La course à la productivité est bien réelle
Les agents d’IA passent du chat au travail. Les exemples les plus visibles visent à rendre les utilisateurs individuels plus productifs : agents de codage, agents d’utilisation de l’ordinateur, agents de recherche et assistants capables d’opérer des outils pour le compte d’une personne.
Le Codex d’OpenAI montre une version de ce futur pour les équipes logicielles : un agent de codage basé dans le cloud capable de travailler sur plusieurs tâches en parallèle, d’inspecter un dépôt, de proposer des modifications et de renvoyer des résultats pour révision. L’agent ChatGPT d’OpenAI va dans la même direction pour le travail de connaissance général, en combinant navigation, recherche, utilisation d’outils et actions informatiques dans une expérience agentive unique.
Anthropic a porté une idée similaire via les produits de Claude. Claude Code a introduit le codage agentif dans le terminal, tandis que l’orientation entreprise d’Anthropic a de plus en plus positionné Claude comme un collaborateur capable de travailler avec le contexte, les documents et les outils de l’entreprise. Les projets open-source d’utilisation de l’ordinateur comme OpenClaw montrent la même ambition sous-jacente : permettre à l’IA d’opérer l’ordinateur plus efficacement, pas seulement de répondre à des questions.
C’est un progrès important. Les agents personnels feront gagner du temps. Ils aideront les personnes à écrire, coder, rechercher, résumer, analyser et naviguer plus vite entre les applications. Mais il y a une limite à considérer l’IA orientée agents principalement comme une couche de productivité personnelle.
Pour les entreprises, la question n’est pas seulement « comment chaque employé peut-il utiliser l’IA ? ». La meilleure question est « quels processus métier l’IA doit-elle aider à exécuter, et comment l’entreprise doit-elle contrôler, mesurer et améliorer ce travail ? »
Les agents personnels créent des angles morts organisationnels
Quand les agents vivent principalement au niveau de l’utilisateur, chaque personne devient une petite île d’automatisation. Cela peut être utile pour l’expérimentation, mais cela pose des problèmes lorsque le travail importe pour l’entreprise.
D’abord, l’organisation perd le contrôle des objectifs. Un employé peut demander à un agent de préparer un rapport, un autre de mettre à jour des enregistrements, et un autre encore de rédiger des réponses aux clients. Chaque tâche peut être raisonnable en soi, mais l’entreprise a peu de visibilité pour savoir si l’agent a suivi le bon processus, utilisé les bonnes données, respecté les bonnes règles ou produit le bon résultat métier.
Ensuite, l’observabilité devient fragmentée. L’entreprise peut savoir que les employés utilisent l’IA, mais pas ce que les agents ont fait étape par étape. Quels documents ont été utilisés ? Quels systèmes ont été sollicités ? Quelles hypothèses ont été faites ? Quelles sorties ont été acceptées ? Quelles erreurs se répètent entre les équipes ? Sans traces partagées et suivi des résultats, il n’existe pas de méthode fiable pour améliorer le processus.
Troisièmement, les agents personnels peuvent transformer la productivité en temps d’attente. Un utilisateur délègue une tâche, puis regarde l’écran pendant que l’agent s’exécute. Cela peut quand même être mieux que d’effectuer la tâche manuellement dans son intégralité, mais ce n’est pas équivalent à un processus métier qui tourne en arrière-plan, gère les cas routiniers, escalade les exceptions et rend compte des résultats.
Quatrièmement, l’expertise ne se diffuse pas automatiquement. Un utilisateur peut découvrir un bon prompt, un bon flux de travail ou une meilleure façon de connecter un agent à un système. À moins que ce schéma ne devienne une infrastructure réutilisable, il reste une connaissance locale. L’organisation se retrouve avec des poches de compétences en IA plutôt qu’une capacité opérationnelle partagée.
Les agents spécifiques aux applications résolvent une partie du problème
Les plateformes logicielles d’entreprise réagissent avec leurs propres systèmes d’agents. L’Agentforce de Salesforce en est un exemple probant : il offre aux entreprises un moyen de créer des agents autour des flux de données client, vente, service, marketing, commerce et Salesforce. Cela compte parce que les agents ont besoin d’accès au contexte métier, d’actions gouvernées et d’enregistrements de confiance.
Ce type d’approche plateforme est un vrai pas au-delà du simple prompt individuel. Elle permet aux équipes de définir des sujets, des actions, des garde-fous, l’accès aux données et des points de transfert à l’intérieur d’un système métier existant. Pour des organisations dont le processus est majoritairement dans Salesforce, cela peut être puissant.
La limite est que la plupart des processus opérationnels ne vivent pas dans un seul écosystème. Un processus de revenus peut toucher Salesforce, des feuilles de calcul, des données ERP, des outils d’approbation internes, des e-mails, des contrats et une base de données finance. Un flux de travail hospitalier peut impliquer des systèmes de communication avec les patients, des dossiers cliniques, des règles de facturation, des exigences des payeurs et des revues qualité internes. Un flux de conformité peut mobiliser la littérature publique, des dossiers de preuve internes, le contrôle documentaire, des enregistrements d’ingénierie et des pistes d’audit.
Si l’agent est trop étroitement lié à une seule application, il peut automatiser une partie du processus tout en laissant le reste du travail aux personnes pour assembler les pièces.
Le basculement : l’automatisation par IA est un enjeu métier
Le changement utile consiste à cesser de penser aux agents uniquement comme des outils de productivité utilisateur et à commencer à les penser comme une infrastructure de processus métier.
Cela signifie que l’entreprise, et non chaque utilisateur, définit le processus :
- Quelle est l’entrée ?
- Qui est responsable du processus ?
- Quels systèmes et sources de connaissance sont approuvés ?
- Quelles actions l’agent est-il autorisé à effectuer ?
- Quand une personne doit-elle revoir ou approuver ?
- Quel est le résultat attendu ?
- Quels indicateurs montrent que le processus s’est amélioré ?
- Que doit-il se passer lorsque l’agent est incertain ou se trompe ?
Une fois ces questions répondues, l’agent devient partie intégrante d’un flux de travail géré. Il peut toujours aider les personnes, mais sa valeur n’est plus limitée à l’écran d’une seule personne. L’entreprise peut le réutiliser, le surveiller, l’améliorer et le connecter à des résultats concrets.
C’est là que l’adoption réussie de l’IA commence à ressembler moins à une collection de prompts ingénieux et plus à de la conception opérationnelle.
Les processus ont besoin d’entrées, de sorties, de contrôles et de preuves
Un processus alimenté par l’IA doit être conçu comme n’importe quel autre processus de production.
Il a besoin d’entrées définies. L’agent doit savoir quels documents, enregistrements, systèmes, formulaires, tickets, messages ou événements peuvent déclencher le travail.
Il a besoin de sorties claires. Un agent utile ne se contente pas d’« aider ». Il met à jour un enregistrement, prépare un devis, crée un rapport, classe une demande, oriente un dossier, rédige une réponse, planifie un suivi ou produit des preuves pour révision.
Il a besoin de contrôles. Les accès doivent être limités. Les données sensibles doivent être traitées selon la politique. Certaines actions doivent nécessiter une approbation. Certains flux de travail doivent s’exécuter uniquement dans un environnement contrôlé par le client.
Il a besoin d’observabilité. Les équipes doivent pouvoir voir ce qui s’est passé : la requête, le contexte récupéré, le modèle utilisé, les outils appelés, le chemin de décision, la sortie finale et le résultat métier.
Et il a besoin d’une boucle de rétroaction. Si l’agent échoue, l’organisation doit pouvoir identifier pourquoi, corriger le processus et mesurer si la correction a fonctionné.
Le véritable gain est une capacité partagée
La plus grande opportunité n’est pas qu’une personne puisse aller plus vite. C’est qu’une entreprise puisse transformer un travail répétitif en une capacité IA partagée.
Une bonne implémentation de processus enseigne à l’organisation. Elle capture ce qui fonctionne. Elle rend les schémas réussis réutilisables. Elle donne aux managers et aux opérateurs un moyen de comprendre la performance. Elle réduit la dépendance aux prompts privés ou aux sessions de navigateur d’une seule personne. Elle permet à une équipe d’améliorer le processus sans repartir de zéro à chaque fois.
C’est aussi ainsi que les entreprises évitent le piège de la productivité. Plutôt que de demander aux employés d’attendre pendant que des agents exécutent des tâches isolées, l’entreprise peut déplacer les travaux routiniers vers une exécution gérée en arrière-plan. Les personnes passent plus de temps à revoir les exceptions, améliorer les règles, prendre des décisions et concevoir de meilleurs processus.
C’est un modèle de productivité différent. Il ne s’agit pas que « chaque employé ait un ordinateur plus intelligent ». Il s’agit que « l’entreprise construise des opérations plus intelligentes ».
Où Guanta se situe
Guanta est construit autour de ce second modèle.
Pensez-y comme une voie d’entreprise pour le mouvement d’utilisation de l’ordinateur et d’automatisation agentive : automatiser avec l’IA, mais le faire avec sécurité, contrôle et observabilité au niveau de l’organisation.
Guanta aide les équipes à créer des agents connectés aux connaissances, systèmes et flux de travail de l’entreprise. Lorsqu’un processus nécessite des applications personnalisées, des intégrations, des données structurées, une exécution planifiée ou un déploiement dans un environnement contrôlé, Guanta aide à le concevoir et à l’exécuter en production.
L’objectif n’est pas de remplacer les outils d’IA personnels. Ces outils sont utiles, et de nombreuses équipes continueront à les utiliser. L’objectif est de rendre le travail important visible, réutilisable, mesurable et gouvernable.
Pour l’IA en entreprise, c’est la prochaine frontière. Les agents ne doivent pas seulement rendre les utilisateurs plus rapides. Ils doivent aider les entreprises à exécuter de meilleurs processus.