux approches n’est universellement supérieure.

Le troisième signal consiste à déterminer si la supervision passe d’une validation répétitive à un contrôle fondé sur les risques. Demander à un utilisateur d’approuver chaque petite action crée des frictions sans garantir son attention. Accorder un accès sans restriction crée le problème inverse.

De meilleurs systèmes classeront les actions selon leurs conséquences et leur réversibilité. La lecture d’un dossier approuvé pourrait se faire automatiquement, tandis que la modification d’un dossier client exigerait une vérification. La publication externe devrait rester distincte de la rédaction interne.

Les organisations devraient tester l’efficacité de ces contrôles sous pression. Les employés peuvent contourner des systèmes de vérification lents lorsque les échéances se resserrent. Les responsables peuvent aussi étendre les autorisations après les premiers succès sans actualiser la surveillance.

Les un à trois prochains mois devraient montrer comment les fournisseurs présentent l’examen des plans, le contexte persistant, les couches d’autorisation et les journaux post-exécution. Les annonces de produits compteront moins que la clarté de ces contrôles.

Les travailleurs du savoir devraient mener dès maintenant une expérience plus modeste. Choisissez une tâche récurrente avec des données d’entrée claires, un résultat vérifiable et de faibles conséquences si la première tentative échoue.

Définissez le résultat avant de rédiger le prompt. Identifiez les sources approuvées, les critères d’achèvement et les actions que l’IA ne peut pas effectuer. Décidez à quel moment un humain doit examiner le travail et de quelles preuves l’examinateur a besoin.

Comparez ensuite le processus avec un prompting ordinaire. Comptez les révisions, les affirmations non étayées, le temps de vérification et les résultats exploitables. L’objectif n’est pas de prouver que l’IA fonctionne. Il s’agit de découvrir quelle conception opérationnelle produit des résultats responsables.

Google News a peut-être introduit cette idée avec un titre percutant de MIT Sloan, mais la question durable concerne chaque utilisateur d’IA. Demandez-vous sans cesse à un modèle de fournir des réponses, ou construisez-vous un processus qui préserve votre jugement ?

Choisissez un flux de travail réel, définissez ses limites et testez cette différence. Si le fait de diriger réduit les retouches tout en gardant les erreurs visibles, le titre aura identifié une évolution durable de la gestion.