Les agents IA autonomes fonctionnent 50 fois plus longtemps que la recherche : étude Harvard et Perplexity

Les chercheurs de l'Université Harvard et de l'entreprise Perplexity ont publié le 8 juin 2026 un travail conjoint qui compare directement le comportement des utilisateurs lorsqu'ils travaillent avec un agent IA autonome et un assistant IA basé sur la recherche classique. La principale conclusion : en moyenne, une session avec un agent autonome prend 26 minutes de fonctionnement indépendant du système, tandis qu'une session avec un assistant de recherche ne prend que 33 secondes. La différence est presque 50 fois en faveur de l'agent autonome.

Comment l'étude a été structurée

Les auteurs ont appliqué une méthode de sessions appariées (matched-pair sessions) : ils ont comparé des tâches similaires en nature que les utilisateurs résolvaient soit par un agent autonome, soit par un service de recherche, afin de comparer correctement le comportement humain dans deux modes différents de travail avec l'IA. Ce design expérimental permet de séparer l'effet de l'outil lui-même de l'effet du type de tâche que l'utilisateur résout — c'est-à-dire que la comparaison s'avère honnête, non biaisée en faveur de l'un des systèmes en raison de différences dans la complexité de la requête. Le travail poursuit une ligne plus large de recherche en 2026 consacrée à la façon de mesurer l'"horizon de tâches" — c'est-à-dire le nombre d'étapes séquentielles qu'un système peut effectuer indépendamment avant de nécessiter une intervention humaine.

C'est la croissance de cet indicateur, et non seulement l'amélioration de la qualité d'une réponse unique, que les analystes appellent de plus en plus l'indicateur principal du progrès dans le développement d'agents IA.

Chiffres clés de l'étude :

• 26 minutes — temps moyen de fonctionnement autonome de l'agent par session
• 33 secondes — temps moyen de fonctionnement de l'assistant IA de recherche par session
• Différence — presque 50 fois en faveur du mode autonome
• Auteurs du travail — équipe conjointe de l'Université Harvard et Perplexity
• Date de publication — 8 juin 2026

Ce que les chiffres ont montré, au-delà du temps

La différence dans la durée des sessions n'est pas le seul résultat. Les chercheurs enregistrent des gains plus larges dans trois directions : le degré d'autonomie (l'agent exécute plus d'étapes séquentielles sans confirmation intermédiaire de l'utilisateur), le temps total qu'une personne économise en déléguant complètement une tâche, et le coût d'exécution de la tâche en fonction du résultat obtenu. De plus, les auteurs notent que lorsqu'ils travaillent avec un agent autonome, les utilisateurs abordent généralement un plus large éventail de tâches que lorsqu'ils utilisent la recherche — c'est-à-dire que l'agent ne se contente pas d'accélérer les scénarios familiers de recherche d'informations, mais élargit la liste même de ce que les gens essaient de faire avec l'IA, en lui confiant des chaînes d'actions plus complexes et plus longues.

Ce que cela signifie pour l'avenir des agents IA

Le rapport de 26 minutes par rapport à 33 secondes explique clairement pourquoi l'industrie en 2026 change si rapidement l'accent des chatbots et des assistants de recherche vers des agents complets capables de mener les tâches multi-étapes à leur terme de façon indépendante. Pour Perplexity, qui développe simultanément des produits de recherche et des fonctions d'agent, ces données constituent un argument de poids en faveur d'un investissement accru dans l'autonomie, et non seulement dans la qualité d'une réponse unique à une requête.

Pour le marché de l'IA en général, le résultat confirme une thèse que l'industrie discute depuis plusieurs mois : la valeur de l'IA passe de « réponse rapide » à « travail complété ». Si un agent occupe vraiment un utilisateur avec presque 50 fois plus de travail indépendant sans intervention humaine, cela signifie une croissance potentielle exponentielle du volume de tâches que les entreprises et les utilisateurs individuels sont prêts à déléguer au système. Pour les investisseurs et les équipes de produit, de tels chiffres deviennent également un guide lors du choix de l'orientation des ressources — vers l'amélioration de la recherche ou vers le développement d'une autonomie d'agent à grande échelle.

La question de la qualité et de la fiabilité de ce travail sur de longs horizons reste ouverte — cela, semble-t-il, deviendra le prochain foyer de recherche de Harvard et Perplexity dans ce domaine.

Il est également important que la comparaison soit basée sur des sessions d'utilisateurs réelles plutôt que sur des benchmarks synthétiques, que l'industrie utilise traditionnellement pour mesurer les capacités des modèles. Cette approche élimine une partie de la critique généralement adressée aux tests de laboratoire d'agents : les utilisateurs réels imposent au système des tâches plus diverses et moins prévisibles que les ensembles de tests standardisés, ce qui signifie que l'écart de 26 minutes par rapport à 33 secondes se rapproche davantage de ce qui se passe en pratique, et non des capacités maximales du modèle en laboratoire.