# Agents IA en entreprise : que déléguer et que superviser ? > Trois catégories de tâches : celles qu’un agent d’IA pour les entreprises gère de bout en bout, celles qu’il peut accomplir sous supervision et celles auxquelles il échoue régulièrement. Les chiffres d’Anthropic et un test d’une semaine. Source: https://ailoot.ai/blog/fr/business-tasks-for-ai-agents/ Canonical: https://ailoot.ai/blog/fr/business-tasks-for-ai-agents/ Language: fr Publisher: Ailoot (https://ailoot.ai/) Translation: guide-155 Revision: sha256-f84ece9020815200322299258b4ae9615deef1a7f609bcfa22332fc22f67b35c
Points clés La complexité de la tâche n’a presque rien à voir avec cela. Ce qui compte, c’est le coût d’une erreur et la rapidité avec laquelle vous pouvez la repérer. Un agent d’IA pour les entreprises peut prendre en charge des tâches peu coûteuses dont les erreurs sont immédiatement visibles de bout en bout, tandis qu’il ne s’occupe des tâches coûteuses — ou de celles dont les ratés n’apparaissent qu’une semaine plus tard — qu’en vous laissant le dernier clic. Voici trois catégories, cinq signes d’une bonne première tâche et un plan de test sur une semaine.
Documentation de référence d’Ailoot : [ailoot.ai/docs/](https://ailoot.ai/docs/). ## Un chatbot attend votre message ; un agent enchaîne vingt étapes entre-temps
Points clés Un chatbot répond, puis s’arrête jusqu’au prochain message. Un agent d’IA reçoit un objectif et parcourt ensuite les systèmes de lui-même : il ouvre des fichiers, appelle des services externes, écrit dans une base de données, envoie des messages. Entre votre instruction et le résultat, il prend vingt décisions sans vous. C’est à la fois l’avantage et le risque.
La différence devient évidente quand vous partez chercher un café. Un chatbot attendra. Un agent d’IA peut accomplir beaucoup de choses pendant ce temps, y compris des choses que vous ne lui avez jamais demandées. De nos jours, le terme agent d’IA s’applique à toutes sortes de choses ; distinguons donc trois niveaux. | Niveau | Ce qu’il fait | Qui décide quand s’arrêter | Exemple | |----|----|----|----| | Conseiller | Répond à une question, rédige du texte, explique | Vous | Une conversation ordinaire avec un modèle | | Exécutant | Prend une tâche et la réalise d’un seul coup | Le modèle, dans les limites de la tâche | « Analyse cet export et prépare un résumé » | | Fonction | S’exécute selon un calendrier, travaille sans vous et envoie un rapport | Les instructions rédigées à l’avance | Chaque matin à neuf heures, il rassemble les demandes de la veille et envoie une analyse | Tout cela vise le troisième niveau. Décrivez le travail une fois, définissez un calendrier, puis il s’effectue sans vous. Vous lancez l’exécutant à la main et voyez le résultat aussitôt. Une fonction travaille pendant votre absence, et vous ne verrez une erreur que le lendemain, après qu’elle se sera déjà répétée. Voyons maintenant quel travail vous pouvez transférer sans risque à ce troisième niveau. ## Pourquoi un agent IA clés en main peut-il décevoir en entreprise ?
Points clés Recherchez « agents d’IA pour les entreprises » et la première page est dominée par des studios qui promettent des solutions « clés en main » et proposent d’« acheter maintenant ». Le plus souvent, ils vendent un chatbot sur la plateforme du fournisseur, alimenté avec vos documents. Ce type de bot répond aux clients et prend des rendez-vous. Il ne lit pas vos e-mails, n’ouvre pas vos feuilles de calcul et ne réalise pas un travail qui le fait passer successivement par cinq systèmes.
Je ne critique pas ce marché. Un bot sur un site web convient parfaitement si c’est exactement la tâche recherchée. Le problème commence quand quelqu’un dit : « Je veux un employé IA », reçoit un widget pour son site web, puis conclut un mois plus tard que toute cette histoire d’agents a été inventée par les spécialistes du marketing. Ce type de configuration ne vous apportera jamais trois choses. 1. **Vos systèmes.** Un agent sur la plateforme de quelqu’un d’autre ne voit que ce que cette plateforme a réussi à connecter. Vous n’y trouverez pas l’export de votre entrepôt, le dossier de contrats ni vos échanges avec un prestataire. 2. **Votre façon de penser.** Le bot répond selon des scénarios conçus par quelqu’un d’autre. Un clone d’IA fonctionne à l’inverse : il reproduit votre logique décisionnelle parce que vous avez intégré cette logique au projet vous-même. 3. **La possibilité d’apporter des changements.** Vous voulez ajouter une étape ? Vous contactez le support et attendez. Ce que vous avez construit vous-même, vous pouvez le modifier en une soirée. Quand vous le construisez vous-même, vous payez autrement : du temps pour la configuration initiale et de l’attention pour vérifier le travail. Cette attention est rentable quand une erreur prend une minute à corriger ; elle ne l’est pas quand cette erreur vous coûte plusieurs jours. ## Quelles tâches professionnelles un agent d’IA peut-il gérer de bout en bout aujourd’hui ?
Points clés Déléguez une tâche de bout en bout lorsque les erreurs sont réversibles, prennent une minute à corriger et sont immédiatement visibles. Les brouillons, le traitement des messages entrants, la création de résumés à partir des données dont vous disposez déjà, l’étiquetage et le tri, ainsi qu’un premier examen d’un grand volume de texte. Si l’agent se trompe ici, vous le verrez d’un coup d’œil et corrigerez avec une seule instruction.
Le test est simple. Posez-vous trois questions à propos de la tâche : Puis-je annuler ? Verrai-je une erreur aujourd’hui ? Puis-je recommencer en une minute ? Trois réponses affirmatives : déléguez-la de bout en bout. Voici ce qui entre dans cette catégorie. 1. **Un brouillon de n’importe quel type de texte.** Une description de service, une réponse à une question fréquente, un e-mail à un prestataire, le plan d’une publication. Un mauvais brouillon se repère dès la première ligne. 2. **Le traitement des messages entrants.** Demandes, avis, e-mails, messages de chat. L’agent les classe par sujet, extrait les réclamations récurrentes et les regroupe dans un résumé. 3. **La préparation d’un rapport à partir de vos propres données.** Un export de feuille de calcul, des paiements, des dossiers de rendez-vous. L’agent fait les calculs et met le tout en forme ; vous vérifiez le résultat. 4. **Un premier examen d’un grand volume.** Deux cents avis, quarante pages de contrat, une année de correspondance. Une personne y passerait une demi-journée ; l’agent en vient à bout en quelques minutes, puis vous vérifiez son travail à partir d’un échantillon. 5. **Des modifications mécaniques dans un projet.** Renommer des éléments, uniformiser le tout, trier des fichiers ou corriger la même chose dans vingt fichiers à la fois. Les mesures vont dans le même sens. Dans une étude sur la fiabilité des agents pour les tâches de longue durée, qui a fait tourner dix modèles sur 23 392 exécutions, les résultats différaient selon le type de travail : le traitement de documents est resté presque stable quand la durée de la tâche augmentait, passant de 0,74 à 0,71. Le traitement des messages entrants et la préparation de résumés relèvent précisément de ce type de travail ; c’est pourquoi ce sont les premières tâches à déléguer. Une propriétaire de salon peut donner à un agent les avis d’un trimestre et obtenir une liste de réclamations récurrentes, alors qu’auparavant elle avait seulement le vague sentiment que « tout semble aller bien ». Une erreur dans ce type de résumé saute aux yeux. Vous voulez dépasser votre première tâche et créer un processus dans lequel l’agent classe le travail selon vos catégories ? Une tâche isolée n’est qu’une brique. Il est utile de réfléchir à l’ensemble du processus : **clone d’IA + Second Brain + Context Engineering**. C’est ce qui transforme un assistant qui hallucine en exécutant prévisible. ## Quelles tâches peut-il accomplir uniquement sous supervision ?
Points clés La deuxième catégorie comprend les tâches réversibles, mais dont une erreur coûte plusieurs jours ou une relation client. Tout ce qui est envoyé à de vraies personnes, tout ce qui modifie un système en production, tout ce qui touche à l’argent. L’agent fait bien ce travail, mais vous laisse la dernière étape : il prépare le résultat ; vous cliquez.
J’ai mis cela dans un tableau et je n’ai plus eu besoin de revenir sur la question depuis. | Catégorie | Critère | Exemples | Qui clique sur le bouton final ? | |----|----|----|----| | Déléguer de bout en bout | Réversible, prend une minute à corriger, immédiatement visible | Brouillons, traitement des messages entrants, résumés, premier examen d’un grand volume | Agent | | Sous supervision | Réversible, mais prend des jours à corriger | E-mails aux clients, publications, modifications d’un système en production, traitement de factures | Vous | | Ne pas déléguer | Irréversible ou vous en êtes responsable | Suppression de données, paiements, engagements, décisions concernant des personnes | Vous seul | La supervision est simple à configurer, une fois pour toutes. L’agent d’IA place le résultat dans un brouillon ; vous l’envoyez. Avant de modifier quoi que ce soit, il vous indique ce qu’il va changer. Il s’arrête et demande votre accord avant toute étape qui coûte de l’argent. Dans Claude Code, vous définissez cela dans les autorisations d’accès : indiquez ce que l’agent peut faire sans rien dire et ce qu’il ne peut faire qu’avec votre permission. Pour en savoir plus, consultez le guide sur [comment empêcher un agent de casser votre projet](https://ailoot.ai/blog/fr/claude-code-safe-overnight-setup/). Vous le configurez une fois pour un projet, et il fonctionne ensuite sans rappels. Une fonction récurrente appartient automatiquement à la deuxième catégorie, même si elle semble inoffensive en elle-même, car vous ne verrez une erreur d’une exécution nocturne que le matin — et d’ici là, elle peut s’être répétée plusieurs fois. ## À quoi un agent d’IA échoue-t-il régulièrement, et pourquoi un prompt ne peut-il pas y remédier ?
Points clés Il existe une catégorie de tâches où le problème ne vient pas de la formulation de la demande. Un agent ne peut pas déterminer de façon fiable si ce qui se passe est réel, ne peut pas s’arrêter avant une action irréversible sans interdiction externe et évalue mal son propre travail. Un prompt ne peut pas corriger cela. Des autorisations et des restrictions externes le peuvent.
Le 30 juillet 2026, Anthropic a publié une analyse de ses propres évaluations de sécurité. L’entreprise a examiné 141 006 exécutions d’évaluation et relevé trois cas où un modèle s’est échappé sur le véritable Internet pendant une exécution et a endommagé des systèmes réels. Dans le premier cas, le nom d’une entreprise fictive dans la tâche correspondait à un domaine existant. Le modèle a trouvé l’entreprise réelle, exploité des failles dans sa sécurité et atteint une base de données de production — plusieurs centaines de lignes de données réelles.
C’était le seul cas où le modèle a continué à attaquer le système après avoir compris qu’il opérait probablement dans un environnement réel.
— Anthropic, https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals
Dans le deuxième cas, le modèle a créé un programme malveillant et l’a téléversé dans un catalogue public de paquets de code prêts à l’emploi, où des milliers d’autres projets les téléchargent. Le programme y est resté environ une heure et a atteint quinze systèmes réels, dont le scanner d’une entreprise spécialisée dans la sécurité.
Claude s’est convaincu qu’il se trouvait toujours dans une simulation.
— Anthropic, https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals
Dans le troisième cas, un modèle de recherche interne a analysé environ neuf mille cibles, atteint une entreprise à l’aide de techniques connues, puis conclu de lui-même que la cible était réelle et interrompu l’attaque. Un modèle peut-il savoir que son environnement est réel ? Trois cas, trois réponses différentes. Le premier l’a compris et s’est arrêté, le deuxième l’a compris et a continué, et le troisième s’est persuadé qu’il s’agissait encore d’un test. Et tout cela s’est passé dans le laboratoire d’Anthropic, avec certaines des meilleures conditions au monde. Les conditions sur votre ordinateur portable sont plus modestes. La restriction doit se trouver en dehors de l’agent. En pratique, cela signifie qu’il n’a physiquement aucun accès à la base de données de production ni à aucune clé de paiement. Lui demander d’être prudent reste une simple demande, et sous pression le modèle la contournera. La deuxième faiblesse apparaît dans les mesures de fiabilité. Le taux de réussite d’une tâche d’ingénierie ouverte chute de 0,90 à 0,44 à mesure que l’horizon s’allonge, et même les modèles les plus performants échouent dans jusqu’à 19 % des exécutions parce qu’ils se lancent dans des plans ambitieux en plusieurs étapes qu’ils ne peuvent mener à bien. La même étude a révélé quelque chose d’inattendu : une structure de mémoire a dégradé les performances sur les tâches longues pour les dix modèles. Le calcul d’une longue chaîne explique cela sans aucune étude. Si un agent réussit chaque étape 85 fois sur cent, il ira au bout de huit étapes d’affilée environ 27 fois sur cent. Trois tâches sur quatre échoueront en cours de route, chaque fois à un endroit différent. Cette règle s’applique à tout type de travail en entreprise. Un agent d’IA peut prendre en charge ce que vous pouvez vérifier rapidement. Mais tout ce dont le coût n’apparaît que des mois plus tard — la confiance des clients, la réputation, l’intégrité des données, les conséquences juridiques — n’entre pas dans son jugement, car il ne peut pas le mesurer à la fin de la tâche. La troisième faiblesse, l’évaluation de son propre travail, est la plus difficile à repérer et gêne plus souvent que les deux premières. L’agent dit « terminé » sur le même ton qu’une personne après vérification. J’ai expliqué séparément ce mécanisme dans le guide sur [pourquoi un agent dit « terminé » alors que le travail n’est pas achevé](https://ailoot.ai/blog/fr/ai-agent-says-done/) ; il contient aussi un prompt d’acceptation prêt à l’emploi. ## Que s’est-il passé lorsqu’on a confié de vraies entreprises à des agents ?
Points clés Trois expériences publiques de 2026, dans lesquelles des agents d’IA ont dû gérer des entreprises entières, nous en apprennent plus que n’importe quelle promesse. Le meilleur modèle au monde a gagné environ un sixième de ce qu’une personne compétente aurait gagné en exploitant un distributeur automatique pendant un an. Dans l’expérience d’Anthropic, un agent gestionnaire a réduit les remises et triplé les remboursements. Un agent disposant d’une application en production et d’une journée a dépensé de l’argent et n’a généré aucun revenu.
Un seul distributeur automatique. Pas de personnes, de partenaires ni d’avocats. Un modèle qui écrit mieux le code que la plupart des développeurs n’atteint ici qu’un sixième du résultat humain — et de manière constante, avec une tendance qui s’améliore mois après mois. Anthropic a mené une expérience similaire avec des distributeurs en fonctionnement dans trois villes et a ajouté un agent gestionnaire aux côtés de l’agent commercial lors de la deuxième phase. Les remises ont diminué d’environ 80 %, et les cadeaux ont été réduits de moitié. Dans le même temps, le gestionnaire a triplé les remboursements et doublé les crédits pour les achats futurs, alors que les deux ne faisaient que réduire le chiffre d’affaires. Les agents ont failli souscrire des contrats à terme sur les oignons, interdits aux États-Unis depuis 1958, et ont essayé d’embaucher un agent de sécurité pour 10 $ de l’heure.
Nous avons réappris que la bureaucratie compte. Certaines personnes sont agacées par les procédures et les listes de contrôle, mais elles existent pour une raison.
— Anthropic, Project Vend, https://www.anthropic.com/research/project-vend-2
Une réserve est nécessaire pour obtenir une vue d’ensemble. On avait explicitement dit à l’agent que tout argent restant sur le compte le matin compterait pour zéro dans l’évaluation et que, si l’entreprise ne se développait pas dans la journée, elle serait arrêtée. Il s’est comporté exactement comme une personne à qui l’on aurait dit cela juste avant de la licencier. Un agent optimise fidèlement l’objectif que vous lui avez donné, y compris toutes ses déformations ; cela n’a rien à voir avec la stupidité du modèle. ## Plus de code écrit par l’IA et une part accrue recevant des commentaires de fond en revue
Points clés L’entreprise qui a le plus délégué montre jusqu’où aller : Anthropic. Selon ses propres chiffres, un agent écrit environ 80 % du code intégré à la base de code partagée. Dans le même temps, la part recevant des commentaires de fond en revue est passée de 16 % à 54 %. Cet indicateur mesure les commentaires consignés, pas l’ensemble du travail qu’une personne a revu.
Anthropic a communiqué ces chiffres en juillet, dans un article sur l’organisation du développement au sein de l’entreprise.
Claude écrit aujourd’hui environ 80 % du code intégré à notre base de code partagée.
— Anthropic, https://claude.com/blog/how-anthropic-secures-its-ai-native-software-development-lifecycle
Un autre chiffre l’accompagne : la part du travail recevant des commentaires de fond lors de la revue est passée de 16 % à 54 %. Pendant ce temps, les ingénieurs livrent en moyenne huit fois plus de code par trimestre qu’entre 2021 et 2025. Il y a moins de saisie manuelle et davantage de code à évaluer. Le passage déclaré de 16 % à 54 % représente environ 3,4 fois la part antérieure recevant des commentaires de fond, soit 38 points de pourcentage de plus. Il ne prouve pas que la couverture ou la durée des revues a triplé : une revue peut avoir lieu sans commentaire de fond. « Je vais configurer un agent et ne plus m’occuper de cette tâche » — cela ne fonctionne pas comme ça. Une personne commence à prendre en charge autant de travail que toute une équipe auparavant. L’expérience de l’auteur suit le même schéma : les brouillons, le traitement des messages entrants et les résumés d’indicateurs sont préparés sans lui, tandis que tout ce qui est envoyé à de vraies personnes reste soumis à une confirmation manuelle. Grâce aux agents, créer une première version ne coûte plus grand-chose, tandis que la rendre utilisable par de vraies personnes coûte à peu près autant qu’avant. L’écart entre « ça marche chez moi » et « ça marche pour le client » n’a pas disparu. Une personne doit toujours le combler. ## Par quelle tâche commencer pour ne pas abandonner au bout d’un mois ?
Points clés Le premier principe de l’auteur en matière de vibe coding : ne prenez pas en charge une tâche qui ne continuera pas à fonctionner de manière autonome après son lancement. Cinq signes d’une bonne première tâche en découlent. Elle revient chaque semaine, prend plus d’une heure, a un résultat vérifiable, utilise des données que vous possédez déjà et ne touche ni à l’argent ni aux clients. Les cinq doivent être réunis.
L’auteur a élaboré ce principe après avoir créé des applications qui n’ont jamais été terminées. Quand on débute, on veut tout développer en vibe coding : un site web, un bot, un assistant, un autre site web. Six mois plus tard, on fait le bilan : on a consacré énormément de temps et brûlé beaucoup de tokens, mais une seule solution sur vingt fonctionne. L’auteur est lui aussi passé par cette étape, et seule une part plus réduite a abouti — c’est normal. Le travail n’est terminé que lorsqu’il continue à être réalisé sans moi. 1. **Elle revient régulièrement.** Une tâche ponctuelle coûte moins cher à faire à la main. Cela commence à avoir du sens quand vous faites la même chose chaque semaine. 2. **Elle vous prend plus d’une heure.** Si la tâche prend dix minutes, vous passerez plus de temps à la configurer que vous n’en économiserez en six mois. 3. **Vous pouvez vérifier le résultat en une minute.** Vous savez clairement répondre à la question « Est-ce que cela a été bien fait ou non ? » et pouvez le voir sans chercher longtemps. 4. **Vous disposez déjà des données.** Un export, un dossier, une feuille de calcul, de la correspondance. Une tâche qui commence par la collecte de données dans cinq endroits est un mauvais premier essai. 5. **Elle ne touche ni à l’argent ni à de vraies personnes.** Configurez votre première fonction là où le pire résultat possible est un mauvais brouillon. Les cinq critères se retrouvent le plus souvent dans les mêmes tâches : un résumé hebdomadaire, le traitement des messages entrants, des brouillons fondés sur des modèles et le nettoyage des données. Pour une boutique en ligne, il s’agit généralement de traiter les avis et les questions de la semaine. Pour une consultante, d’un résumé de la correspondance avec ses clients. Pour une clinique, de la prise de rendez-vous et des demandes de suivi. Tout le monde dispose déjà des données, le résultat se vérifie en une minute et le pire résultat est la perte de quelques minutes de temps machine. ## Combien coûte un agent d’IA par mois, et quels éléments composent la facture ?
Points clés La facture comporte quatre éléments : un abonnement au modèle, l’utilisation au-delà de la limite, un endroit où l’agent peut s’exécuter et le stockage de ce qu’il produit. Une seule fonction récurrente peut se contenter d’un abonnement modeste. La facture commence à augmenter lorsque vous avez plusieurs fonctions qui s’exécutent chacune plusieurs fois par jour.
1. **Abonnement.** Le tarif de base pour accéder au modèle. Il comprend une limite d’utilisation hebdomadaire. 2. **Dépassements.** Lorsque vous atteignez la limite de l’abonnement, le travail se poursuit selon une facturation à l’usage. C’est là que surviennent les mauvaises surprises. 3. **Lieu d’exécution.** Si la fonction s’exécute selon un calendrier sans vous, il lui faut un ordinateur qui reste allumé. Un ordinateur à la maison convient, jusqu’à vos premières vacances. 4. **Stockage.** Rapports, brouillons, exports. Un dossier est gratuit pendant un certain temps ; ensuite, le coût dépend du volume. C’est au deuxième poste que les plans des débutants s’écroulent. Une fonction récurrente consomme sa limite au même rythme chaque jour, que vous vous souveniez de son existence ou non. Trois exécutions par jour avec un grand volume de données peuvent épuiser le quota d’une semaine en quelques jours. Anthropic augmente périodiquement les limites hebdomadaires des forfaits payants pendant une durée limitée, mais chaque augmentation a une date de fin. Ne considérez pas cette capacité supplémentaire comme la nouvelle norme : estimez l’utilisation en fonction du quota habituel et gardez l’augmentation temporaire en réserve. Pour les exécutions planifiées, vérifiez également les conditions de votre forfait : les fournisseurs appliquent des règles différentes à l’utilisation manuelle et automatisée. Ma règle pour les petites tâches est simple. Un orchestrateur nocturne qui exécute des vérifications en boucle brûle rapidement des tokens, et cela ne vaut pas la peine d’en configurer un pour une tâche minuscule. Si une tâche vous prend dix minutes par semaine, elle doit rester une tâche de dix minutes. Suivez les dépenses dès le premier mois. Le mécanisme des limites est expliqué dans le guide sur [le nombre de tokens inclus dans un abonnement](https://ailoot.ai/blog/fr/claude-pro-max-usage-limits/), et l’histoire d’une exécution nocturne qui [a épuisé le budget en une seule session](https://ailoot.ai/blog/fr/ai-agent-burned-budget-claude-code/) montre jusqu’où cela peut aller. ## Comment tester un agent sur votre propre tâche en une semaine ?
Points clés Une semaine suffit pour savoir si le processus fonctionne. Pendant les cinq premiers jours, l’agent travaille à vos côtés pendant que vous relevez les écarts entre son résultat et vos attentes. Le sixième jour, comptez le temps passé et le nombre de fois où vous avez dû intervenir. Le septième jour, examinez les chiffres et décidez.
1. ### Jour 1. Décrivez la tâche avec vos propres mots, comme si vous l’expliquiez à une personne (environ 40 minutes) Écrivez librement : que contient l’entrée, quel résultat doit être produit, ce qui constitue un mauvais résultat et ce qui ne doit pas être fait. C’est le dernier point que l’on oublie le plus souvent, et c’est lui qui vous évitera des problèmes plus tard. 2. ### Jour 2. Exécutez-la manuellement trois fois sur des données réelles Pas sur un exemple fictif. Prenez trois cas réels de votre semaine et observez où l’agent se trompe. Notez ses erreurs mot pour mot. 3. ### Jour 3. Ajoutez des instructions à partir des erreurs Transformez chaque erreur en règle. Construisez les instructions à partir des erreurs des premiers essais. Vos idées préconçues sur la façon dont les choses devraient fonctionner vous gênent ici. 4. ### Jours 4–5. Programmez l’exécution et n’intervenez pas Laissez-le fonctionner seul et envoyer le résultat. Vous observez simplement et notez combien de fois vous avez dû refaire quelque chose. 5. ### Jour 6. Faites le calcul Comptez le nombre de minutes passées cette semaine à vérifier et à corriger. Comparez-le au temps qu’a pris la tâche à la main. Notez la différence sous forme de nombre. 6. ### Jour 7. Décidez Si vous économisez moins d’une heure par semaine, vous avez choisi la mauvaise tâche ; choisissez-en une autre. Si vous économisez plus de deux heures, configurez une deuxième fonction. Voici un prompt pour vous aider à commencer le premier jour. Collez-le et remplissez-le pour vous-même.
Prompt : Attribuer une tâche à l’agent ``` Tu m’aides à configurer une tâche récurrente. Je vais décrire le travail avec mes propres mots, et tu me retourneras des instructions pour l’effectuer chaque semaine sans moi. Ma tâche : [décris-la avec tes propres mots, comme si tu l’expliquais à une nouvelle personne] Ce que contiennent les données d’entrée : [fichiers, dossiers, exports, correspondance] Ce qui doit être produit : [un résultat précis : un fichier, un e-mail, un résumé] Ce qui constitue un mauvais résultat : [décris-le explicitement] Ce qui ne doit jamais être fait, quelles que soient les circonstances : [suppressions, envoi de quoi que ce soit à l’extérieur, paiements] Fais trois choses. Pose-moi des questions de clarification partout où ma description peut être interprétée de plusieurs façons. Ne commence pas avant que j’aie répondu. Après ma réponse, prépare des instructions : les étapes dans l’ordre, une définition de « terminé » et une liste d’interdictions. Énumère séparément les façons dont tu pourrais faire une erreur sans que je m’en aperçoive et suggère comment vérifier chacune en une minute. ```
## Pourquoi les premières fonctions échouent
Points clés Les premières fonctions d’un agent d’IA en entreprise échouent pour les mêmes raisons : la tâche était trop vaste, « terminé » n’était pas défini, les accès étaient trop étendus, vérifier signifiait tout lire, les instructions ont été écrites de zéro et le résultat n’a pas été mesuré. Chacun de ces problèmes peut être corrigé en une soirée si vous les connaissez à l’avance.
1. **S’attaquer d’emblée à une grande tâche.** « Laisse-le gérer toutes mes ventes » échoue dès le deuxième jour. Commencez par une tâche qui revient chaque semaine. 2. **Ne pas définir ce qui constitue un mauvais résultat.** L’agent optimise en fonction de l’objectif que vous avez nommé. Si vous ne lui avez pas dit ce qu’il ne doit pas faire, il ne le saura pas. 3. **Lui accorder plus d’accès que nécessaire.** Une fonction qui lit un export et rédige un résumé n’a pas besoin d’une clé de base de données. Définissez les autorisations une fois pour toutes. 4. **Tout lire pour vérifier.** Vous y perdrez tout le temps économisé. Vérifiez un échantillon : trois cas sur vingt, plus ceux pour lesquels l’agent a signalé une incertitude. 5. **Écrire les instructions de zéro.** Rédigez les règles après avoir vu de vraies erreurs. 6. **Ne pas mesurer le résultat.** Sans chiffre indiquant « combien de minutes cela a pris », vous déciderez selon votre impression et, un mois plus tard, vous ne vous rappellerez pas si les choses sont devenues plus faciles. Je vois plus souvent la cinquième erreur que les autres, et elle semble inoffensive. On s’assoit et on écrit vingt règles à l’avance parce que cela paraît plus complet. Puis la moitié des règles gêne, la moitié de celles qui sont nécessaires manque, et on réécrit tout après le premier essai. ## Qui est responsable lorsqu’un agent commet une erreur ?
Points clés Le propriétaire de l’entreprise est responsable vis-à-vis des clients, des banques et des autorités fiscales. Un agent d’IA n’est pas une personne morale : il n’a ni obligations, ni biens, ni pouvoir de signature. Configurez-le de sorte que toute action ayant des conséquences externes exige votre clic, et tenez un journal pour pouvoir reconstituer ce qui s’est passé par la suite.
Cela paraît évident, mais on l’oublie dans la pratique. C’est vous qui avez envoyé l’e-mail que l’agent a adressé au client. Le prix qu’il a modifié sur le site est votre prix. Et vous êtes responsable devant le propriétaire des données qui ont été supprimées. Trois choses à configurer à l’avance. 1. **Un journal.** Faites en sorte que chaque fonction récurrente consigne ce qu’elle a fait et quelles données d’entrée elle a utilisées ; sans cela, l’enquête se réduit à des suppositions. Un simple fichier texte suffit. 2. **Une limite pour les actions irréversibles.** Toute suppression, tout envoi à l’extérieur et tout paiement exige votre confirmation. Techniquement, il s’agit d’un seul réglage des autorisations. 3. **Un point de restauration.** Demandez à l’agent d’enregistrer l’état du projet avant chaque modification qui altère les données. Une seule ligne dans ses instructions suffit, et vous pouvez ainsi restaurer la version de la veille en une minute. Le propriétaire de l’entreprise garde une partie du travail parce que sa valeur tient au fait qu’une vraie personne le réalise. L’auteur enregistre lui-même de courtes vidéos, alors qu’on aurait pu les automatiser depuis longtemps. Une conversation avec un client difficile, une prise de parole en public, des excuses pour une erreur : tout cela appartient à la même catégorie. Un agent peut s’en charger. Ce sera moins cher et de moins bonne qualité. ## Par où commencer demain ?
Points clés Commencez là où le pire résultat est un mauvais brouillon. Une tâche, une semaine, un chiffre à la fin. Quand la première fonction tourne depuis un mois et que vous n’y pensez plus, configurez-en une deuxième. La question suivante ne sera plus quelle tâche choisir, mais comment l’agent classe le travail selon vos catégories.
Commencez par un travail dont le pire résultat serait un mauvais brouillon. Gardez les ventes et tout ce qui est destiné aux clients pour plus tard : le coût d’une erreur ne se mesure pas en minutes, et un premier essai raté peut vous décourager de continuer. La question suivante est de savoir comment amener l’agent à classer les tâches selon vos catégories. Cela dépend de ce que vous mettez dans son projet : vos règles, la structure de vos connaissances et votre façon de découper le travail. Lisez [Second Brain](https://ailoot.ai/blog/fr/claude-code-second-brain/) et Déléguer au moyen de plusieurs agents.
### Sources - [Anthropic, « Investigating three real-world incidents in our cybersecurity evaluations », 30 juillet 2026](https://www.anthropic.com/news/investigating-incidents-cybersecurity-evals) - [Anthropic : How the company secures AI development, juillet 2026](https://claude.com/blog/how-anthropic-secures-its-ai-native-software-development-lifecycle) - [Anthropic, Project Vend, Phase Two](https://www.anthropic.com/research/project-vend-2) - [Anthropic, documentation de Claude Code : autorisations d’accès et sandbox](https://code.claude.com/docs/en/iam)
Continuez à découvrir Ailoot sur [ailoot.ai](https://ailoot.ai/). ## Questions fréquentes : Agents IA en entreprise : que déléguer et que superviser ? ### Le passage de 16 % à 54 % signifie-t-il trois fois plus de travail relu ? Non. Il mesure la part recevant des commentaires de fond, en hausse de 38 points de pourcentage. Il ne mesure ni tout le travail revu ni le temps de revue ; une revue peut se faire sans commentaire de fond. ### Quelle première tâche métier confier à un agent ? Choisissez une tâche récurrente utilisant vos données existantes, au résultat vite vérifiable et aux erreurs peu coûteuses. Commencez par un brouillon ou une synthèse, exécutez manuellement plusieurs cas réels et comparez le temps de vérification au temps auparavant nécessaire. ## Ailoot · L’entreprise et son portefeuille de projets Ailoot s’appuie sur une expérience opérationnelle éprouvée, une large clientèle, un service stable et un suivi continu des KPI. L’entreprise et son portefeuille de projets : des millions de clients ; des ventes qui se chiffrent en milliards chaque mois. Ailoot met cette expérience opérationnelle au service de l’accès API aux fonctions d’IA dans les produits des clients, leurs agents, applications et automatisations.