L'adoption de l'IA agentique augmente — et le travail de nettoyage aussi

L’IA agentique fait avancer le travail plus vite, mais le temps que les gens passent à vérifier et corriger ses résultats augmente aussi.

Les entreprises déploient l’IA agentique — avec des agents d’IA (des programmes qui accomplissent seuls des tâches en plusieurs étapes pour l’utilisateur) — dans le travail quotidien plus vite qu’avant. Un article du Guardian du 13 octobre et plusieurs enquêtes pointent le même avertissement : sans préparation, les gens finissent par corriger des sorties de mauvaise qualité et des erreurs, et le temps passé à vérifier et réécrire peut dépasser le temps gagné.

Pour les développeurs, les questions habituelles sont deux : Les emplois se réduisent-ils ? et Le travail devient-il plus dur ? Ce que montrent les preuves pour l’instant, c’est moins « le métier a disparu du jour au lendemain » que un ralentissement des embauches et de la croissance de l’emploi, avec ceux qui restent qui assument plus de revue et de nettoyage.

L’adoption monte ; la pleine autonomie reste rare

Le 2026 AI Adoption Report de Wharton et GBK Collective indique qu’environ deux tiers (67 %) des départements interrogés utilisent des agents d’IA sous une forme ou une autre.
Seuls 17 % laissent un agent terminer une tâche sans qu’une personne approuve chaque étape. La plupart approuvent étape par étape, ou prennent des brouillons et suggestions en gardant la décision finale humaine.
Dans un sondage Gartner de janvier 2025 auprès de 3 412 participants à un webinaire, 19 % ont dit que leur organisation avait fait des investissements importants en IA agentique et 42 % des investissements conservateurs. Beaucoup des autres attendaient ou étaient incertains.
En juin 2025, Gartner a prévu que plus de 40 % des projets d’IA agentique pourraient être annulés d’ici fin 2027 à cause de coûts en hausse, d’une valeur métier floue ou de contrôles de risque faibles. C’est une prévision, pas un taux d’échec mesuré.
Gartner a aussi mis en garde contre le agent washing : étiqueter des chatbots ou de la RPA (automatisation scriptée qui répète des tâches fixes) comme agents. Elle estime qu’environ 130 seulement des milliers de fournisseurs « agentiques » sont le vrai produit.

Le temps gagné revient en vérification et nettoyage

Le Work AI Institute de Glean a interrogé 6 000 travailleurs numériques à temps plein aux États-Unis, au Royaume-Uni et en Australie entre décembre 2025 et janvier 2026 pour son Work AI Index. Les chiffres montrent le paradoxe.

87 % des travailleurs numériques utilisent l’IA au travail et disent que l’automatisation seule leur fait gagner environ 11 heures par semaine.
Seuls 13 % disent que la performance de leur entreprise s’est nettement améliorée.
Entre les deux, les gens passent en moyenne 6,4 heures par semaine au botsitting : nourrir l’IA en contexte, vérifier les sorties, déboguer les erreurs, nettoyer le travail fait par l’IA et passer d’un outil à l’autre. Le rapport appelle cela le travail caché qui rend l’IA utilisable.
Quand la vérification devient écrasante, les gens la sautent. 69 % des utilisateurs d’IA ont admis avoir fait du botshitting — livrer du travail IA qu’ils n’avaient pas revu ou pas pleinement compris. 41 % ont dit avoir livré un travail qu’ils ne pouvaient pas expliquer si on leur demandait.
Selon la couverture de CIO, Glean dit que les personnes qui utilisent plusieurs agents d’IA sont plus susceptibles de sauter les contrôles, car les agents peuvent enchaîner beaucoup d’étapes à la fois et l’erreur peut n’apparaître que plus tard.

Une enquête Adaptavist auprès de 2 500 travailleurs du savoir (d’après le Guardian et CIO) a trouvé que 42 % passent plus de temps à vérifier les sorties IA qu’ils n’en gagnent en l’utilisant.

Plus de code, revue humaine plus difficile

Dans les équipes d’ingénierie, ce nettoyage apparaît comme un goulot de revue de code : le volume de changements écrits par agents prêts pour la production dépasse le temps dont les gens disposent pour les lire et les juger.

Une étude des chercheurs de Harvard Fiona Chen et James Stratton, à partir d’analyses d’ingénierie Jellyfish sur plus de 700 sociétés logicielles (2021 à mars 2026) et rapportée par Ars Technica en octobre 2026, a trouvé qu’après l’introduction d’agents de coding IA, en moyenne :

Les lignes de code ont augmenté d’environ 30 %, les commits d’environ 20 %, et les pull requests (PR — demandes de changement avant fusion dans la ligne principale) d’environ 23 %.
Les mesures de sortie logicielle terminée, comme les taux d’achèvement d’issues et d’epics, n’ont pas augmenté de façon claire et statistiquement significative.
Le temps de revue moyen de l’ouverture de la PR à la fusion a augmenté de 49 %. La part des PR avec demandes de changement a presque doublé, et les commentaires par PR ont augmenté d’environ 35 %.
La part des personnes faisant de la revue de code a augmenté d’environ 14 %. Les chercheurs ont dit ne pas pouvoir clairement attribuer des coupes d’emploi à l’IA dans ces données. Un coding plus rapide a déplacé le travail vers la vérification humaine.
En mars 2026, environ 80 % des entreprises mesurées utilisaient une forme de revue de code IA, mais l’IA ne représentait qu’environ 23 % des commentaires de revue et environ 11 % des PR. Les humains faisaient encore l’essentiel.

Les réductions d’effectifs aggravent le goulot. Le rapport de juin de Challenger, Gray & Christmas a compté 101 743 annonces de licenciements aux États-Unis citant l’IA de janvier à juin 2026, soit environ 23 % de toutes les suppressions annoncées. Cela compte les raisons données par les entreprises, qui peuvent différer des causes réelles. Les licenciements ne prouvent pas la productivité de l’IA. Une étude de l’University of Pittsburgh citée par le Guardian a conclu que la productivité n’avait pas augmenté après que des entreprises aient investi dans l’IA et réduit les effectifs.

Meta montre la tension. Reuters a rapporté que un plan interne appelé Project OT a exploré de couper certaines équipes jusqu’à 60 % et de remplacer le travail quotidien par des agents, puis qu’une vague supplémentaire de coupes après la restructuration de mai a été abandonnée. Des publications internes citées dans les reportages disaient que les changements de code avaient augmenté de 220 % tandis que les améliorations de fonctionnalités atteignant les utilisateurs n’avaient augmenté que de 36 %, et que le temps passé à combattre les incidents techniques et de sécurité avait augmenté jusqu’à 70 %. La génération a grandi ; les personnes et le temps pour lire le code et arrêter les incidents n’ont pas suivi.

Le rapport d’ingénierie Faros 2026 (données vendeur d’environ 22 000 développeurs sur sa plateforme) a dit que le temps de revue médian avait augmenté de 5× et que les PR fusionnées sans revue avaient augmenté de 31 %. Ce sont des données vendeur, pas une étude indépendante, mais la direction — plus de génération, capacité de revue humaine plus tendue — rejoint les résultats Jellyfish et la couverture Meta.

Ce que des déploiements précipités ont coûté à Meta et Microsoft

Le Guardian (13 oct.) a rassemblé des cas d’entreprises qui ont activé l’IA vite, puis limité l’usage ou augmenté la formation à cause d’erreurs, de travail de mauvaise qualité, de risque de sécurité et de coûts.

Meta : Le Project OT et les chiffres de code et d’incidents ci-dessus reposent sur Reuters (26 août 2026) et Ars Technica. Des publications internes ont aussi averti que les agents d’IA avaient pris « des actions à grande échelle, disruptives, que des humains sont peu susceptibles d’exécuter », et que les incidents techniques et de sécurité majeurs avaient augmenté de 40 % d’une année sur l’autre. Meta a refusé de commenter ces chiffres internes. Selon la couverture, Mark Zuckerberg a dit lors d’un town hall en juillet que les progrès agentiques ne s’étaient pas accélérés comme prévu.
Microsoft : Selon le Guardian, Kathleen Hogan a dit que déployer des outils, former et pousser l’usage n’avait pas suffi à changer la façon de travailler ; il fallait repenser le processus lui-même. Ryan Roslansky a publiquement mis en garde contre une « doom loop » où l’IA écrit un document, l’IA le résume, et il ne reste aucune pensée nouvelle (Guardian seul ; original non vérifié).

Les emplois reculent-ils, et le travail devient-il plus dur ?

Emplois. Un working paper de la Federal Reserve de mars 2026 trouve qu’après le lancement de ChatGPT en novembre 2022, la croissance de l’emploi des codeurs (métiers lourds en programmation) a fortement ralenti. Après contrôle des chocs sectoriels, la croissance annuelle était d’environ 3 points de pourcentage plus basse qu’avant. Le même papier dit que l’emploi des codeurs continue de croître. C’est plus proche de « ne croît pas aussi vite qu’avant » que de « les emplois ont disparu ».

D’autres recherches présentées au NBER sur l’adoption de GitHub Copilot ont trouvé des signaux d’environ 36 % de baisse des embauches techniques chez les entreprises adoptantes, le coup portant surtout sur moins de nouvelles embauches plutôt que des licenciements massifs des personnes en place. L’étude Jellyfish n’a pas trouvé de baisse d’emploi claire juste après les agents dans son échantillon d’entreprises.

Le décompte Challenger des licenciements citant l’IA (101 743 annonces jusqu’en juin) et la restructuration de Meta se placent à côté de ce ralentissement des embauches et ce réaménagement. Les portées diffèrent ; il est trop tôt pour tout réduire à « l’IA a remplacé les emplois de développeurs ».

Intensité. Ici les preuves sont plus claires. 6,4 heures de botsitting, temps de revue +49 %, nettoyage d’incidents Meta +70 % pointent dans le même sens. Le temps à écrire du code peut baisser tandis que le temps à lire, corriger et assumer les changements faits par agents augmente. Si on coupe les effectifs ou on gèle les embauches tout en faisant monter la génération, les développeurs restants absorbent la revue et le nettoyage. Pour les développeurs aujourd’hui, l’adoption de l’IA ressemble moins à « votre siège a disparu » et plus à « la même équipe doit vérifier plus de changements, et la porte des embauches peut être plus étroite qu’avant ».

Ce que nous n’avons pas pu confirmer, ou ne devons pas exagérer

« L’adoption de l’IA agentique explose partout » correspond à des enquêtes par département (Wharton 67 %) et à l’intention d’investissement (Gartner), pas à un taux mesuré de déploiement en production dans le monde.
Les chiffres Meta +40 % d’incidents, +70 % de temps de nettoyage et +220 % de changements de code viennent de publications internes que Reuters a examinées ; Meta ne les a pas confirmés officiellement.
Jellyfish a trouvé peu de preuves que l’IA ait réduit l’emploi. Le décompte Challenger des licenciements liés à l’IA, la restructuration Meta et le ralentissement Fed de la croissance des codeurs sont des jeux de données différents, pas le même résultat répété.
Les « environ 3 points de pourcentage » de la Fed sont un ralentissement du taux de croissance, pas une baisse de 3 % du total des effectifs. Le −36 % d’embauches Copilot est limité à un échantillon d’adopteurs et un timing de contrats précis.
Les « 40 % annulés d’ici 2027 » de Gartner sont une prévision.
Les 5× de temps de revue et +31 % de PR non revues de Faros sont des données vendeur.
Nous n’avons pas pu ouvrir l’article du Guardian lui-même. Les propos de la direction de Microsoft et l’étude de l’University of Pittsburgh ne reposent que sur le reportage du Guardian ; nous n’avons pas pu les comparer aux originaux. Le chiffre de Challenger vient du rapport primaire, celui d’Adaptavist de la couverture de l’enquête.

Ce qui pourrait changer pour les développeurs

Ce qui suit est notre estimation et nos conseils d’après les reportages. Cela ne ressemble pas à la disparition du jour au lendemain de tous les emplois de développeurs. Les embauches peuvent devenir plus dures, et le travail quotidien peut pencher davantage vers la revue et le nettoyage.

Commencer petit sur les permissions des agents. Refuser par défaut les actions difficiles à annuler en production — fusion, déploiement, accès aux données clients, appels API sortants — et ouvrir progressivement des listes d’autorisation.
Mesurer la revue réussie, pas le temps de frappe. Si l’on juge le succès au nombre de lignes de code ou de documents produits, on peut obtenir une croissance façon Meta des changements et des incidents. Suivre les taux de tests réussis, les rollbacks, les problèmes de sécurité et les défauts captés en revue.
Ne pas réduire le personnel de revue pendant le déploiement d’agents. Les études montrent que plus de lignes et de PR viennent avec plus de temps de revue. Couper les gens d’abord risque plus de fusions non revues et plus de nettoyage d’incidents.
Journaliser les étapes intermédiaires. Quand un agent enchaîne des outils, manquer le point de défaillance rend le nettoyage coûteux. Garder des journaux d’actions et des enregistrements étape par étape que l’on peut rejouer.
Budgéter le temps de revue humaine. Le chiffre de 6,4 heures de botsitting ne s’applique pas à chaque équipe, mais supposer que « l’IA s’en occupe » et couper les relecteurs peut créer une double charge.
Écrire seul est un avantage plus mince. À mesure que les agents rédigent plus, découper les exigences, vérifier les résultats et prévenir les incidents comptent davantage — surtout quand les embauches ralentissent.
Ne pas faire confiance au seul mot « agent ». Certains produits sont des chatbots ou de la RPA rebadgés. Demander s’ils fixent des objectifs, choisissent des outils et gardent un état, ou s’ils ne répondent qu’à une seule invite.

À surveiller ensuite

Les chiffres de suivi Wharton et Glean sur l’usage autonome d’agents et le temps de botsitting, si les annulations de projets agentiques montent comme Gartner l’a prévu, et comment les grandes entreprises formalisent permissions d’agents, journaux d’audit et formation par rôle.