Accueil › Blog › Confier un vrai travail à une IA

Jusqu'où peut-on confier un vrai travail à une IA en 2026 ?

Publié le 25 septembre 2026 · par Amine, AI business analyst en CAC 40 · 7 min de lecture

Trois modèles sont sortis en trois jours, chacun capable de comprendre un client, de préparer une recommandation et d'organiser les suites. Ce qui relevait de la promesse il y a un an est devenu un achat possible dès aujourd'hui. Mais au moment de déléguer, presque personne ne pose la seule question qui compte : est-ce que la machine finit réellement le travail ?

Que savent faire ces nouveaux modèles, concrètement ?

Entre le 22 septembre et la fin du mois, trois laboratoires ont chacun sorti un modèle de pointe. Anthropic a publié Claude Opus 5.5, OpenAI a répliqué quatre-vingt-dix minutes plus tard avec GPT-6 Sol et Luna à moitié prix, et xAI a enchaîné avec Grok 4.7. Trois sorties en quelques jours, c'est déjà un signal : on n'est plus dans la course aux démonstrations, mais dans une guerre des prix et des capacités de travail réel.

Ce qui m'intéresse, ce n'est pas le classement des benchmarks. C'est ce que ces modèles permettent concrètement de déléguer, et que l'on regroupait autrefois sous le mot « mission ». Trois sorties de travail, principalement. Comprendre un client : lire un dossier, un historique, une demande, et identifier ce qui compte vraiment. Préparer une recommandation : synthétiser la situation et proposer une ligne d'action argumentée. Organiser les suites : transformer la recommandation en plan d'action, en relances, en étapes à cocher.

Ces trois sorties changent la nature de la délégation. On ne confie plus une phrase à reformuler ou un mail à réécrire : on confie un début de mission. C'est pour ça que la question « jusqu'où » se pose vraiment pour la première fois. Et c'est pour ça qu'il faut regarder les chiffres de près, pas les démonstrations.

Est-ce qu'ils finissent réellement le travail ?

La plupart des benchmarks mesurent l'intelligence : raisonnement, code, culture générale. Le travail réel, lui, ressemble à autre chose : une tâche qui traverse plusieurs outils, qui demande de retrouver une information, de la faire circuler d'une application à l'autre, et de s'arrêter seulement quand l'état final est correct.

Zapier a construit un banc d'essai pour ça, AutomationBench. Il lance des agents sur des tâches professionnelles complètes, à travers quarante-sept applications de bureau, et ne compte que l'état final : la tâche est réussie seulement si le résultat dans le monde est le bon. Sur ce banc, Claude Opus 5.5 termine environ 40 % des tâches au niveau d'effort maximal, et GPT-6 Sol 33,2 %. Autrement dit, le meilleur modèle du moment échoue encore sur six tâches sur dix quand il s'agit d'un travail de bout en bout.

Mais le chiffre le plus inquiétant est ailleurs. Zapier a constaté que l'échec le plus fréquent n'est pas l'échec visible : c'est la fausse confiance. L'agent déclare la tâche terminée alors qu'elle ne l'est pas. Ce phénomène touche 72 % des échecs d'Opus, 91 % de ceux de Gemini et 84 % de ceux de GPT-5.4. L'agent ne se contente pas de rater : il rate en affirmant avoir réussi.

Voilà le vrai point de friction. Confier une mission à une IA aujourd'hui, ce n'est pas lui faire confiance les yeux fermés. C'est déléguer la production tout en gardant la vérification de l'état final. La machine fait plus de choses, mais la question « est-ce que c'est vraiment fait ? » reste entièrement humaine.

Pourquoi déléguer coûte moins cher aujourd'hui

Il y a un deuxième changement, plus discret mais tout aussi structurant : les prix. Claude Opus 5.5 coûte 20 % de moins en tarif API que son prédécesseur Opus 5, et Anthropic estime qu'il revient 40 % moins cher à faire tourner sur des charges de travail typiques. GPT-6 Sol, de son côté, divise par deux le coût par rapport à GPT-5.6.

Artificial Analysis, qui mesure indépendamment les modèles, place Claude Opus 5.5 en tête de son indice d'intelligence avec un score de 58 au niveau d'effort maximal, et Grok 4.7 à 46, ce qui fait entrer xAI dans les quatre premiers laboratoires. Surtout, l'organisme calcule que faire tourner GPT-6 Sol sur l'intégralité de son indice au niveau maximal revient à 1,06 dollar par tâche, contre 1,99 dollar pour son prédécesseur.

Le résultat, c'est que la baisse des coûts et la hausse des capacités arrivent en même temps. Le frein économique qui retenait la délégation disparaît précisément au moment où la qualité s'améliore. Ce n'est pas anodin pour toi : quand une tâche coûte dix fois moins cher à faire faire par une machine que par un humain, la question n'est plus « est-ce possible », elle devient « qui décide et qui vérifie ».

Ce que montrent les premiers déploiements réels

Les bancs d'essai sont utiles, mais le travail réel dit autre chose. Box, l'éditeur de gestion de contenu, a testé Opus 5.5 sur des tâches réelles de gestion de la connaissance en entreprise, sur des données non structurées. Les résultats publiés par son patron, Aaron Levie, sont nets : 63 % de jetons en moins, 42 % de verbosité en moins, 30 % de vitesse en plus par rapport à Opus 5. Et la précision des tâches grimpe : +39 % sur les services financiers, +65 % sur l'analyse de coûts cloud, +15 à 17 % sur le diagnostic clinique et les produits de grande consommation.

Lis bien ce que ces chiffres disent, et ce qu'ils ne disent pas. Ils disent que le modèle produit plus vite, plus juste et moins cher sur des missions réelles. Ils ne disent pas que le modèle se passe de vérification. Même un gain de 65 % de précision laisse une marge d'erreur, et une marge d'erreur sur une recommandation financière ou un diagnostic, c'est exactement l'endroit où l'on ne veut pas d'une fausse confiance.

La frontière de la délégation a bougé, mais elle n'a pas disparu. Elle s'est déplacée vers la fin de la mission : produire est largement automatisable, vérifier l'état final et en assumer la responsabilité ne l'est pas.

Ce que ça change pour toi

Ce constat ne concerne pas que les entreprises. Il te concerne directement, parce qu'il redessine ce qui va rester humain dans ton travail. Ce qui s'automatise, c'est la couche de production : rédiger, synthétiser, organiser, relancer. Ce qui résiste, c'est savoir ce que « terminé » veut dire, vérifier que le monde correspond à ce qui a été annoncé, et porter la décision quand le résultat engage quelqu'un.

La compétence qui prend de la valeur n'est donc pas « faire la tâche ». C'est la capacité à définir le but, à cadrer ce qu'on attend, et à contrôler le résultat final. Or cette capacité ne se lit dans aucun benchmark : elle dépend de la composition précise de ton poste, de la part de tes semaines passée à produire et de celle passée à arbitrer. Ça ne se devine pas, ça se mesure.

Questions fréquentes

Écrit par Amine Lounnas

AI business analyst depuis cinq ans dans des grands groupes du CAC 40 — banque, assurance, énergie. Certifié DPO et CIPP/E. Mon métier consiste à identifier quelles tâches une entreprise peut automatiser ; ce site retourne cette méthode vers les salariés.

Qui écrit ici, et comment →