Alors que les entreprises dépassent le stade des prototypes de chatbots et commencent à déployer des agents d’IA qui exécutent des tâches de manière autonome, gèrent des flux de travail et interagissent avec les systèmes internes, une nouvelle taxonomie des compétences émerge. Les leaders technologiques de tous les secteurs, de l’énergie à la gestion d’actifs en passant par les services professionnels, convergent vers un cadre qui identifie trois rôles distincts comme essentiels pour l’ère des agents d’IA.
La première catégorie peut être décrite comme celle des facilitateurs techniques, les ingénieurs et professionnels des données qui construisent et maintiennent l’infrastructure qui rend les agents d’IA fonctionnels. Il ne s’agit pas de rédacteurs de prompts au sens traditionnel. Leur travail consiste à mettre en place les pipelines de données, les outils de couche sémantique et les cadres de gouvernance dont les agents ont besoin pour produire des résultats précis et contextualisés. Des entreprises comme EDF au Royaume-Uni ont adopté un modèle hub-and-spoke où une équipe technique centrale développe les capacités des agents que les unités commerciales adaptent ensuite à leurs flux de travail spécifiques. Les outils d’orchestration d’agents, notamment Snowflake Semantic Tables, les catalogues de données et les assistants de codage personnalisés, constituent la pile technique que ces facilitateurs gèrent.
La deuxième catégorie est ce que certains praticiens appellent les correcteurs de trajectoire : des experts métier possédant une connaissance approfondie du domaine, souvent 20 à 30 ans d’expérience dans leur secteur, qui supervisent les résultats des agents et interviennent lorsque l’IA produit des résultats inexacts, incomplets ou contextuellement inappropriés. Les sociétés de gestion d’actifs, les services juridiques et les équipes de conformité réglementaire ont commencé à structurer leurs flux de travail autour de ce modèle d’humain dans la boucle, où l’agent effectue le premier passage et l’expert métier valide, corrige et approuve. La transition d’une supervision ad hoc à une gouvernance structurée des agents génère des frictions, en particulier dans les secteurs réglementés où la responsabilité des décisions prises par l’IA reste juridiquement ambiguë.
Le troisième rôle est celui du collaborateur axé sur les résultats. Plutôt que d’automatiser des processus cloisonnés existants, ces professionnels définissent les objectifs commerciaux que les agents doivent poursuivre et conçoivent les flux de travail à rebours à partir de ces résultats. Cela représente un changement dans la manière dont l’expertise technique est appliquée : dans le développement logiciel, par exemple, la compétence critique passe de l’implémentation, l’écriture de code, l’exécution de tests, à la spécification, où une définition claire du résultat souhaité détermine si l’agent peut exécuter efficacement. Le CTO de Formula E, Dan Cherowbrier, a décrit cela comme la compréhension « du résultat que vous souhaitez atteindre » plutôt que de partir des processus existants et d’essayer de les automatiser.
Le modèle à trois rôles reflète un changement structurel plus large dans la manière dont les entreprises évaluent les talents. La maîtrise technique traditionnelle reste précieuse, mais la prime se déplace vers la capacité à spécifier les problèmes avec précision, à valider les résultats de l’IA par rapport aux connaissances du monde réel et à relier le travail des agents à des résultats commerciaux mesurables. Le CTO de Freshworks, Murali Swaminathan, a mis l’accent sur une approche de « construire la confiance d’abord » : tester minutieusement, valider que le système produit des résultats reproductibles, puis passer à l’échelle. Louise Newbury-Smith de Zoom a présenté la dynamique comme une situation où l’IA responsabilise plutôt que remplace les contributions humaines, une distinction qui devient significative seulement lorsque les organisations investissent dans les structures de supervision et de gouvernance qui rendent cette responsabilisation sûre.
Un récent rapport du BCG sur les modèles opérationnels de l’ère de l’IA a renforcé ce point de vue, arguant que les entreprises qui se réorganisent autour de flux de travail centrés sur les agents constatent des gains d’efficacité mesurables mais doivent également investir massivement dans les pipelines de talents qui produisent des correcteurs de trajectoire et des collaborateurs efficaces. Le rapport 2026 de Google Cloud sur les tendances des agents d’IA a conclu de manière similaire que le perfectionnement des talents est « le moteur ultime de la valeur commerciale » dans les déploiements d’agents, une conclusion qui reflète étroitement le cadre à trois rôles émergeant de l’expérience des praticiens.
Sources : ZDNet (24 juil. 2026); BCG (9 juin 2026); Google Cloud AI Agent Trends Report 2026; EuropeSays/ZDNet syndication (24 juil. 2026)
Traduit par Lydie