Dans mon article précédent, j'ai écrit que l'IA agentique est d'abord devenue une réalité dans le développement logiciel. Non pas parce que les développeurs étaient les seuls à pouvoir bénéficier des agents, mais parce que le développement logiciel a été le premier environnement où les agents ont trouvé les bonnes conditions pour fonctionner. Le travail est numérique. Les outils sont programmables. Les boucles de rétroaction sont claires. Le résultat peut être examiné par le biais de tests, de diffs, de builds et de commits.

Ce fut le premier véritable impact commercial de l'IA agentique. Les agents de codage ont progressé plus vite que prévu car ils n'ont pas seulement aidé les développeurs à écrire de meilleurs prompts. Ils ont changé la façon dont les développeurs travaillent. Le développeur a commencé à passer de l'écriture manuelle de chaque ligne à la définition de l'objectif, l'examen du résultat, la vérification de la qualité et la décision de ce qui devait être fusionné.

Je pense que ce modèle commence maintenant à dépasser le cadre du développement logiciel. Pas partout à la même vitesse. Pas sans limites. Mais la direction devient claire. Ce qui s'est d'abord produit pour les développeurs de logiciels arrive maintenant pour de nombreux flux de travail de cols blancs au sein des entreprises.

C'est la suite importante de l'histoire. Les agents d'IA ne sont plus seulement un sujet de codage. La même logique commence à apparaître dans la finance, le travail juridique, la gestion des propositions, le support client, la recherche interne, le reporting, la conformité, l'ingénierie, les achats et les opérations.

La question n'est plus seulement : « Un agent peut-il écrire du code ? » La question devient : « Un agent peut-il exécuter une partie d'un processus métier, en utilisant les bonnes connaissances, les bons outils et le bon niveau de contrôle humain ? » C'est un changement beaucoup plus important.

Le codage était un environnement initial parfait pour l'IA agentique. Une base de code est complexe, mais elle est aussi structurée. Il y a des fichiers, des dépendances, des tests, des logs, des systèmes de build, de la documentation, des issue trackers, des pull requests et des processus de révision. Un agent peut lire le dépôt, comprendre une tâche, apporter des modifications, exécuter des commandes, voir les erreurs, les corriger et présenter le résultat à un humain.

C'est pourquoi des outils comme Claude Code, Cursor, le mode agent de GitHub Copilot et OpenAI Codex sont devenus bien plus que de la saisie semi-automatique. Ils ont commencé à agir comme des systèmes d'exécution pour le travail logiciel. Le développeur compte toujours, mais son rôle change. Moins de temps est consacré à l'implémentation répétitive. Plus de temps est consacré à la définition des problèmes, à la révision, à l'architecture, aux compromis et au contrôle qualité.

La véritable leçon n'est pas que le codage est spécial pour toujours. La véritable leçon est que les agents fonctionnent mieux lorsque l'environnement de travail leur donne une structure. Ils ont besoin d'entrées, d'outils, de retours d'information, de contraintes et d'un moyen de vérifier le résultat. Le codage possédait ces éléments plus tôt que la plupart des fonctions commerciales.

Ce n'était pas le cas de nombreux flux de travail d'entreprise. Ils étaient cachés dans des e-mails, des feuilles de calcul, des disques partagés, d'anciens documents, des réunions, des approbations et des connaissances informelles. C'est pourquoi les agents commerciaux ont été plus lents. Le problème n'était pas seulement le modèle. Le problème était l'environnement autour du modèle.

Mais cela commence à changer.

Le signal le plus fort en 2026 est que les grands acteurs de l'IA n'annoncent plus seulement des modèles plus intelligents. Ils annoncent des agents et des systèmes qui s'intègrent dans des environnements de travail réels. C'est le véritable changement. Le modèle devient une partie d'une couche d'exécution plus vaste.

Mistral pousse dans cette direction dans l'ingénierie industrielle et l'IA du monde physique. Lors de son sommet AI Now en mai 2026, Mistral a annoncé « Mistral for Industrial Engineering », en mettant l'accent sur les modèles physiques, l'expertise en ingénierie, la robotique, la simulation et les flux de travail industriels critiques. L'entreprise a également acquis Emmi AI pour renforcer la simulation en temps réel, les jumeaux numériques et l'accélération des flux de travail d'ingénierie.

C'est important car cela montre que l'IA quitte l'interface textuelle. Elle ne se contente plus de rédiger des e-mails ou de répondre à des questions. Elle s'oriente vers la conception, la simulation, la fabrication, les opérations et l'optimisation des actifs. Dans ce monde, les agents d'IA ne génèrent pas seulement du texte. Ils aident les ingénieurs à explorer plus d'options, à simuler plus rapidement et à prendre de meilleures décisions opérationnelles.

Google montre une autre version de la même tendance. Ses annonces de 2026 visent à intégrer l'IA dans les surfaces où les gens travaillent déjà : Search, Workspace, Android, les outils de développement et les plateformes cloud. Google AI Studio se connecte désormais directement à Workspace, de sorte que les créateurs peuvent concevoir des outils en utilisant Sheets, Drive, des documents et des données d'équipe sans quitter l'environnement où le travail a déjà lieu.

Google a également introduit des agents d'IA dans Search, avec des expériences plus agentiques construites autour de la pose de questions, de la surveillance des informations et de la prise de mesures. C'est un signal fort. L'adoption de l'IA ne se fera pas seulement par le biais de nouvelles applications autonomes. Elle se fera également parce que l'IA est intégrée aux outils que les gens utilisent déjà tous les jours.

Anthropic est un autre exemple clair. Claude Code a commencé comme un agent de codage, mais Anthropic étend désormais les flux de travail agentiques aux services financiers. Ses agents financiers peuvent travailler avec Claude Cowork et Claude Code, et Anthropic décrit des flux de travail où les agents aident à créer des modèles financiers dans Excel, des pitchbooks dans PowerPoint et des notes clients dans Outlook, les humains continuant d'examiner et d'approuver le travail.

C'est exactement le prolongement de l'histoire du codage. Une fois qu'un agent peut lire des fichiers, utiliser des outils, suivre des instructions, appeler des systèmes externes et préparer des résultats structurés, il n'est plus seulement un outil de développement. Il devient une couche d'automatisation générale pour le travail du savoir.

Cela ne signifie pas que chaque col blanc devient un développeur. Là n'est pas la question. Mais de nombreux flux de travail de cols blancs ressemblent de plus en plus à des flux de travail logiciels du point de vue de l'agent.

Ils ont des entrées. Ils ont des règles. Ils ont des documents. Ils ont des modèles. Ils ont des systèmes d'enregistrement. Ils ont des étapes d'approbation. Ils ont des contrôles de qualité. Ils ont des modèles répétés. Ils ont des résultats qui peuvent être examinés.

Un analyste financier construit des modèles, vérifie des hypothèses, prépare des diapositives et rédige des commentaires. Une équipe juridique examine des clauses, compare des contrats, vérifie des politiques et prépare des recommandations. Une équipe de proposition répond à des questionnaires, réutilise des réponses précédentes, vérifie la conformité et prépare les soumissions finales. Une équipe de support client recherche des connaissances, classe les problèmes, rédige des réponses et fait remonter les exceptions.

Ces flux de travail ne sont pas faciles. Ils impliquent du jugement, du contexte et des risques. Mais ils comprennent également de nombreuses étapes d'exécution répétées. C'est là que les agents peuvent créer de la valeur. Non pas en remplaçant l'ensemble du travail, mais en prenant en charge des parties de l'exécution.

Le même changement de rôle que nous avons observé dans le développement logiciel peut se produire ici. L'humain devient moins un opérateur manuel et plus un superviseur, un réviseur et un décideur. L'humain définit l'objectif, vérifie le résultat, gère les exceptions et reste responsable.

C'est un grand changement. Cela explique également pourquoi le mot « copilot » devient moins précis. Un copilote vous aide à travailler. Un agent commence à faire une partie du travail sous votre contrôle. Cette différence est importante.

Cela n'est pas seulement visible dans les annonces de produits. Les recherches des analystes vont également dans le même sens. Gartner prédit que jusqu'à 40 % des applications d'entreprise incluront des agents d'IA spécifiques à des tâches d'ici 2026, contre moins de 5 % en 2025. Gartner présente cela comme un abandon des interfaces traditionnelles centrées sur le clavier au profit d'agents intégrés spécifiques à des tâches au sein des applications d'entreprise.

McKinsey apporte un équilibre utile. Son enquête mondiale sur l'IA de 2025 indique que 88 % des organisations utilisent désormais l'IA dans au moins une fonction commerciale, mais qu'environ un tiers seulement déploient l'IA à l'échelle de l'entreprise. Pour l'IA agentique, 23 % des personnes interrogées déclarent la déployer quelque part dans l'entreprise, tandis que 39 % l'expérimentent.

Cela signifie que le marché est actif, mais pas mature. De nombreuses entreprises font des tests. Moins d'entreprises repensent les flux de travail. Cette différence est importante. Utiliser l'IA n'est pas la même chose que changer la façon dont le travail est effectué.

Le rapport 2026 State of AI in the Enterprise de Deloitte soutient également ce changement. Deloitte rapporte que 85 % des entreprises prévoient de personnaliser des agents pour leurs besoins commerciaux. Il indique également que 58 % des entreprises utilisent déjà l'IA physique et que 83 % considèrent l'IA souveraine comme importante pour la planification stratégique.

Le message est assez clair. La prochaine phase de l'IA n'est pas un chat générique pour tout le monde. Ce sont des agents spécialisés au sein de flux de travail spécifiques, avec personnalisation, gouvernance et contexte commercial.

C'est là que de nombreuses entreprises font une erreur. Elles voient les agents comme un chatbot plus intelligent. Mais un chatbot ne suffit pas pour la plupart des flux de travail d'entreprise.

Un chatbot peut répondre à une question. Un agent commercial doit accomplir une tâche au sein d'un processus. Cela signifie qu'il a besoin d'accéder aux bonnes connaissances, mais aussi aux bonnes autorisations, aux bons outils, à la bonne structure et aux bonnes étapes de révision.

Par exemple, répondre à un questionnaire RFx n'est pas seulement une tâche de rédaction. Cela nécessite d'anciennes réponses, de la documentation produit, des politiques de sécurité, des contraintes juridiques, un contexte de tarification, des fichiers Excel, des exigences clients et l'approbation de différentes personnes. Un chatbot générique peut rédiger du texte, mais il ne peut pas gérer de manière fiable l'ensemble du processus seul.

Il en va de même dans les finances, le juridique, les RH, les achats et les opérations. Le travail n'est pas seulement une question de langage. C'est un processus. Et un processus a besoin de structure.

C'est pourquoi les agents d'entreprise ont besoin de plus qu'un bon modèle. Ils ont besoin d'être ancrés dans les connaissances de l'entreprise. Ils ont besoin d'orchestration. Ils ont besoin de traçabilité. Ils ont besoin de citations. Ils ont besoin de contrôle des coûts. Ils ont besoin de validation humaine. Ils ont besoin de limites de tâches claires.

Un agent générique qui « essaie des choses » est risqué. Un agent de flux de travail de niveau production doit savoir ce qu'il peut faire, ce qu'il ne peut pas faire et quand un humain doit intervenir.

Le modèle utile devient plus clair.

Premièrement, les entreprises doivent comprendre le flux de travail. Quel est l'objectif ? Quelles sont les entrées et les sorties ? Quelles parties sont répétitives ? Quelles parties nécessitent du jugement ? Où sont les risques ? Qui prend la décision finale ?

Deuxièmement, l'agent doit être ancré dans les connaissances de l'entreprise. Cela inclut les documents, les politiques, les travaux antérieurs, les modèles, les données structurées, les décisions et les règles métier. Sans cet ancrage, l'agent produira des réponses génériques. Dans le travail en entreprise, les réponses génériques sont souvent inutiles.

Troisièmement, le flux de travail doit être orchestré. L'agent doit récupérer des informations, utiliser des outils, générer un résultat, le vérifier et l'acheminer pour révision. C'est différent d'un prompt. C'est une séquence d'actions contrôlée.

Quatrièmement, les humains doivent rester dans la boucle là où la responsabilité est importante. Ce n'est pas une faiblesse. C'est la façon dont le travail en entreprise fonctionne réellement. Le but n'est pas de supprimer le jugement. Le but est de supprimer le travail manuel à faible valeur ajoutée avant que le jugement ne soit appliqué.

Cinquièmement, l'impact doit être mesuré. Le gain de temps est important, mais ce n'est pas la seule mesure. Les entreprises doivent également mesurer la qualité des réponses, la diminution des erreurs, l'accélération des cycles, la meilleure réutilisation des connaissances, la réduction des coûts opérationnels et le renforcement de la conformité.

C'est là que l'IA agentique devient sérieuse. Non pas lorsqu'elle peut impressionner quelqu'un lors d'une démo, mais lorsqu'elle peut améliorer un flux de travail de manière répétée.

La réponse aux RFx est un bon exemple de cette nouvelle phase. C'est un flux de travail de cols blancs avec de nombreuses tâches répétées, mais aussi de nombreuses contraintes. Ce n'est pas de la simple automatisation.

Une équipe de proposition doit lire la demande du client, comprendre les exigences, trouver les bonnes réponses, réutiliser le contenu passé, adapter le langage, remplir des questionnaires Excel ou sur un portail, vérifier la conformité, impliquer des experts et soumettre la réponse finale. C'est exactement le genre de travail où un chatbot générique atteint ses limites.

Un flux de travail agentique peut aider bien davantage. Il peut récupérer les bonnes connaissances internes, préserver la structure du questionnaire, suggérer des réponses ancrées, citer des sources, signaler les informations manquantes et préparer un brouillon pour une révision humaine. L'équipe reste propriétaire de la réponse finale. Mais le travail manuel est réduit.

C'est aussi pourquoi MyFAQ.ai s'inscrit naturellement dans cette évolution du marché. Le but n'est pas de vendre « un chatbot de plus ». Le but est d'aider les entreprises à transformer leurs connaissances internes en réponses utilisables, traçables et révisables au sein de véritables flux de travail commerciaux. Le RFx n'est qu'un exemple, mais il illustre très bien la logique plus large.

La même logique peut s'appliquer aux questionnaires de sécurité, aux questions de politique interne, au support client, à la documentation technique, à l'intégration, à la réception de demandes juridiques et à de nombreux autres processus riches en connaissances.

À mesure que les agents passent de la réponse à l'action, les risques augmentent. C'était moins visible lorsque l'IA était principalement utilisée pour rédiger du texte. Mais lorsque les agents peuvent accéder à des systèmes, utiliser des fichiers, envoyer des messages, mettre à jour des documents ou déclencher des flux de travail, la gouvernance devient beaucoup plus importante.

Les entreprises doivent réfléchir aux autorisations, aux pistes d'audit, aux limites des données, à la qualité des sources, aux droits d'approbation et à la surveillance. Elles doivent également éviter de donner trop d'autonomie aux agents trop tôt.

C'est pourquoi la prochaine phase ne sera pas remportée par la démo la plus impressionnante. Elle sera remportée par des systèmes suffisamment fiables pour le travail réel. La question pour l'entreprise n'est pas seulement : « L'agent peut-il le faire ? » C'est aussi : « Pouvons-nous faire confiance à la façon dont il l'a fait ? »

C'est la même leçon que pour le codage. Les développeurs n'ont pas arrêté de réviser le code parce que les agents se sont améliorés. Au contraire, la révision est devenue plus importante. Il en ira de même dans les fonctions commerciales. L'IA se chargera d'une plus grande partie de l'exécution, mais les humains auront besoin de meilleurs moyens pour examiner, valider et contrôler le résultat.

La vague des agents de codage nous a montré la première véritable version de l'IA agentique au travail. Elle a montré que l'IA pouvait aller au-delà de l'assistance et commencer à assumer la responsabilité de certaines parties de l'exécution.

Maintenant, la même idée se propage dans le reste de l'entreprise. Les équipes financières ne demanderont plus seulement à l'IA de résumer des rapports. Elles demanderont aux agents de préparer des modèles, de vérifier des données et de rédiger des documents. Les équipes de proposition ne demanderont plus seulement à l'IA de réécrire des réponses. Elles demanderont aux agents de remplir des questionnaires structurés à partir de connaissances d'entreprise fiables. Les équipes juridiques ne demanderont plus seulement à l'IA d'expliquer des clauses. Elles demanderont aux agents de comparer des documents, d'identifier des risques et de préparer des notes de révision.

Cela ne signifie pas que l'IA remplacera tous les cols blancs. Je ne pense pas que ce soit la bonne façon de voir les choses. La meilleure façon est de dire que de nombreux rôles de cols blancs se rapprocheront du nouveau modèle de développeur : définir la tâche, superviser l'agent, examiner le résultat, gérer les exceptions et rester responsable.

C'est une grande transformation. Elle changera les outils, les rôles, les flux de travail et les attentes.

Le premier article expliquait pourquoi le codage a été le premier. Cette deuxième partie explique pourquoi cela ne s'arrêtera pas là.

Les agents d'IA quittent l'environnement des développeurs et entrent dans la couche opérationnelle de l'entreprise. Les entreprises qui en bénéficieront le plus ne seront pas celles qui se contentent d'ajouter un chatbot à chaque équipe. Ce seront celles qui identifieront les flux de travail importants, les repenseront autour d'agents ancrés et conserveront le bon contrôle humain.

C'est là que l'IA devient une réalité pour le travail des cols blancs.

Non pas parce que le modèle est impressionnant.

Parce que le processus s'améliore.t