Agents IA : où fixer le contrôle humain

Quand des réponses deviennent des actes, le degré d’autonomie ne peut pas être laissé au hasard. Des chercheurs ont montré que l’infrastructure peut faire diverger 1 000 sorties d’un même modèle. Dans les entreprises, 88 % disent utiliser l’IA en 2025, mais les agents à grande échelle restent rares. Dans la santé, Routine Labs place l’incertitude en conception et garde l’exécution déterministe.

Routine Labs garde l’exécution déterministe et exclut l’IA en production

Routine Labs automatise des processus au sein de logiciels hérités, notamment en santé. L’entreprise affirme utiliser l’IA générative pour créer des automatisations, tandis que les workflows de production suivent une logique enregistrée et répétable. Dans un cas typique, un test sanguin doit être identifié, confronté au consentement du patient et déposé dans l’ePA allemand. Routine Labs précise ne pas utiliser l’IA lors des opérations de production ni transférer de données personnelles aux modèles de langage. Cette répartition concentre l’incertitude au moment de construire l’automatisation, où le processus peut être défini et vérifié, et réserve à l’exécution un comportement prévisible. Les exemples publics de l’entreprise montrent des enchaînements comme la recherche de tests sanguins, la vérification du consentement ePA et le téléversement du document. L’interface rend compte des progrès et exceptions au moyen d’indicateurs de statut, d’historiques d’exécution et d’étapes de révision, sans nécessiter de chatbot. Pour l’utilisateur, l’essentiel est d’identifier l’automatisation en cours, les étapes accomplies, la bonne prise en charge du document et d’éventuels points requérant son attention. Traditionnellement, ces séquences étaient réalisées manuellement par un opérateur, et un agent entièrement autonome tenterait de les interpréter à chaque passage.

Adoption déclarée élevée, agents à grande échelle encore marginaux

Selon l’Index AI de Stanford 2026, 88 % des organisations interrogées déclaraient utiliser l’IA en 2025, contre 55 % en 2023. Malgré cela, le déploiement d’agents IA à grande échelle resterait limité à des chiffres uniques dans la plupart des fonctions métiers. La différence entre adopter un outil d’IA et confier des processus significatifs à des agents opérationnels est centrale. La distance entre une simple rédaction d’e-mail et l’autorisation d’envoi à 4 000 clients illustre ce seuil. Dans ce contexte, l’enjeu d’expérience utilisateur dépasse la seule sophistication apparente de l’interface.

Délimiter l’interprétation : quand garder des règles et des étapes fixes

Un système déterministe suit des règles prédéfinies et produit la même sortie à état égal, tandis qu’un système non déterministe peut varier en conditions semblables. Avec l’IA générative, il est plus pertinent d’évoquer un comportement probabiliste, l’interprétation et l’incertitude. Valider le format d’une adresse e-mail reste une tâche déterministe ; qualifier un message comme plainte, demande de réservation ou de prix exige une interprétation. Si l’IA classe un message comme réservation, elle peut créer un envoi ; si c’est une plainte, elle peut l’escalader ; si c’est une demande de prix, préparer un devis. Dans ces cas, l’utilisateur ne choisit pas explicitement le flux, c’est le système qui le fait. L’idée qu’une autonomie maximale soit toujours préférable est discutée ici : le fait de pouvoir interpréter ne suffit pas à justifier l’exécution automatique de chaque action. Des produits efficaces combinent délibérément des volets déterministes et non déterministes et échouent souvent lorsqu’ils rendent probabiliste ce qui gagnerait à rester un formulaire. Cette vigilance est particulièrement utile aux fondateurs en phase de démarrage : transformer chaque interaction en invite peut sembler avancer, alors qu’un simple formulaire, un flux prédéfini ou un bouton de confirmation convient parfois mieux.

Des sorties variables malgré température nulle : un risque d’infrastructure

Au Thinking Machines Lab, la même invite a été exécutée 1 000 fois avec une température fixée à zéro. Les chercheurs ont observé 80 résultats différents malgré un début identique sur 102 tokens et une divergence au 103e, lorsque le modèle indiquait le lieu de naissance de Richard Feynman. Ces différences sont attribuées à des conditions de traitement serveur. Après une modification d’implémentation, toutes les 1 000 sorties ont pu être alignées. Cette expérience montre qu’au-delà des réglages du modèle, l’infrastructure peut introduire de la variation.

Ce que la nouvelle génération d’outils change pour les flux utilisateurs

Les interfaces transactionnelles classiques s’appuyaient sur des états et des transitions explicitement conçus, illustrés par les étapes séquentielles d’une réservation de vol et des règles gérant paiements, disponibilités et données manquantes. Les outils de conception usuels – des flux utilisateurs aux systèmes de design – ont été bâtis pour ce cadre. Dès 1993, Jakob Nielsen évoquait des interfaces capables d’inférer l’intention, une idée formulée il y a plus de 30 ans mais longtemps peu viable commercialement. La possibilité actuelle d’interpréter des demandes en langage naturel transforme la conception : un utilisateur d’outil de reporting peut formuler une requête en une phrase, et le produit interpréter, comparer des périodes, identifier des motifs et décider d’un rendu. Cette simplification apparente retire des étapes visibles mais introduit des ambiguïtés nouvelles : données incomplètes, définitions contradictoires d’indicateurs, explications plausibles mais fausses. Un flux traditionnel capture mal ces branches, d’autant que les produits opérationnels peuvent impliquer la création de réservations, la mise à jour de dossiers clients ou le déplacement de documents médicaux. C’est précisément lorsque ces réponses deviennent des actions que la décision sur ce qui peut rester imprévisible doit être explicite.