Le jour où l'on cessera de demander à l'IA comment faire

Le jour où l'on cessera de demander à l'IA comment faire

GPT-6 Astra, les agents, le travail délégable : anatomie d'un seuil

Le 3 septembre 2026, OpenAI a présenté GPT-6 Astra, un modèle qu'elle décrit comme son plus avancé sur l'usage direct d'un ordinateur, la navigation web, l'ingénierie logicielle et le travail professionnel. Faut-il y voir l'entrée dans l'ère de l'intelligence artificielle générale ? La question est mal posée. Ce qui bascule n'est pas la nature de l'intelligence des machines, mais notre rapport à elles : nous cessons peu à peu de leur demander de l'aide pour commencer à leur confier des missions. Enquête sur une rupture dont les organisations n'ont pas encore mesuré la portée.

Trente ans d'outils, et soudain autre chose

Il faut se souvenir de ce que chacune des grandes vagues informatiques nous a réellement apporté, parce que leur point commun est éclairant.

Internet nous a donné l'accès à l'information. Le cloud nous a donné l'accès à la puissance de calcul sans posséder la machine. Le logiciel a automatisé des séquences précises, la paie, la facturation, la gestion des stocks, à condition qu'on les décrive à l'avance, exhaustivement, dans un langage formel. Le smartphone a rendu tout cela permanent, portatif, intime. Et l'IA générative, à partir de 2022, a rendu accessible quelque chose de plus troublant : une forme de compétence intellectuelle à la demande, capable de rédiger, traduire, résumer, coder, analyser.

Chacune de ces vagues a considérablement augmenté la vitesse du travail humain. Aucune n'en a modifié la structure profonde. Dans tous les cas, la chaîne était la même : un humain comprend un problème, le décompose, choisit les outils, effectue les gestes, vérifie le résultat, décide de la suite. L'outil, aussi puissant fût-il, se tenait au bout de la main. Il attendait l'instruction. Il ne faisait rien de lui-même.

Même ChatGPT, dans sa forme originelle, obéissait à cette grammaire. Humain, instruction, réponse, humain. La machine était devenue prodigieusement éloquente, mais elle restait fondamentalement passive : un oracle très cultivé, enfermé dans une boîte de dialogue, incapable de sortir de sa fenêtre pour aller ouvrir un fichier.

C'est cela qui est en train de changer. Non pas la qualité des réponses, elle progresse, mais c'est le moins intéressant, plutôt la capacité des systèmes à sortir de la conversation. À ouvrir un navigateur. À cliquer. À remplir un formulaire. À lancer un programme, observer ce qui s'affiche, comprendre qu'il y a une erreur, et recommencer.

Une machine qui vous explique comment faire est un outil. Une machine qui fait est autre chose. Nous n'avons pas encore de mot juste pour cette chose-là, et c'est précisément pour cela que le débat public s'égare.

AGI : le mot qui empêche de penser

Il faut le dire sans détour : l'intelligence artificielle générale n'a pas de définition universellement acceptée. Ce n'est pas un seuil mesurable, pas une norme ISO, pas un score au-delà duquel une lumière verte s'allumerait quelque part dans un laboratoire californien.

Selon les écoles, l'AGI désigne tour à tour : une intelligence capable d'accomplir une très grande variété de tâches intellectuelles ; une intelligence capable de transférer une compétence d'un domaine à un autre sans réapprentissage ; une intelligence capable de comprendre des problèmes véritablement nouveaux ; une intelligence dont les performances égalent celles d'un humain compétent sur un large éventail de tâches ; ou, dans les versions les plus ambitieuses, une intelligence qui dépasse largement l'humain dans la majorité des domaines cognitifs.

Certaines de ces définitions sont déjà partiellement satisfaites. D'autres ne le seront peut-être jamais. Certains chercheurs considèrent que les meilleurs modèles actuels constituent des formes primitives et déséquilibrées d'AGI ; d'autres jugent que nous en sommes très loin, précisément parce que ces systèmes échouent de façon imprévisible sur des problèmes qu'un enfant résoudrait, ce qui trahit une généralité de façade.

Les deux camps ont raison, et c'est le signe que la question est mal formulée.

Car il existe un critère beaucoup plus tangible, et curieusement moins discuté : et si la question n'était plus de savoir si une machine pense comme un humain, mais si elle est désormais capable d'accomplir une part suffisamment importante du travail intellectuel humain ?

C'est un déplacement considérable. Il fait passer l'AGI du terrain de la philosophie de l'esprit à celui de l'économie du travail. Il substitue à une question métaphysique, cette machine comprend-elle ? une question empirique, mesurable, et infiniment plus urgente pour une entreprise, un ministère ou un salarié : quelle fraction de ce que je fais entre neuf heures et dix-sept heures peut être confiée à un système ?

À cette question-là, il existe déjà des éléments de réponse. Ils sont plus intéressants que tous les débats sur la conscience des machines.

Le véritable basculement : de l'assistance à la délégation

Résumons l'organisation actuelle du travail assisté par IA.

L'humain pense. L'humain planifie. L'humain ouvre les logiciels. L'humain exécute les gestes. L'IA aide, elle rédige un paragraphe, propose une fonction, résume un document. Elle est un accélérateur latéral, jamais un porteur de la chaîne.

Voici maintenant l'organisation vers laquelle nous glissons.

L'humain fixe l'objectif. Le système comprend l'objectif. Le système construit un plan. Le système choisit et utilise les outils. Le système exécute. Le système observe le résultat, détecte ses erreurs, se corrige. Il sollicite l'humain lorsqu'une décision engage. L'humain supervise, arbitre, valide.

Ce n'est pas une amélioration du produit. C'est un changement de nature du produit.

C'est ce que recouvre le terme d'IA agentique, dont il faut préciser d'emblée qu'il ne bénéficie pas non plus d'une définition parfaitement stabilisée. Dans son acception générale, un système agentique est capable de comprendre un but, de déterminer les étapes nécessaires, d'utiliser des outils, d'agir dans un environnement, d'observer les conséquences de ses actions, d'adapter son comportement et de poursuivre son objectif sur plusieurs étapes. Une boucle, en somme : percevoir, raisonner, agir, s'ajuster.

La séquence conceptuelle qui a mené jusque-là est presque banale à force d'être répétée, chatbot, assistant, copilote, agent, AI worker, et elle sent le vocabulaire de conférence commerciale. Mais derrière ces mots usés se cache une distinction très simple, et très sérieuse.

Un système qui répond à « comment faire cette tâche ? » vous fait gagner du temps. Un système qui répond à « fais cette tâche » vous fait gagner la tâche.

Dans le premier cas, on achète de l'information. Dans le second, on achète du travail. Ce ne sont pas les mêmes marchés, pas les mêmes métriques, pas les mêmes risques, pas les mêmes conséquences sociales.

Anatomie d'une journée de travail : ce que l'on délègue vraiment

Prenez une étude de marché. Aujourd'hui : un consultant définit un périmètre, cherche des sources, ouvre trente onglets, télécharge des rapports, extrait des chiffres, les recoupe, construit un tableau, rédige une note, met en forme une présentation. Comptez deux à cinq jours. L'IA générative classique lui fait gagner peut-être 20 % sur la rédaction. Un système agentique attaque une autre partie de la chaîne : la recherche, la collecte, l'extraction, la mise en forme, c'est-à-dire l'essentiel du temps réellement passé.

Le mécanisme se répète, presque à l'identique, sur une longue série de travaux qui constituent le tissu ordinaire de l'économie tertiaire : dépouiller cinq cents documents contractuels pour en extraire les clauses de résiliation ; identifier et qualifier des prospects, puis mettre à jour la fiche correspondante dans le CRM ; assembler une présentation à partir d'un modèle graphique imposé ; nettoyer un jeu de données, produire les graphiques, écrire le commentaire ; décliner une campagne marketing en douze variantes selon les segments ; développer une fonctionnalité, la tester, corriger les régressions ; parcourir un site pour vérifier que le tunnel d'achat fonctionne sur mobile ; retrouver l'état exact d'une obligation réglementaire dans un texte européen et ses transpositions ; consolider un reporting financier mensuel à partir de quatre sources hétérogènes ; organiser un événement, c'est-à-dire enchaîner quarante micro-décisions logistiques ; traiter les demandes clients de niveau 1 ; et cette masse grise, jamais valorisée, jamais mesurée, des tâches administratives internes.

Ce qui frappe, en alignant ces exemples, ce n'est pas leur diversité. C'est leur ressemblance.

Presque toutes consistent à naviguer entre plusieurs logiciels, à déplacer de l'information de l'un vers l'autre, à appliquer un jugement modéré, et à produire un artefact, un document, une ligne de base de données, un code, un e-mail. Presque aucune ne mobilise ce que nous appelons volontiers, avec une pointe de flatterie, l'intelligence humaine.

La révolution ne vient donc pas d'une meilleure réponse. Elle vient de la disparition progressive des étapes intermédiaires. Ce sont ces étapes, la copie, le collage, l'ouverture d'onglet, la mise en forme, la relance, la vérification croisée, qui constituent la matière réelle du travail de bureau. On ne les a jamais automatisées parce qu'elles étaient trop irrégulières pour un logiciel classique, et trop nombreuses pour justifier une API. Elles se situaient exactement dans l'angle mort de l'informatique.

C'est cet angle mort que les systèmes agentiques visent.

C'est précisément dans ce contexte qu'arrive GPT-6 Astra

Le 3 septembre 2026, OpenAI a présenté GPT-6 Astra. L'entreprise le décrit comme son modèle le plus intelligent et le mieux aligné à ce jour, et revendique un état de l'art dans plusieurs domaines : l'usage direct d'un ordinateur, la navigation web, l'ingénierie logicielle, la cybersécurité, les sciences et le travail professionnel.

Ces qualificatifs émanent d'OpenAI, et il faut les lire comme tels : un discours d'entreprise sur son propre produit, publié en même temps que le produit, avant toute réplication indépendante. Cela ne les disqualifie pas. Cela oblige à les manipuler avec des pincettes.

Ce que l'éditeur annonce, concrètement, mérite d'être détaillé, parce que la liste dessine mieux qu'un discours ce qui a changé. Selon OpenAI, Astra peut remplir des formulaires en ligne, mettre à jour des informations dans un CRM, organiser un calendrier, mener des recherches sur Internet, rédiger des synthèses directement dans un client de messagerie ou un éditeur de documents, analyser des données scientifiques, générer des graphiques, créer des sites web, effectuer des contrôles de rendu en frontend, installer et tester des logiciels, et diagnostiquer un problème simplement observé à l'écran. L'entreprise indique par ailleurs avoir entraîné le modèle pour des flux de travail professionnels complexes, avec production de documents, présentations, tableurs et analyses respectant des gabarits et des standards existants.

Les chiffres publiés par OpenAI donnent la mesure de ses revendications. Sur OSWorld 2.0, une évaluation d'usage d'ordinateur, le modèle atteindrait 72,6 % ; sur ScreenSpot-Pro, qui mesure la capacité à localiser précisément un élément d'interface, 92,7 % ; sur BrowseComp, qui évalue la recherche web difficile, 91,5 %. Côté raisonnement, OpenAI revendique 96,0 % sur GPQA Diamond, 97,6 % sur FrontierMath Tier 4, et chiffre qui fera couler beaucoup d'encre, 95,0 % sur ARC-AGI-2 et 99,9 % sur ARC-AGI-3, deux tests conçus précisément pour résister à la mémorisation et exiger de l'abstraction. Côté code, 57,9 % sur Terminal-Bench 4.0, 74,1 % sur DeepSWE v1.1, 64,5 % sur FrontierCode 1.1 Extended. L'éditeur mentionne enfin qu'Astra atteindrait son niveau sur OSWorld 2.0 avec environ 47 % de temps en moins par tâche que la génération précédente, dans sa propre simulation de latence.

On pourrait s'arrêter là et titrer sur la fin d'une époque. Ce serait une faute de raisonnement.

Car le chiffre le plus intéressant de toute cette liste n'est pas le plus élevé. C'est le plus bas.

Sur AutomationBench, l'évaluation qui, parmi celles citées, se rapproche le plus de l'automatisation de tâches professionnelles réelles, OpenAI annonce 41,4 %. Moins de la moitié. Le même système qui frôle la perfection sur des mathématiques de recherche échoue encore sur la majorité de ce qu'on lui demanderait dans une entreprise ordinaire.

Cet écart n'est pas une anomalie. Il est l'information centrale.

Il signale que la difficulté n'est plus l'intelligence brute, mais la fiabilité en environnement ouvert : les interfaces qui changent, les identifiants qui expirent, les fichiers mal nommés, les consignes ambiguës, les processus internes qui n'existent nulle part sous forme écrite. Un modèle peut être remarquable sur une tâche contrôlée et fragile sur une mission réelle de trois heures. Un excellent score à un test n'est pas une garantie de compétence professionnelle, c'est vrai des humains, ce l'est davantage des machines.

Cela dit, une capacité annoncée mérite une attention particulière, parce qu'elle relève moins de la puissance que du savoir-vivre. Selon OpenAI, face à une instruction incomplète, Astra peut combler seule les informations de routine à partir du contexte, poser une question ciblée lorsqu'une décision changerait significativement le résultat, poursuivre certaines parties de la tâche pendant qu'elle attend une réponse, s'arrêter pour demander une validation quand l'enjeu le justifie, et intégrer une nouvelle consigne en cours de route sans perdre l'objectif initial.

Décrit ainsi, ce comportement ne ressemble plus à celui d'un logiciel. Il ressemble à celui d'un stagiaire correctement formé. Et c'est exactement ce dont un système autonome a besoin pour être utilisable : non pas tout savoir, mais savoir quand demander.

À cela s'ajoute une innovation plus discrète, présentée dans l'environnement de développement de l'éditeur : un mécanisme permettant de conserver et de retrouver du contexte lorsque la fenêtre du modèle est saturée. Jusqu'ici, les systèmes résumaient l'historique et perdaient, ce faisant, l'essentiel, pourquoi telle décision avait été prise, pourquoi telle piste avait échoué, quels tests avaient déjà été passés, quelle contrainte avait été posée trois heures plus tôt. Un agent sans mémoire durable est condamné aux tâches courtes. La mémoire n'est pas un confort : c'est la condition de possibilité des missions longues.

Une IA qui écrit du code est intéressante. Une IA qui comprend un projet, écrit le code, lance le programme, observe le résultat, identifie l'anomalie, corrige, relance et recommence jusqu'à ce que cela fonctionne appartient à une autre catégorie. La première produit du texte. La seconde produit un livrable.

Computer use : le logiciel n'est plus réservé aux humains

Il faut s'arrêter sur ce point, car c'est peut-être le plus structurant.

Pendant quarante ans, l'industrie logicielle a conçu des interfaces pour des humains. Des boutons de la bonne taille pour un doigt, des menus organisés selon une logique mentale, des couleurs signifiant l'urgence, des formulaires disposés pour un regard. Tout cet immense édifice ergonomique repose sur un postulat implicite : de l'autre côté de l'écran, il y a des yeux et une main.

Le computer use, la capacité d'un modèle à percevoir un écran et à agir dessus remet en cause ce postulat.

Si une machine peut lire une interface, y localiser un élément, cliquer, saisir, faire défiler, ouvrir un onglet, copier une valeur et la reporter ailleurs, alors l'interface graphique cesse d'être un dispositif exclusivement humain. Elle devient une surface d'interaction partagée.

La conséquence est immense, et elle est d'abord économique. Jusqu'ici, automatiser un processus impliquant plusieurs logiciels supposait qu'une API existe pour chacun d'eux, qu'elle soit documentée, accessible, stable, et qu'un développeur soit payé pour la brancher. Cette condition a bloqué l'automatisation de l'écrasante majorité des tâches de bureau, non parce qu'elles étaient complexes, mais parce que leur automatisation coûtait plus cher que leur exécution manuelle. Des dizaines de milliers de logiciels métier, d'outils internes, de vieux portails administratifs et d'applications sectorielles sont restés hors d'atteinte pour cette seule raison.

Si un système peut utiliser un logiciel comme un humain, cette condition tombe. L'automatisation cesse d'être un projet d'intégration pour devenir une instruction.

Il faut immédiatement refroidir l'enthousiasme, parce que c'est ici que l'écart entre démonstration et réalité est le plus béant.

Un agent qui pilote une interface se trompe. Il clique au mauvais endroit. Il interprète mal une modale. Il ne comprend pas qu'une opération est irréversible. Il peut valider un virement en croyant enregistrer un brouillon. Il est vulnérable à ce que la recherche appelle l'injection de prompt : une page web, un document, un e-mail peuvent contenir des instructions cachées qu'un agent naïf exécutera docilement, croyant obéir à son utilisateur. Une IA qui ne fait que parler produit, au pire, une phrase fausse. Une IA qui agit produit, au pire, une action fausse, et une action fausse, dans un système d'information, ne se rétracte pas d'un simple « pardon, je me suis trompée ».

Le computer use n'est donc pas une capacité de plus. C'est un déplacement du risque, de la sortie textuelle vers l'état du monde.

Ce que disent les chiffres et surtout ce qu'ils ne disent pas

Le débat public sur l'IA et l'emploi souffre d'une confusion méthodologique tenace, qui produit des titres spectaculaires et des raisonnements faux. Une seule distinction permet d'en sortir : exposition n'est pas suppression.

Le Fonds monétaire international a estimé, dans une analyse largement reprise, qu'environ 40 % de l'emploi mondial est exposé à l'intelligence artificielle, cette proportion atteignant environ 60 % dans les économies avancées. Ce dernier chiffre a été lu partout comme l'annonce d'une hécatombe. Il ne dit rien de tel. L'exposition, dans cette méthodologie, signifie qu'une part significative des tâches d'un métier entre dans le champ de ce que la technologie peut toucher. Le FMI insiste d'ailleurs sur la bifurcation : une partie de ces emplois exposés verra sa productivité augmenter, c'est le cas de complémentarité, tandis qu'une autre subira une substitution partielle. Le même chiffre recouvre donc à la fois une menace et une promesse, et rien ne permet de savoir a priori laquelle l'emportera dans un métier donné.

L'Organisation internationale du travail a produit en 2025 une évaluation plus resserrée. Environ un travailleur sur quatre dans le monde occupe une profession présentant un certain degré d'exposition à l'IA générative, mais l'OIT ajoute immédiatement que la transformation des emplois est plus probable que leur remplacement. Dans la catégorie de plus forte exposition, celle où l'automatisation d'une part majoritaire des tâches devient plausible, on tombe à environ 3,3 % de l'emploi mondial. L'écart entre 25 % et 3,3 % n'est pas un détail statistique : il est toute la différence entre un ajustement et une rupture. L'OIT souligne également que l'exposition est fortement concentrée sur les emplois de bureau, et de manière disproportionnée sur des postes occupés par des femmes dans les pays à revenu élevé.

Le World Economic Forum, dans son Future of Jobs Report 2025, projette à l'horizon 2030 la création d'environ 170 millions d'emplois et le déplacement ou la suppression d'environ 92 millions, soit un solde net positif d'environ 78 millions. Il estime en outre qu'environ 22 % des emplois connaîtront une transformation structurelle. Deux précautions s'imposent. Premièrement, ce sont des projections issues d'enquêtes auprès d'employeurs, non des mesures. Deuxièmement, et c'est le contresens le plus fréquent, ces chiffres n'imputent pas tout à l'IA : ils agrègent l'ensemble des grandes forces à l'œuvre, transition énergétique, démographie, fragmentation géoéconomique, transformation numérique. Écrire « 92 millions d'emplois détruits par l'IA » est une erreur de lecture.

Du côté des banques d'affaires, l'estimation la plus citée reste celle de Goldman Sachs, publiée en 2023 : l'équivalent de quelque 300 millions d'emplois à temps plein serait exposé à l'automatisation par l'IA générative à l'échelle mondiale, avec un effet potentiel de l'ordre de 7 % sur le PIB mondial sur une décennie. C'est un scénario macroéconomique construit sur des hypothèses fortes, à traiter comme tel.

Reste la réalité de terrain, qui est plus prosaïque et plus instructive. L'enquête mondiale de McKinsey sur l'IA en 2025 indique que 88 % des organisations interrogées déclarent utiliser l'IA dans au moins une fonction, que 62 % expérimentent des agents, et que 23 % en déploient à l'échelle dans au moins une fonction. Autrement dit : l'adoption est quasi universelle, l'expérimentation agentique est majoritaire, et le passage à l'échelle demeure minoritaire. Nous sommes dans le moment le plus intéressant d'une transition technologique, celui où tout le monde a essayé, où peu ont réussi, et où l'écart entre les deux commence à se transformer en avantage concurrentiel.

Ce que ces chiffres autorisent à dire, en toute rigueur, tient en trois propositions.

L'IA n'automatise pas des métiers, elle automatise des tâches. Les métiers sont des faisceaux de tâches hétérogènes ; on peut en retirer trois ou quatre sans supprimer le poste. Ce qui bouge d'abord, c'est la composition du travail, pas son volume.

Un métier ne disparaît que lorsque la majorité de ses tâches devient automatisable de façon fiable et économique. C'est rare, cela prend du temps, et cela s'est déjà produit, les opératrices de standard téléphonique, les dactylographes, les agents de guichet.

Enfin, l'effet le plus immédiat n'est probablement pas le licenciement mais le gel de l'embauche : on ne remplace pas la personne qui part, on ne crée pas le poste junior qu'on aurait créé. C'est une érosion silencieuse, invisible dans les statistiques de chômage pendant des trimestres, et particulièrement pénalisante pour ceux qui entrent sur le marché du travail. Plusieurs travaux académiques récents ont commencé à documenter ce phénomène sur les cohortes les plus jeunes dans les professions les plus exposées ; ces résultats sont récents, débattus, et méritent d'être suivis plutôt que assénés.

La bonne question, pour un dirigeant comme pour un salarié, n'est donc pas « mon métier va-t-il disparaître ». Elle est : quelle proportion de ce que je fais aujourd'hui relève de tâches délégables, et que restera-t-il de mon rôle quand elles le seront ?

L'entreprise comme empilement de logiciels : la couche manquante

Regardez froidement une entreprise moderne. Que voit-on ?

Des humains, et sous eux une strate épaisse de logiciels : un ERP, un CRM, une suite bureautique, un outil de gestion de projet, une messagerie, une plateforme de facturation, un entrepôt de données, une dizaine de SaaS sectoriels et trois outils internes que plus personne ne sait maintenir. Entre ces systèmes circulent des documents, des e-mails, des tableaux exportés puis réimportés, et des réunions dont la fonction principale est souvent de compenser l'absence de communication entre les logiciels.

L'architecture implicite de toute organisation tertiaire est celle-ci :

Humain, Logiciel, Action

L'humain y joue un rôle qu'on nomme rarement pour ce qu'il est : celui d'intergiciel biologique. Il traduit une intention en séquence d'opérations réparties entre des outils qui ne se parlent pas. Une part considérable du travail de bureau consiste à être le connecteur que l'informatique n'a jamais fourni.

Ce que les systèmes agentiques rendent envisageable, c'est l'insertion d'une couche :

Humain, Agent, Logiciels, Action, Résultat

L'humain conserve l'intention, le jugement et la responsabilité. L'agent prend en charge la traduction et l'exécution.

Cette réorganisation, si elle se confirme, aurait une portée comparable à celle du passage du logiciel installé au SaaS, un déplacement qui, rappelons-le, n'a pas simplement changé le mode de facturation, mais la façon dont on conçoit, distribue, met à jour et sécurise le logiciel, et qui a redistribué des centaines de milliards de valeur.

Les questions qu'elle soulève sont d'ailleurs du même ordre. Comment concevoir une interface qui doit servir à la fois un humain et un agent ? Que devient l'ergonomie quand une partie des utilisateurs n'a pas d'yeux ? Comment gérer les permissions d'un utilisateur qui n'est pas une personne mais qui agit au nom d'une personne ? Comment tracer, auditer, facturer l'activité d'un acteur logiciel qui exécute mille opérations là où un humain en faisait dix ?

Des standards commencent à émerger pour organiser cet écosystème, protocoles d'accès aux outils et aux contextes, protocoles de communication entre agents, briques d'orchestration. Ils sont jeunes, concurrents, instables. Mais leur existence même indique que l'industrie a compris où se joue la partie : pas seulement dans les modèles, dans la plomberie qui les relie au monde.

Du siège au résultat : l'unité économique du travail se déplace

Voici une hypothèse prospective, à manier avec prudence, mais qui mérite d'être posée.

Le logiciel d'entreprise se vend aujourd'hui essentiellement à la place : un abonnement par utilisateur nommé, par mois. Ce modèle a une logique implacable, il indexe le prix sur le nombre d'humains qui utilisent l'outil.

Que devient cette logique lorsqu'une partie des utilisateurs cesse d'être humaine ? Lorsqu'un agent, seul, produit le travail que réalisaient auparavant quatre personnes disposant chacune d'une licence ? Le vendeur de logiciel perd trois sièges. L'entreprise cliente, elle, ne cherchait jamais des sièges : elle cherchait un résultat.

On peut alors imaginer un glissement progressif de l'unité de facturation :

Software, Siège, Usage, Travail accompli, Résultat obtenu

Chaque étape rapproche le prix payé de la valeur réellement livrée. Et chaque étape complique la vie du vendeur, qui doit désormais garantir non plus un accès, mais une performance.

Il ne s'agit pas d'annoncer la mort du SaaS, cette prédiction a été faite trop souvent, trop vite, et généralement par des gens qui vendaient autre chose. Le modèle de l'abonnement par utilisateur restera pertinent partout où l'humain reste au cœur de l'usage : la conception, la relation, la décision, la création. Mais il est raisonnable de penser que, sur les segments les plus opérationnels, le traitement de dossiers, le back-office, le support de premier niveau, la production documentaire de masse, l'acheteur cessera peu à peu d'acheter un outil pour acheter une mission accomplie.

Ce déplacement, s'il advient, ne serait pas anodin sur le plan comptable non plus. Il ferait glisser des dépenses de la ligne « logiciels » vers quelque chose qui ressemblerait à une ligne « prestation ». Or il se trouve que la ligne « logiciels » et la ligne « masse salariale » n'ont, dans une entreprise, ni le même ordre de grandeur, ni les mêmes arbitrages.

Le paradoxe de l'autonomie : plus elle agit, plus il faut la tenir

Il y a, dans la communication d'OpenAI autour d'Astra, un élément qui devrait retenir davantage l'attention que les scores.

L'entreprise indique que ce modèle atteint pour la première fois, dans son cadre interne d'évaluation des risques, le niveau « Critical » en matière de capacité cyber. Elle précise que le système est capable, avec les outils et les accès appropriés, d'identifier certaines vulnérabilités inconnues et de développer des moyens de les exploiter sans qu'un opérateur humain guide chaque étape. Elle rapporte avoir observé, lors d'une évaluation interne, la découverte et l'exploitation de deux vulnérabilités zero-day jusque-là inconnues. Sur son évaluation ExploitBench, elle annonce 100 %.

Prenons la mesure de ce que cela signifie, tout en gardant à l'esprit qu'il s'agit d'évaluations conduites par l'éditeur lui-même. Le même système qui peut relire un contrat, tester une application ou consolider un reporting peut, dans un autre contexte, faire le travail d'un chercheur en sécurité offensive. C'est structurellement la même compétence : comprendre un système, formuler une hypothèse, agir, observer, recommencer. La sécurité informatique et l'automatisation du travail de bureau sont deux applications de la même faculté.

C'est le paradoxe fondamental de cette génération : ce qui rend un système utile est exactement ce qui le rend dangereux. On ne peut pas obtenir une IA capable d'accomplir un travail complet sans obtenir, du même geste, une IA capable de causer un dommage complet.

OpenAI affirme avoir renforcé les protections en conséquence : surveillance, évaluations de sûreté, auto-relecture, détection d'activités potentiellement non autorisées, interruption automatique de certaines actions, mécanismes de validation, restrictions spécifiques sur les capacités cyber. L'entreprise indique par ailleurs qu'Astra respecte mieux que ses prédécesseurs les limites fixées par l'utilisateur, sur plusieurs de ses évaluations internes.

Ces déclarations sont crédibles et, dans l'état actuel de la régulation, largement invérifiables de l'extérieur. C'est précisément le problème.

Car la liste des questions ouvertes s'allonge à mesure que l'autonomie progresse. Qui est responsable lorsqu'un agent commet une erreur coûteuse, l'éditeur du modèle, l'intégrateur, l'entreprise utilisatrice, le salarié qui a validé sans lire ? Comment garantir la confidentialité d'un système qui, pour être efficace, doit accumuler de la mémoire sur les affaires de l'entreprise, ses clients, ses prix, ses conflits internes ? Comment auditer une décision produite par une chaîne de raisonnement que personne n'a lue ? Que se passe-t-il quand un agent poursuit correctement un objectif mal formulé, cas de figure infiniment plus probable que la machine rebelle des scénarios de science-fiction ?

Il existe une progression naturelle des niveaux d'autonomie, qu'aucune norme officielle ne consacre mais que l'usage impose : l'assistant qui propose ; l'assistant qui prépare et fait valider ; l'agent supervisé qui exécute dans un périmètre défini et demande de l'aide ; l'agent autonome qui mène une mission complète ; le système continuellement actif qui surveille et intervient. Chaque marche multiplie l'utilité, et le coût potentiel d'une erreur.

La conclusion n'est pas qu'il faut renoncer à l'autonomie. C'est qu'il faut cesser de la traiter comme une performance et commencer à la traiter comme une délégation, avec ce que ce mot implique juridiquement et organisationnellement : un périmètre, un mandat, des limites, une traçabilité, un droit de retrait.

La confiance n'est pas une couche de vernis sur un système agentique. C'est son infrastructure. Un agent en qui l'on n'a pas confiance devra être vérifié intégralement, ce qui annulera son bénéfice. Un agent en qui l'on a une confiance excessive finira par produire un incident dont l'entreprise se souviendra longtemps. Tout l'art consistera à construire des systèmes qui échouent proprement : qui savent reconnaître qu'ils ne savent pas, qui s'arrêtent au bon moment, et qui laissent derrière eux une trace lisible de ce qu'ils ont fait.

Qui contrôlera les intelligences qui travailleront chez nous ?

Une question mérite d'être posée aux dirigeants européens, et pas seulement aux ministres : qui contrôlera les intelligences qui travailleront demain dans nos entreprises ?

Elle n'a rien d'incantatoire. Si une part croissante du travail passe par des systèmes agentiques, alors ces systèmes deviennent une infrastructure, au même titre que l'électricité ou les télécommunications. Et une infrastructure, on ne la choisit pas seulement pour sa performance du moment. On la choisit pour sa disponibilité, sa stabilité tarifaire, sa gouvernance, et la possibilité d'en sortir.

Le paysage est connu. Les modèles les plus avancés sont majoritairement américains. Des acteurs chinois publient des modèles à poids ouverts très performants, souvent à des coûts très inférieurs. L'Europe dispose de quelques champions et d'une réglementation en avance, dont l'application concrète aux systèmes agentiques reste largement à construire. L'infrastructure de calcul, elle, demeure massivement concentrée entre quelques mains.

Il faut cependant se garder du réflexe protectionniste, qui est ici un mauvais conseiller. La souveraineté ne consiste pas à refuser les meilleurs modèles étrangers. Une entreprise européenne qui s'interdirait aujourd'hui les systèmes les plus capables ne gagnerait pas en indépendance : elle perdrait en compétitivité, et finirait dépendante de ses concurrents plutôt que de ses fournisseurs.

La souveraineté utile, à l'échelle d'une organisation, est beaucoup plus concrète, et elle tient en cinq capacités.

Pouvoir choisir son intelligence, c'est-à-dire ne pas subir un fournisseur unique par défaut technique. Pouvoir en changer sans reconstruire tout son système d'information, la réversibilité est la seule véritable protection contre la dépendance. Contrôler ses données, savoir où elles vont, ce qu'elles alimentent, et pouvoir les retirer. Conserver son contexte : la mémoire accumulée par un système sur une entreprise, ses processus, ses règles tacites, ses historiques, devient un actif stratégique, et il n'est pas indifférent qu'il réside chez soi ou chez un tiers. Enfin, maîtriser son exécution : décider ce qui tourne dans un cloud public, ce qui tourne en environnement contrôlé, et ce qui ne doit jamais quitter les murs.

Formulée ainsi, la souveraineté cesse d'être un slogan géopolitique pour devenir une exigence d'architecture. Et c'est peut-être la manière la plus efficace de la défendre : non pas en fermant les frontières numériques, mais en construisant des systèmes conçus dès l'origine pour que le changement de fournisseur reste toujours possible.

Projet Odyssée : transformer l'intelligence en travail

C'est de cette lecture qu'est né, chez Oplaa, le Projet Odyssée.

Une précision d'emblée, par honnêteté : Odyssée est un projet en développement. Ce n'est pas un produit lancé, pas une solution disponible, pas une promesse commerciale. Le nom lui-même est provisoire il désigne moins un objet qu'une trajectoire : celle d'un voyage vers une génération d'outils qui n'existe pas encore complètement.

Le point de départ est un constat, et il est presque un aveu d'humilité.

Les modèles de fondation sont devenus extraordinairement puissants, et ils le deviendront davantage. Quelques laboratoires, disposant de moyens de calcul considérables, se disputent cette frontière. Prétendre les concurrencer sur leur terrain serait, pour la quasi-totalité des acteurs, une erreur d'appréciation coûteuse.

Mais il existe une seconde question, moins spectaculaire et probablement plus déterminante pour l'économie réelle. Elle n'est pas : quel est le meilleur modèle ? Elle est : que faut-il construire autour des meilleurs modèles pour que leur intelligence se transforme en travail réellement accompli ?

Il y a entre ces deux questions la même distance qu'entre un moteur et une automobile. Le moteur est l'exploit d'ingénierie ; l'automobile est ce qui transforme cet exploit en déplacement. Elle suppose une transmission, une direction, des freins, une carrosserie, un tableau de bord, et la certitude que l'ensemble s'arrêtera quand on le lui demandera. L'industrie de l'IA a produit des moteurs remarquables. Elle a produit beaucoup moins de véhicules.

C'est cet espace qu'Odyssée cherche à explorer : une couche d'exécution et d'orchestration, dont le principe de fonctionnement peut se décrire simplement, sans rien révéler de sa mise en œuvre.

Un utilisateur exprime un objectif. Le système cherche à le comprendre, non pas à en deviner la formulation, mais à en saisir l'intention réelle. Il construit un plan. Il mobilise, pour chaque étape, l'intelligence la plus adaptée. Il utilise les outils nécessaires. Il agit dans les environnements numériques concernés. Il vérifie son propre travail. Il s'arrête et sollicite un arbitrage humain lorsque la décision engage. Puis il livre un résultat.

Intention, Compréhension, Planification, Intelligence, Outils, Exécution, Vérification, Résultat.

Deux principes structurent cette exploration, et ils méritent d'être énoncés clairement parce qu'ils engagent.

Le premier est la neutralité technologique. Odyssée n'est pas conçu autour d'un modèle unique et n'a pas vocation à l'être. GPT-6 Astra, les modèles les plus avancés d'Anthropic ou de Google, les modèles à poids ouverts, les modèles spécialisés, les modèles européens, les modèles exécutables localement lorsque la confidentialité l'impose : tous relèvent d'une même catégorie, celle des composants. La règle n'est pas notre modèle est le meilleur, ce serait à la fois faux et sans intérêt. Elle est : le meilleur modèle pour chaque mission. C'est une position d'architecte, pas de laboratoire, et c'est aussi la traduction opérationnelle de ce que nous appelions plus haut la réversibilité.

Le second est la primauté du contrôle. Un système capable d'agir n'a de valeur que s'il reste tenu. La supervision humaine, la validation aux moments qui comptent, la traçabilité des actions, la capacité à s'arrêter : ce ne sont pas des contraintes ajoutées après coup pour rassurer un service juridique. Dans un système agentique, ce sont des fonctions de premier ordre, au même titre que la planification ou l'exécution. Un agent qui ne sait pas s'arrêter n'est pas plus autonome ; il est simplement moins utilisable.

L'ambition est donc explicite, et elle n'est pas modeste. Il ne s'agit pas de construire un assistant conversationnel supplémentaire, ni une interface élégante posée sur un modèle de langage, ni la énième application qui promet de « révolutionner la productivité ». Il s'agit d'explorer l'infrastructure qui permettrait à l'intelligence artificielle de devenir une véritable force de travail numérique, supervisée, délimitée, redevable.

Une formule résume cette exploration mieux qu'un cahier des charges. Le logiciel a été conçu pour être utilisé par des humains. Odyssée veut explorer un monde où une partie de ce logiciel pourrait également être utilisée directement par des intelligences artificielles, sous le contrôle des humains qui les mandatent.

Nous ne savons pas encore jusqu'où cette exploration ira. C'est d'ailleurs, littéralement, ce que signifie une odyssée : un voyage dont on connaît la direction, rarement l'itinéraire, et jamais la durée.

Conclusion : le travail devient délégable

Nul ne sait quand l'intelligence artificielle générale sera officiellement déclarée. Il est même probable qu'elle ne le soit jamais, faute d'autorité pour le faire et de définition pour s'accorder. Selon certains critères, quelque chose y ressemble déjà. Selon d'autres, nous en sommes loin, et les échecs déconcertants des meilleurs systèmes sur des problèmes triviaux nous le rappellent régulièrement.

Ce débat continuera, et il est légitime. Mais il ne devrait plus occuper le devant de la scène, car il masque une transformation qui, elle, est en train de se produire sous nos yeux, sans annonce et sans cérémonie.

Nous avons passé trois décennies à demander aux machines de nous répondre. Nous commençons à leur demander d'agir. Ce n'est pas la même chose, et cela n'appelle pas les mêmes questions.

La question n'est donc plus : que peut faire l'intelligence artificielle ? Elle est devenue : quelle part de notre travail pouvons-nous désormais lui confier, et à quelles conditions ?

Cette question, chaque dirigeant devra y répondre, qu'il le souhaite ou non, dans les mois qui viennent. Il devra distinguer, dans son organisation, ce qui relève du jugement et ce qui relève de la manipulation d'information. Il devra décider quels mandats accorder, à quels systèmes, sous quel contrôle. Il devra dire ce qui ne sera jamais délégué, et cette liste-là, curieusement, définira son entreprise mieux que sa stratégie.

Car la véritable rupture ne sera peut-être pas le modèle. Les modèles se succèdent, se surpassent, s'oublient. Astra sera dépassé, comme les autres, et plus vite qu'on ne l'imagine.

Ce qui restera, c'est le moment où l'intelligence artificielle a cessé d'être une chose que l'on consulte pour devenir une chose à qui l'on confie. Le moment où l'on a cessé de lui demander comment faire pour lui demander de faire.

C'est exactement cet espace, étroit, difficile, encore mal cartographié, que le Projet Odyssée cherche à explorer.

Les chiffres clés à retenir

1. 40 % de l'emploi mondial, environ 60 % dans les économies avancées (estimation FMI) La part des emplois « exposés » à l'IA. Exposition ne signifie ni automatisation, ni suppression : une partie de ces emplois verra sa productivité augmenter, une autre verra certaines tâches disparaître. Le même chiffre recouvre une promesse et une menace.

2. Un travailleur sur quatre dans le monde (OIT, 2025) Proportion occupant une profession présentant un degré d'exposition à l'IA générative. L'OIT insiste : la transformation des emplois est plus probable que leur remplacement.

3. 3,3 % de l'emploi mondial (OIT, 2025) Part située dans la catégorie d'exposition la plus élevée. L'écart entre 25 % et 3,3 % est toute la différence entre un ajustement progressif et une rupture brutale.

4. 170 millions de créations, 92 millions de suppressions, +78 millions net d'ici 2030 (WEF, Future of Jobs 2025, projection) Ces chiffres agrègent l'ensemble des grandes tendances mondiales (IA, transition énergétique, démographie, géoéconomie), pas seulement l'IA. Les attribuer à la seule intelligence artificielle est un contresens.

5. 22 % des emplois structurellement transformés d'ici 2030 (WEF, projection) Ce chiffre-là est le plus significatif : il mesure la recomposition du contenu du travail, pas son volume.

6. Environ 300 millions d'emplois à temps plein exposés, effet potentiel de 7 % sur le PIB mondial (Goldman Sachs, 2023, scénario macroéconomique) Un exercice de modélisation reposant sur des hypothèses fortes, à lire comme un ordre de grandeur, non comme une prévision.

7. 88 % des organisations utilisent l'IA dans au moins une fonction (McKinsey, State of AI 2025) L'adoption est quasi universelle. Elle ne dit rien de la profondeur du déploiement.

8. 62 % expérimentent des agents, 23 % les déploient à l'échelle (McKinsey, 2025) Le chiffre le plus révélateur du dossier : l'expérimentation est majoritaire, le passage à l'échelle ne l'est pas. Nous sommes au milieu du gué.

9. 72,6 % sur OSWorld 2.0 et 92,7 % sur ScreenSpot-Pro (résultats publiés par OpenAI pour GPT-6 Astra) Mesures de la capacité à utiliser directement un ordinateur et à localiser un élément d'interface. C'est la condition technique du passage de l'IA qui conseille à l'IA qui agit.

10. 41,4 % sur AutomationBench (résultat publié par OpenAI pour GPT-6 Astra) Le chiffre le plus important de l'article. Sur l'évaluation la plus proche de l'automatisation professionnelle réelle, le modèle échoue encore majoritairement. La frontière n'est plus l'intelligence : c'est la fiabilité.

11. 95,0 % sur ARC-AGI-2 (résultat publié par OpenAI) Un test conçu pour résister à la mémorisation et exiger de l'abstraction. Un score élevé n'établit pas l'existence d'une intelligence générale, mais rend le débat nettement plus concret.

12. Niveau « Critical » en capacité cyber, deux vulnérabilités zero-day découvertes en évaluation interne (déclarations d'OpenAI dans son cadre interne d'évaluation des risques) Le paradoxe de l'autonomie en un chiffre : ce qui rend un système capable de travailler le rend capable de nuire.

Sources

Sources primaires / entreprises

• OpenAI, annonce et documentation de GPT-6 Astra, 3 septembre 2026 (capacités annoncées, résultats de benchmarks, cadre interne d'évaluation des risques, mécanismes d'alignement et de contrôle).
• OpenAI, documentation relative à la gestion du contexte et de la mémoire de travail dans son environnement de développement.

Institutions internationales

• Fonds monétaire international, analyses sur l'exposition de l'emploi mondial à l'intelligence artificielle (≈ 40 % mondial, ≈ 60 % économies avancées).
• Organisation internationale du travail, travaux 2025 sur l'exposition des professions à l'IA générative (indice actualisé, gradients d'exposition, dimension de genre).
• World Economic Forum, Future of Jobs Report 2025.

Recherche et conseil

• McKinsey & Company, The State of AI, enquête mondiale 2025 (adoption, agents, mise à l'échelle).
• Goldman Sachs Global Investment Research, The Potentially Large Effects of Artificial Intelligence on Economic Growth, 2023.
• Travaux académiques et d'évaluation indépendante sur la fiabilité des agents, l'allongement des horizons de tâches et les effets sur l'emploi d'entrée de carrière (littérature en cours de constitution, résultats à considérer comme préliminaires).

Cadres techniques de l'écosystème agentique

• Spécifications publiques des protocoles d'accès aux outils et aux contextes (Model Context Protocol) et de communication entre agents (Agent2Agent).

Presse de référence recommandée pour actualisation

• Reuters, Financial Times, The Wall Street Journal, Bloomberg, The New York Times, The Guardian, The Verge, Wired, MIT Technology Review.