Agents IA au travail : 8 356 scénarios révèlent où le contrôle cède

Un préprint déposé sur arXiv le 9 août 2026 propose une nouvelle cartographie des risques liés aux agents d’intelligence artificielle au travail. L’équipe a produit 8 356 scénarios prospectifs à partir de 2 078 tâches professionnelles, puis fait examiner 450 d’entre eux par 45 travailleurs de dix métiers ; la version publiée sur arXiv présente une taxonomie de 15 catégories et 44 sous-catégories.

Le résultat ne constitue pas un relevé de 8 356 incidents réels. Il décrit des défaillances plausibles qui peuvent apparaître lorsqu’un agent reçoit un objectif, consulte des données, recommande ou exécute une action, puis laisse à une personne ou à une organisation la charge d’en vérifier et d’en assumer les conséquences. Pour les métiers concernés, la question centrale n’est donc pas seulement de conserver un humain « dans la boucle », mais de vérifier qu’il peut encore comprendre, interrompre et contester le processus.

Des scénarios construits pour anticiper, pas pour mesurer la fréquence des accidents

Les chercheurs sont partis de descriptions de tâches issues d’O*NET, le référentiel professionnel du ministère américain du Travail. Un modèle a généré des risques associés à deux configurations : l’automatisation, dans laquelle l’agent accomplit la tâche sans intervention du travailleur, et l’augmentation, dans laquelle il assiste ce dernier.

La validation humaine ne couvre qu’un échantillon du corpus. Les participants ont évalué des situations correspondant à leur profession selon leur plausibilité, leur adéquation avec la tâche et leur utilité ; l’ensemble a également été noté par un modèle d’une autre famille, avec un contrôle automatisé supplémentaire sur un échantillon. Cette procédure teste la cohérence des scénarios, mais ne permet pas d’établir combien de fois ces défaillances surviennent dans des organisations réelles.

La taxonomie ne repose toutefois pas exclusivement sur les situations générées. Les auteurs y ont aussi intégré des incidents professionnels provenant de bases publiques et des cas de défaillance tirés d’un exercice de mise à l’épreuve multi-agents. Ces éléments observés contribuent à la classification, sans transformer le grand corpus prospectif en registre d’accidents.

Cinq frontières rendent la taxonomie vérifiable au travail

Les catégories de l’étude couvrent les actions de l’agent, ses résultats, les capacités humaines, les conséquences organisationnelles et les effets sociaux. Pour traduire cette classification en contrôles observables avant une délégation, elles peuvent être regroupées autour de cinq frontières. Ce regroupement est une lecture opérationnelle de la taxonomie, et non une seconde classification proposée par les chercheurs.

• Objectif : la finalité assignée, les contraintes et l’indicateur utilisé doivent rester explicites. Un agent peut poursuivre efficacement un objectif de substitution qui contredit l’intention professionnelle réelle.
• Données : le travailleur chargé du contrôle doit pouvoir retrouver les informations d’origine, leur date, leur contexte et les droits d’accès appliqués. Une réponse cohérente peut reposer sur un dossier incomplet ou mal interprété.
• Action : les outils et opérations accessibles à l’agent doivent être délimités. Une autorisation humaine distincte demeure nécessaire lorsque l’action produit un effet externe, engage des ressources ou devient difficile à annuler.
• Validation : l’examinateur doit disposer du temps, des compétences, des pièces sources et du pouvoir de bloquer la décision. Une approbation demandée après l’exécution, ou réduite à un clic routinier, ne constitue pas un contrôle effectif.
• Responsabilité : une personne ou une fonction identifiable doit rester responsable de la décision, de sa traçabilité et d’un éventuel recours. La chaîne de délégation ne doit pas rendre l’erreur impossible à attribuer.

Ces frontières montrent pourquoi la simple présence d’un salarié ne suffit pas. Le contrôle a déjà cédé si l’objectif lui est inaccessible, si les preuves ne peuvent pas être consultées, si l’action est irréversible ou si son désaccord ne peut arrêter le processus.

L’assistance peut affaiblir la capacité même de superviser

Dans le corpus, les actions erronées de l’agent constituent la catégorie la plus représentée. Elles comprennent notamment les mauvaises interprétations du contexte ou de l’intention et les recommandations incorrectes qui en résultent. Le danger ne se limite donc pas à une information manifestement inventée : une sortie peut paraître techniquement solide tout en étant inadaptée au dossier traité.

L’érosion des capacités humaines forme l’autre signal majeur. Lorsque les recommandations paraissent régulièrement fiables, le professionnel peut exercer moins souvent son propre diagnostic, entretenir moins ses compétences et perdre progressivement les moyens de reconnaître une anomalie. L’assistance n’est donc pas automatiquement plus sûre que l’automatisation complète : elle peut déplacer le risque vers le jugement, l’autonomie et la vigilance du travailleur.

Les conséquences diffèrent selon le mode de délégation. L’automatisation fait davantage apparaître des risques pour l’organisation, tels que les interruptions d’activité ou les pertes financières, tandis que l’augmentation concentre davantage les atteintes sur les travailleurs. Cette distinction implique des points d’arrêt différents : contrôle des opérations et de leur réversibilité dans le premier cas, maintien d’une expertise indépendante dans le second.

La méthode circule, mais sa validation indépendante reste limitée

Le travail commence déjà à servir de référence méthodologique : un projet universitaire consacré aux risques de l’AGI au travail cite cette recherche comme modèle pour générer et tester des scénarios ancrés dans des tâches professionnelles. Cette reprise confirme l’intérêt de la méthode, pas l’exactitude de ses résultats ni la fréquence des risques recensés.

Le corpus dépend du choix des tâches, du modèle générateur, des consignes qui lui sont données et des évaluateurs mobilisés. O*NET décrit en outre principalement le marché du travail américain : les métiers, responsabilités juridiques et modes de contrôle peuvent différer dans les pays francophones. La séparation entre automatisation et assistance simplifie aussi des déploiements réels souvent hybrides, répartis entre plusieurs outils et équipes.

Les préférences des travailleurs fixent une autre limite à la délégation

Une étude antérieure apporte un repère distinct : le projet WORKBank sur l’automatisation et l’augmentation a recueilli les préférences de 1 500 professionnels pour plus de 844 tâches couvrant 104 métiers américains. Son échelle d’intervention humaine distingue plusieurs degrés de participation, plutôt qu’un choix binaire entre travail entièrement automatisé et travail sans IA.

Le rapprochement des deux recherches sépare la capacité technique de l’autorisation professionnelle. Un agent peut être capable d’exécuter une opération sans que les personnes concernées souhaitent lui céder la définition du but, l’interprétation du contexte ou la décision finale. La validation humaine reste particulièrement nécessaire lorsque l’action est difficilement réversible, que les données sont ambiguës, que la compétence risque de s’éroder ou que la responsabilité ne peut être clairement attribuée.

À ce stade, la nouvelle taxonomie fournit donc une carte de risques anticipés, pas une mesure définitive des dommages causés par les agents au travail. Il reste à confronter ses catégories à davantage de déploiements, de métiers, de pays et d’incidents documentés pour déterminer lesquels se produisent réellement, à quelle fréquence et sous quelles formes de supervision.