Le travail agentique dans les organisations
Autonomie encadrée : la liberté d’agir sans renoncer au contrôle.
Les agents d’IA peuvent modifier du code source, des chaînes de livraison, des infrastructures et des services en production. L’opportunité est importante, mais le changement de responsabilité l’est tout autant : une organisation ne demande plus seulement une réponse à l’IA. Elle lui délègue une action.
L’autonomie encadrée permet d’introduire progressivement cette délégation. Les personnes conservent la maîtrise des décisions importantes, tandis que les agents disposent d’une liberté suffisante pour enquêter, exécuter, valider et apprendre dans le cadre d’un mandat convenu.
Du modèle à l’agent
Le modèle n’est qu’un composant du système.
Un modèle prédit une réponse à partir du contexte qu’il reçoit. Une couche d’orchestration, ou harness, transforme cette capacité en agent en lui apportant des outils, de la continuité, un accès à un environnement et des mécanismes d’action. Le harness contribue donc à déterminer ce que l’agent sait, ce qu’il peut faire et la manière dont son travail est contrôlé.
Cette distinction est importante pour les décideurs. Choisir un modèle ne revient pas à définir un mode de fonctionnement pour l’IA. Les organisations doivent aussi décider quel contexte est disponible, quels systèmes sont accessibles, quelle autorité est utilisée et comment les actions seront supervisées et vérifiées.
Défi
Le contrôle humain est souvent placé au mauvais niveau.
Demander à une personne d’approuver chaque commande multiplie les interruptions et provoque une fatigue liée aux validations. Après un certain nombre de demandes, l’approbation peut devenir mécanique plutôt que réfléchie. À l’autre extrême, confier un objectif complet à un agent lui permet de prendre de nombreuses décisions liées avant qu’une personne n’en voie le résultat.
Assistance pilotée par l’humain
Implication continue
La personne reste proche de chaque action, mais l’agent dispose de peu de liberté pour travailler de manière autonome.
Demande jusqu’à l’achèvement
Un mandat étendu
L’exécution est rapide, mais les hypothèses et les décisions importantes peuvent s’accumuler sans contrôle.
Autonomie encadrée
Le contrôle aux points de décision
L’humain choisit la prochaine étape utile ; l’agent en contrôle l’exécution dans le périmètre convenu.
Défi
Un résultat convaincant n’est pas nécessairement un résultat vérifié.
Une incompréhension initiale peut se propager dans le code, les tests, les chaînes de livraison, la configuration et l’infrastructure. L’agent peut produire un résultat cohérent tout en s’éloignant progressivement de la réalité du système.
L’horizon de prédiction décrit la distance qu’un agent peut parcourir avant de devoir se confronter à nouveau à des éléments factuels. Le raccourcir limite le nombre d’hypothèses qui peuvent s’accumuler avant que les tests, l’état observé, les contraintes externes ou le jugement humain n’apportent une réponse.
Se confronter à la réalité
Tests
La modification répond-elle à une attente explicite ?
État observé
Que s’est-il réellement passé dans l’environnement ?
Contraintes
Quelles limites techniques ou organisationnelles s’appliquent ?
Décisions humaines
La prochaine orientation reste-t-elle la bonne ?
La réponse
Une étape encadrée à la fois.
Un incrément utile est suffisamment petit pour être compris et validé, mais assez significatif pour produire une valeur observable. Avant l’exécution, l’agent enquête et propose l’étape, notamment son résultat attendu, son périmètre, ses dépendances, ses exclusions et sa validation. Après approbation, il peut travailler sans interruption mécanique. Il revient ensuite avec des éléments vérifiables et s’arrête avant de choisir la suite.
UNITÉ DE TRAVAIL
Un résultat observable.
UNITÉ D’AUTORITÉ
Un mandat convenu.
UNITÉ DE RISQUE
Un périmètre d’impact limité.
UNITÉ D’APPRENTISSAGE
Une occasion de progresser.
Apprentissage organisationnel
Les personnes apprennent à déléguer avant que l’autonomie ne s’élargisse.
Donner accès à l’IA ne suffit pas pour créer une capacité organisationnelle à travailler avec des agents. Les équipes doivent apprendre à définir les résultats, communiquer les limites, identifier les décisions importantes, examiner les éléments factuels et reconnaître les situations dans lesquelles un agent est incertain.
L’adoption peut progresser de l’assistance aux propositions, puis à l’action encadrée et enfin à l’autonomie déléguée dans les situations éprouvées. La confiance se développe pour chaque cas d’usage et à partir de l’expérience, et non par une déclaration unique selon laquelle l’IA serait prête pour toute l’organisation.
Autorité déléguée
Traiter l’agent comme un acteur de l’organisation.
Comme une personne qui reçoit une mission, un agent a besoin d’une tâche définie, d’un contexte approprié, d’un accès adapté à son rôle, d’une supervision et d’un moyen de vérifier le résultat. Il ne devrait pas hériter automatiquement de toute l’autorité du développeur ou de l’administrateur qui l’utilise.
L’analogie a ses limites : un agent n’assume aucune responsabilité juridique ou managériale. Il peut aussi répéter une erreur à la vitesse d’une machine. L’organisation reste donc responsable et doit rendre explicite l’autorité qu’elle délègue.
Des contrôles complémentaires
Les limites importantes doivent exister en dehors du modèle.
Les instructions et les plans orientent le comportement, mais ne constituent pas des barrières de sécurité. Les organisations gèrent déjà les risques grâce à plusieurs niveaux de contrôle indépendants ; les systèmes agentiques devraient suivre le même principe.
DIRECTION
Que doit-il se passer ?
Objectifs, procédures, modes opératoires et connaissances organisationnelles.
SUPERVISION
Qui contrôle ?
Points de décision humains et examen indépendant des actions sensibles.
LIMITES
Qu’est-ce qui est possible ?
Environnement isolé, identités contrôlées, accès et communications externes.
RÉSILIENCE
Que faire en cas d’échec ?
Éléments vérifiables, traces, historique des versions, retour arrière, sauvegardes et restauration.
Beyond YOLO Mode: Building Boundaries for Enterprise AI Agents
Une exploration concrète
Pi-Run traduit ces principes en contrôles opérationnels.
Pi-Run n’est ni la méthode elle-même ni la promesse qu’un seul outil résoudrait tous les risques. Il s’agit d’un environnement concret pour explorer la manière dont un agent peut rester utile tout en évoluant dans les limites définies par une organisation.
Contexte adapté à la mission
Les profils et les compétences sélectionnent l’identité, les instructions, les identifiants et les connaissances appropriés au travail.
Supervision indépendante
Guardian examine les actions couvertes sans demander à une personne d’approuver chaque commande de routine.
Limites imposées
Le conteneur et le side-car réseau limitent l’exposition du système de fichiers et du réseau indépendamment du raisonnement de l’agent.
Consultation contrôlée
Call a Friend peut transmettre une question limitée à un autre modèle sans lui envoyer automatiquement l’espace de travail ou l’intégralité de la conversation.
Un agent principal interne peut conserver le contexte de travail sensible, tandis qu’un modèle externe ne reçoit qu’une question minimale. La divulgation proposée peut être examinée au préalable et la réponse revient comme un avis à vérifier, et non comme une autorité. Ces contrôles applicatifs doivent rester associés à des fournisseurs approuvés, des limites réseau, des garanties contractuelles et une responsabilité humaine.
Tout au long du cycle technologique
Une même méthode, des conséquences différentes.
Le développement, le DevOps, l’infrastructure et les opérations suivent tous un cycle agentique similaire : observer, proposer, agir et valider. Ce qui change, c’est l’environnement, les éléments disponibles pour la vérification et le coût d’une erreur.
DÉVELOPPEMENT
Modifier le code
Utiliser les tests, les différences, les branches et la revue pour valider un incrément.
DEVOPS
Modifier la livraison
Procéder par étapes et vérifier les modifications des builds, pipelines, versions et déploiements.
INFRASTRUCTURE
Modifier les ressources
Limiter la cible et vérifier l’état réel plutôt que de faire confiance à la configuration attendue.
OPÉRATIONS
Modifier les systèmes actifs
Utiliser des interventions plus petites, des limites d’autorité plus fortes, des contrôles de santé et des mécanismes de restauration.
Plus le périmètre d’impact est important, plus les étapes doivent être petites, les limites fortes et la restauration claire.
Avantages
- Une autonomie utile avec des responsabilités plus claires
- Moins de fatigue liée aux validations et des boucles de retour plus courtes
- Une adoption progressive du développement aux opérations
- Une méthode durable qui ne dépend pas d’un modèle unique
Compromis
- Les équipes doivent apprendre à définir et valider des incréments utiles
- Les points de décision humains peuvent devenir des goulots d’étranglement
- Les contrôles peuvent réduire la vitesse maximale d’exécution
- Le risque est géré et réduit, mais jamais éliminé
Une autonomie progressive et gouvernable
De la liberté dans la mission. Des limites autour de la mission.
Les organisations n’ont pas à choisir entre des demandes d’autorisation permanentes et un mandat sans limites. Elles peuvent introduire le travail agentique comme un processus d’apprentissage contrôlé, étendre l’autorité à partir d’éléments vérifiables et maintenir les décisions importantes visibles.