La course à la productivité est bien réelle
Les agents IA passent du chat au travail. Les exemples les plus visibles visent à rendre les utilisateurs individuels plus productifs : agents de programmation, agents capables d’utiliser un ordinateur, agents de recherche et assistants pouvant utiliser des outils au nom d’une personne.
Le Codex d’OpenAI illustre une version de cet avenir pour les équipes logicielles : un agent de programmation dans le cloud capable de travailler sur plusieurs tâches en parallèle, d’inspecter un dépôt, de proposer des modifications et de renvoyer les résultats pour révision. L’agent ChatGPT d’OpenAI va dans la même direction pour les activités générales de connaissance, en combinant navigation web, recherche, utilisation d’outils et actions sur ordinateur au sein d’une expérience agentique unique.
Anthropic défend une idée similaire à travers les produits professionnels de Claude. Claude Code a introduit la programmation agentique dans le terminal, tandis que l’orientation entreprise d’Anthropic positionne de plus en plus Claude comme un collaborateur capable de travailler avec le contexte, les documents et les outils de l’entreprise. Les projets open source d’utilisation d’ordinateurs, tels qu’OpenClaw, expriment la même ambition fondamentale : permettre à l’IA d’utiliser l’ordinateur plus efficacement, et pas seulement de répondre aux questions.
Il s’agit d’une avancée importante. Les agents personnels feront gagner du temps. Ils aideront les utilisateurs à rédiger, programmer, rechercher, résumer, analyser et avancer plus rapidement entre les applications. Mais considérer l’IA agentique principalement comme une couche de productivité personnelle a ses limites.
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 contribuer à exécuter, et comment l’entreprise doit-elle contrôler, mesurer et améliorer ce travail ? »
Les agents personnels créent des angles morts organisationnels
Lorsque les agents se situent principalement au niveau de l’utilisateur, chaque personne devient une petite île d’automatisation. Cela peut être utile pour expérimenter, mais crée des problèmes lorsque le travail est important pour l’entreprise.
Premièrement, 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 données, et un autre encore de rédiger des réponses clients. Chaque tâche peut être pertinente en soi, mais l’entreprise dispose d’une visibilité limitée sur le respect du processus approprié, l’utilisation des bonnes données, l’application des bonnes règles ou l’obtention du résultat métier attendu.
Deuxièmement, l’observabilité devient fragmentée. L’entreprise peut savoir que ses employés utilisent l’IA, sans savoir ce que les agents ont fait étape par étape. Quels documents ont été utilisés ? Quels systèmes ont été sollicités ? Quelles hypothèses ont été formulées ? Quels résultats ont été acceptés ? Quelles erreurs se sont répétées entre les équipes ? Sans traces partagées ni suivi des résultats, il n’existe aucun moyen fiable d’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 travaille. Cela peut rester préférable à une exécution entièrement manuelle, mais ce n’est pas la même chose qu’un processus métier qui s’exécute en arrière-plan, traite les cas courants, fait remonter les exceptions et communique les résultats.
Quatrièmement, l’expertise ne se diffuse pas automatiquement. Un utilisateur peut découvrir un prompt efficace, un bon workflow ou une meilleure façon de connecter un agent à un système. À moins que ce modèle ne devienne une infrastructure réutilisable, il reste un savoir local. L’organisation obtient des poches de compétence en IA plutôt qu’une capacité opérationnelle partagée.
Les agents propres aux applications résolvent une partie du problème
Les plateformes logicielles d’entreprise réagissent en développant leurs propres systèmes d’agents. Agentforce de Salesforce en est un bon exemple : il permet aux entreprises de créer des agents IA autour des workflows liés aux clients, aux ventes, au service, au marketing, au commerce et aux données Salesforce. C’est important, car les agents ont besoin d’accéder au contexte métier, à des actions gouvernées et à des données fiables.
Cette approche par plateforme constitue une véritable avancée par rapport au prompting individuel. Elle permet aux équipes de définir des sujets, des actions, des garde-fous, des accès aux données et des transferts dans un système métier existant. Pour les organisations dont le processus se déroule principalement dans Salesforce, cela peut être très puissant.
La limite est que la plupart des processus opérationnels ne se trouvent pas dans un seul écosystème. Un processus commercial peut mobiliser Salesforce, des feuilles de calcul, des données ERP, des outils d’approbation internes, des e-mails, des contrats et une base de données financière. Un workflow hospitalier peut impliquer des systèmes de communication avec les patients, des dossiers cliniques, des règles de facturation, des exigences des payeurs et des contrôles qualité internes. Un processus réglementaire peut faire intervenir la littérature publique, des dossiers de preuves internes, le contrôle documentaire, des dossiers d’ingénierie et des pistes d’audit.
Si l’agent est trop étroitement lié à une application, il peut automatiser une partie du processus tout en laissant aux équipes le soin d’assembler le reste du travail.
Le changement de perspective : l’automatisation par IA est un enjeu métier
Le changement utile consiste à ne plus considérer les agents uniquement comme des outils de productivité utilisateur, mais comme une infrastructure de processus métier.
Cela signifie que l’entreprise, et non chaque utilisateur individuellement, définit le processus :
- Quelle est l’entrée ?
- Qui est responsable du processus ?
- Quels systèmes et quelles sources de connaissances sont approuvés ?
- Que doit être autorisé à faire l’agent ?
- Quand une personne doit-elle effectuer une revue ou donner son approbation ?
- Quel est le résultat attendu ?
- Quelles métriques montrent que le processus s’est amélioré ?
- Que doit-il se passer lorsque l’agent est incertain ou se trompe ?
Une fois ces questions résolues, l’agent devient une composante d’un workflow géré. Il peut toujours aider les utilisateurs, mais sa valeur ne se limite plus à l’écran d’une seule personne. L’entreprise peut le réutiliser, le superviser, l’améliorer et le relier à des résultats concrets.
C’est à ce moment que l’adoption réussie de l’IA commence à ressembler moins à un ensemble de prompts ingénieux qu’à la conception d’opérations.
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 une tâche.
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, achemine un dossier, rédige une réponse, planifie un suivi ou produit des éléments de preuve à examiner.
Il a besoin de contrôles. Les accès doivent être limités au périmètre nécessaire. Les données sensibles doivent être traitées conformément aux politiques en vigueur. Certaines actions doivent nécessiter une approbation. Certains workflows 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 demande, le contexte récupéré, le modèle utilisé, les outils appelés, le chemin de décision, le résultat final et l’impact métier.
Enfin, il a besoin d’une boucle de feedback. En cas d’échec de l’agent, l’organisation doit pouvoir en identifier la cause, corriger le processus et mesurer l’efficacité de la correction.
Le véritable gain réside dans la capacité partagée
La principale opportunité ne consiste pas à permettre à une personne de travailler plus vite. Elle consiste à transformer les tâches répétitives en capacité IA partagée à l’échelle de l’entreprise.
Une bonne implémentation de processus permet à l’organisation d’apprendre. Elle capitalise sur ce qui fonctionne. Elle rend les modèles efficaces réutilisables. Elle donne aux responsables et aux équipes opérationnelles les moyens de comprendre les performances. Elle réduit la dépendance aux prompts privés ou à la session 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. Au lieu de demander aux employés d’attendre pendant que des agents exécutent des tâches isolées, l’entreprise peut déplacer le travail courant vers une exécution en arrière-plan, gérée et supervisée. Les équipes consacrent davantage de temps à l’examen des exceptions, à l’amélioration des règles, à la prise de décision et à la conception de meilleurs processus.
Il s’agit d’un autre modèle de productivité. Il ne consiste pas à « donner à chaque employé un ordinateur plus intelligent ». Il consiste à « construire des opérations plus intelligentes ».
La place de Guanta
Guanta est conçu autour de ce deuxième modèle.
Considérez-le comme une voie entreprise pour le mouvement de l’utilisation d’ordinateurs et de l’automatisation agentique : automatiser avec l’IA, tout en assurant la sécurité, le contrôle et l’observabilité au niveau de l’organisation.
Guanta aide les équipes à créer des agents connectés aux connaissances, aux systèmes et aux workflows 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 construire 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 d’entreprise, c’est la prochaine frontière. Les agents ne doivent pas seulement rendre les utilisateurs plus rapides. Ils doivent aider les entreprises à mieux exécuter leurs processus.