Comment le prochain modèle d’exploitation de l’IA modifie la façon dont le travail est effectué

L’essor des agents d’intelligence artificielle à long terme

L’IA passe d’une collection d’outils isolés à des systèmes capables de s’adapter au contexte et de fonctionner en continu. Aujourd’hui, les agents d’IA les plus courants n’agissent que lorsqu’ils sont sollicités. Ils écrivent, résument ou analysent, puis disparaissent. Ils ne se souviennent pas des actions passées, ne peuvent pas aller jusqu’au bout et ont souvent besoin d’être supervisés pour rester sur la bonne voie. Cette situation est en train de changer rapidement. La prochaine génération d’agents à long terme est conçue pour se souvenir de ce qu’ils ont fait, comprendre ce qui va suivre et s’améliorer à chaque action. Ils ne repartent pas de zéro à chaque fois, ils poursuivent leur travail.

Cette nouvelle forme d’IA crée de la valeur en apprenant l’environnement, en maintenant la continuité et en reliant plusieurs étapes dans le temps. Lorsque vous appliquez cela à des domaines tels que l’approvisionnement, la conformité ou la gestion des relations avec les clients, la différence est énorme. Au lieu d’avoir à réinterroger constamment un système, les équipes disposent d’un collaborateur permanent qui construit une mémoire opérationnelle. Au fil du temps, cette mémoire devient un atout stratégique. L’IA évolue d’un moteur de transaction à un opérateur intelligent qui devient plus intelligent grâce à l’expérience.

Pour les dirigeants, il s’agit plus que d’un changement technique, c’est un changement structurel. Vous construisez un système qui développe ses propres connaissances institutionnelles. Cela signifie qu’il faut repenser la manière dont votre organisation mesure la performance et la création de valeur. Au lieu de considérer l’IA comme une automatisation de tâches jetables, traitez-la comme un élément de la main-d’œuvre. L’investissement s’accumule.

Claude Code d’Anthropic et Deep Agents de LangChain sont deux exemples qui définissent cet espace. Claude Code peut travailler sur des bases de code entières, effectuer des mises à jour multi-fichiers et gérer des points de contrôle. L’approche de LangChain, qui intègre la planification, le suivi du contexte et la réutilisation des compétences, montre comment la continuité peut être intégrée dans l’architecture. Cette capacité est encore en cours de maturation, mais la direction à prendre est importante. Ce qui a commencé comme une simple automatisation évolue vers une exécution soutenue, basée sur l’apprentissage.

La redécouverte n’est pas synonyme de continuité

La plupart des outils d’IA actuels peuvent reconstituer des informations de manière efficace. Ils extraient les données passées des journaux, des enregistrements, des courriels et des documents partagés. Mais il s’agit là d’une redécouverte. La redécouverte oblige le système à réassembler de manière répétée ce qu’il savait déjà, en traitant chaque nouvelle session comme une première rencontre. La continuité signifie que le système se souvient de l’état du travail, comprend les décisions prises et sait ce qui est en attente sans avoir à le réapprendre. C’est ainsi que se produisent les véritables progrès.

Dans la plupart des flux de travail, la redécouverte peut sembler suffisante, jusqu’à ce que quelque chose échoue. Lorsque les décisions reposent sur le jugement humainLorsque les décisions reposent sur le jugement humain, sur des exceptions ou sur des projets de longue durée, le manque de continuité devient un goulot d’étranglement. Reconstruire le contexte fait perdre du temps et risque d’entraîner des erreurs d’interprétation. Les agents à long terme résolvent ce problème en conservant une mémoire opérationnelle vivante. Ils se souviennent de qui a décidé quoi, de la justification des décisions, des dépendances non résolues et des actions en cours. C’est la différence entre passer des heures à raconter l’histoire et aller simplement de l’avant.

Pour les dirigeants, la mémoire opérationnelle change la façon dont les organisations évoluent. Moins il y a de contexte à reconstruire, plus l’organisation peut s’adapter et exécuter rapidement. Cependant, la continuité consiste à se souvenir de l’intention. Les systèmes capables de maintenir l’intention améliorent la qualité et la cohérence des décisions au fil du temps. Cela permet de relever le niveau de la concurrence. Les entreprises qui parviennent à assurer la continuité dès le début agiront plus rapidement et avec plus de précision que leurs concurrents qui s’appuient encore sur des cycles de redécouverte.

La mise en place de ce niveau de continuité nécessite de nouvelles fondations. Il s’agit d’un changement d’architecture, qui définit comment les objectifs, les états et les permissions persistent dans le temps. Les entreprises qui conçoivent cette persistance dès le départ créeront une IA qui assiste et évolue avec l’organisation elle-même.

Les agents épisodiques s’effondrent dans les flux de travail étendus et fondés sur le jugement

Les agents épisodiques fonctionnent bien dans des environnements contrôlés où le travail commence et se termine en quelques minutes. Ils accomplissent des tâches dont les limites sont claires, saisie de données, rapports uniques, réponses rapides, mais ils échouent lorsque le travail s’étend sur des jours, des semaines ou des mois. De nombreux processus d’entreprise ne se terminent pas par une seule transaction. Les affaires juridiques, les cycles d’approvisionnement, les examens de conformité et la résolution des problèmes des clients évoluent tous. Ils dépendent de décisions accumulées, de relations et de jugements informels qui ne sont pas capturés dans de simples enregistrements de données. Les systèmes épisodiques ne peuvent pas gérer cette complexité car, à chaque fois qu’ils sont activés, ils repartent de zéro.

Les équipes humaines sont déjà confrontées à ce problème. Elles passent beaucoup de temps à rétablir le contexte pour leurs collègues, à résumer ce qui a été fait, pourquoi et où en sont les choses. Les agents épisodiques de l’IA souffrent du même problème. Ils répètent les efforts au lieu de les faire progresser. Les agents à long terme inversent cette dynamique en maintenant l’état d’un projet et en préservant la logique. Ils peuvent relier les sessions de travail précédentes aux priorités actuelles, maintenir les dépendances dans l’ordre et éliminer le besoin constant de « rattraper » le retard avant que les progrès ne reprennent.

Pour les dirigeants, le point clé est la continuité opérationnelle. Plus vite votre organisation peut passer d’une étape à l’autre sans reprise, plus vite elle crée de la valeur. Dans les opérations à fort enjeu, telles que la conformité financière, la coordination des soins de santé ou les négociations, le fait de ne pas préserver la mémoire conduit à l’inefficacité et au risque. Les agents à long terme modifient cette équation. Ils améliorent la qualité de l’exécution et réduisent la charge cognitive des équipes.

Ce changement ne se fera pas automatiquement. Elle exige une refonte des flux de travail, où les systèmes sont structurés pour la persistance, le maintien de l’état et des résultats dans le temps plutôt que l’exécution d’une tâche isolée. Les entreprises qui procèdent à cet ajustement verront leur cohérence, leur rapidité et l’intégrité de leurs décisions s’améliorer. Les organisations qui ne le font pas continueront à perdre de la productivité dans des cycles fragmentés et répétitifs.

Des applications industrielles prometteuses

La première vague d’agents à long terme présente déjà un potentiel dans de nombreux secteurs d’activité. Dans le domaine des achats, ces systèmes peuvent conserver l’historique de négociations entières, en enregistrant le comportement des fournisseurs, les tendances en matière de prix et les voies d’approbation. Au fil du temps, cela permet de constituer un registre vivant de la stratégie : quelles négociations ont réussi, quels fournisseurs présentent des schémas de risque et quelles tactiques donnent les meilleurs résultats. Les données opérationnelles sont ainsi transformées en un cadre de négociation évolutif qui renforce chaque nouvel événement de sourcing.

Dans le cadre de l’assistance à la clientèle, les agents persévérants ne se contentent pas de répondre aux demandes individuelles. Ils assurent le suivi pour vérifier si les remboursements sont effectués ou si les problèmes réapparaissent après avoir été résolus. Ils créent ainsi une continuité de la responsabilité plutôt qu’un simple achèvement du dossier. En analysant les schémas de milliers d’interactions, ces agents peuvent identifier les défaillances communes dans les processus ou les problèmes récurrents liés aux produits. Grâce à cette connaissance, les entreprises peuvent remédier à la cause sous-jacente et réduire les taux d’escalade.

Les soins de santé et les services financiers sont également des environnements idéaux pour les systèmes à long terme. Dans le secteur de la santé, ils peuvent suivre l’évolution des patients à travers les consultations, les résultats de laboratoire, les références et les mises à jour de traitement, en veillant à ce qu’aucun élément ne soit perdu entre les rendez-vous. Dans les services financiers, ils peuvent suivre les demandes d’indemnisation, les souscriptions et les contrôles de conformité qui s’étalent sur plusieurs mois. Dans ces deux domaines, la continuité élimine la redondance et améliore la précision des flux de travail complexes.

Pour les dirigeants, ces scénarios montrent plus que des gains de productivité à court terme, ils indiquent une amélioration structurelle. À mesure que ces systèmes accumulent un historique opérationnel, ils permettent aux organisations de prendre des décisions plus rapides et mieux informées. Le résultat pratique n’est pas seulement l’efficacité, mais aussi l’intelligence : des processus qui se renforcent au fil du temps sans effort humain supplémentaire. Les agents de longue durée permettent d’institutionnaliser l’expérience, de préserver ce qui fonctionne et d’améliorer continuellement l’exécution. L’avantage concurrentiel réside dans ces apprentissages.

Changement de la logique économique, des transactions à la valeur composée

Les performances de l’IA étaient auparavant évaluées en fonction de l’impact immédiat, de la réduction des coûts, de l’accélération de l’exécution et de la précision des tâches. Ces mesures sont adaptées aux systèmes transactionnels à court terme. Les agents à long terme modifient le calcul. Leur valeur augmente avec le temps grâce à l’apprentissage accumulé et à l’amélioration de la continuité. Mesurer uniquement la vitesse et le coût sous-évalue ce qu’ils apportent. Ces agents doivent être évalués en fonction de la quantité de travail supplémentaire qu’ils éliminent, de l’efficacité avec laquelle ils préservent le contexte et de la fiabilité avec laquelle ils tirent des enseignements des opérations en cours.

Pour les chefs d’entreprise, ce changement exige une nouvelle façon d’évaluer le retour sur investissement. L’accent n’est plus mis sur de brèves poussées de productivité, mais sur la capacité de l’IA à développer des connaissances institutionnelles dont la valeur s’accroît. Un système qui apprend les schémas opérationnels, les comportements des clients et les exceptions aux processus devient un atout plutôt qu’un outil jetable. Au fil des mois et des années, l’intelligence accumulée permet de prendre des décisions plus éclairées, de gérer les risques de manière plus intelligente et d’obtenir des performances plus régulières, autant d’éléments qui renforcent les marges.

En termes financiers, l’effet d’accumulation est significatif. Les agents à long terme peuvent absorber la complexité de la routine et libérer l’expertise humaine pour des tâches de plus haut niveau. Il ne s’agit pas seulement de réduire les coûts, mais aussi d’amplifier l’impact du jugement des experts. Des fonctions telles que l’approvisionnement, la conformité ou les opérations avec les clients passent du statut de centres de coûts à celui de moteurs de la connaissance. Le savoir organisationnel, qui dépendait auparavant des employés individuels, devient une capacité conservée, intégrée dans le système lui-même.

Pour les dirigeants, la conclusion est claire : les cadres d’évaluation de l’IA doivent évoluer. La question principale n’est plus « Quelle quantité de travail cet outil peut-il automatiser aujourd’hui ? », mais « Quelle quantité d’intelligence opérationnelle ce système peut-il accumuler au fil du temps ? ». Il s’agit désormais de savoir « Quelle intelligence opérationnelle ce système peut-il accumuler au fil du temps ? » Les organisations qui mesurent et optimisent la valeur ajoutée verront l’IA passer d’une couche de support à un moteur central de résilience et de croissance.

La persistance augmente les enjeux de la gouvernance

Lorsque les agents d’IA commencent à fonctionner en continu, les exigences en matière de gouvernance augmentent considérablement. Un système persistant accumule les décisions, les données et le contexte au fil du temps. Sans une conception minutieuse, cette mémoire peut devenir obsolète ou contradictoire, ce qui crée de la confusion et des risques. Les autorisations et les mesures de protection deviennent également plus complexes. Plus un agent fonctionne longtemps, plus le risque potentiel est élevé si les contrôles d’accès échouent ou si des données sensibles sont divulguées. Pour éviter cela, les organisations ont besoin de protocoles solides pour l’hygiène de la mémoire, la surveillance des données et les contrôles correctifs.

Les entreprises doivent définir clairement les limites de ce que les agents peuvent mémoriser, le moment où ils peuvent récupérer des informations et la manière dont les décisions sont enregistrées et vérifiées. Les systèmes doivent prendre en charge les retours en arrière, la neutralisation humaine et la visibilité de la piste de décision. Une observabilité efficace devient essentielle. Sans elle, les entreprises risquent de commettre des erreurs opérationnelles qui pourraient passer inaperçues dans des systèmes interconnectés.

Pour les dirigeants, il y a également une couche stratégique à prendre en compte : la propriété des connaissances institutionnelles. Si des agents de longue date opèrent entièrement au sein de la plateforme d’un fournisseur, l’organisation risque d’externaliser son intelligence interne. L’historique des négociations, les informations sur les performances et les modèles de décisions stratégiques pourraient se retrouver bloqués dans des systèmes que l’entreprise ne contrôle pas. Intégrer la flexibilité dans l’architecture dès le départ, en assurant la portabilité de la mémoire et la transparence de la gouvernance, est une garantie de compétitivité autant qu’une mesure de conformité.

L’avenir de la gouvernance de l’IA dépendra de l’équilibre : donner aux agents suffisamment d’autonomie pour agir efficacement tout en maintenant une visibilité totale et un contrôle humain. Les entreprises qui comprennent rapidement cet équilibre établiront de nouvelles normes pour la confiance opérationnelle dans les systèmes intelligents. Celles qui l’ignorent seront confrontées à un risque plus élevé et à un contrôle moindre de leur actif émergent le plus précieux, à savoir les connaissances institutionnelles persistantes.

Prochaines étapes stratégiques pour les organisations

La plupart des organisations ne sont pas prêtes à déployer à grande échelle des agents d’intelligence artificielle de longue durée. C’est normal. Les systèmes sont encore en cours de développement et de nombreux flux de travail d’entreprise ne sont pas encore optimisés pour la continuité. La meilleure approche consiste à commencer à petite échelle, avec des processus qui échouent déjà en raison d’une perte de contexte ou de reprises répétées. Il s’agit notamment des remontées complexes des clients, de la gestion des dossiers juridiques, des cycles d’approvisionnement et de la coordination clinique. Chacun de ces domaines bénéficie immédiatement de systèmes qui se souviennent du contexte accumulé et agissent en conséquence, au lieu de recommencer à chaque tâche.

Les dirigeants devraient considérer ces premiers déploiements comme des expériences structurées. L’objectif n’est pas l’automatisation à court terme, mais une continuité fiable du travail. Avant de passer à l’échelle supérieure, les entreprises doivent établir des cadres de contrôle solides dès le départ. Cela inclut des autorisations pour l’accès aux données, des outils de surveillance pour la performance et la qualité, et des voies d’escalade prédéfinies pour la supervision humaine. Au fur et à mesure des performances des agents, l’accent doit être mis non plus sur les résultats à court terme, mais sur le comportement d’apprentissage, c’est-à-dire sur la manière dont les systèmes retiennent les informations, s’adaptent aux nouvelles données et améliorent leur précision grâce à une exposition répétée.

Cette phase requiert de nouvelles normes d’évaluation. Les responsables doivent évaluer si les agents peuvent conserver une mémoire opérationnelle, faire preuve d’un jugement cohérent et suivre de manière fiable les tâches à long terme. Considérez ces systèmes comme des participants en développement qui assument progressivement plus de responsabilités au fur et à mesure que la confiance s’installe. Avec le temps, les tâches qui nécessitaient un suivi manuel peuvent être confiées à des agents de longue date qui ont prouvé leur fiabilité.

Pour les dirigeants, la stratégie à long terme consiste à concevoir l’organisation autour de la continuité. Cela signifie qu’il faut considérer l’IA non pas comme un plugin, mais comme un élément du tissu opérationnel, partageant les données, les objectifs et la responsabilité avec les équipes humaines. Les entreprises qui s’engageront les premières dans cette voie développeront des flux de travail résilients et en apprentissage continu qui offriront des performances et une agilité accrues. L’avantage concurrentiel ne résultera pas uniquement de la vitesse, mais de la profondeur de la compréhension, de systèmes qui se souviennent, raisonnent et s’améliorent au fur et à mesure qu’ils s’engagent dans l’organisation.

Investir maintenant pour expérimenter, apprendre et affiner ce nouveau modèle opérationnel déterminera qui sera à la tête de la prochaine phase de transformation induite par l’IA. Les organisations qui agiront tôt profiteront des avantages de l’automatisation et jetteront les bases d’une intelligence composée dans toutes les fonctions qu’elles exercent.

Dernières réflexions

L’IA est entrée dans une nouvelle phase. Elle n’est plus seulement un outil permettant d’automatiser des tâches isolées ; elle devient un opérateur continu qui apprend, s’adapte et se renforce à l’usage. Les agents à long terme marquent le point où la technologie commence à avoir une véritable valeur institutionnelle, en capturant le jugement, la mémoire et la pratique qui étaient autrefois limités aux individus.

Pour les décideurs, ce changement exige plus qu’une simple adoption technique. Elle exige un changement structurel dans la manière dont les organisations conçoivent, gouvernent et mesurent leurs opérations. La performance ne sera pas définie uniquement par des gains rapides ou des économies de coûts, mais par l’efficacité avec laquelle les systèmes préservent le contexte, s’améliorent au fil du temps et enrichissent les connaissances.

Les dirigeants qui agissent rapidement établiront la norme en matière d’intelligence opérationnelle, en déployant une IA qui se souvient, raisonne et crée de la valeur longtemps après sa mise en œuvre. Ceux qui attendent se retrouveront à reconstruire ce que les systèmes persistants comprennent déjà. L’opportunité est là : construire des organisations qui apprennent en permanence, exécutent de manière cohérente et deviennent plus compétentes à chaque cycle de travail.