Les agents IA autonomes travaillent environ 50 fois plus longtemps que les assistants de recherche, selon Harvard et Perplexity

Des 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 face à un agent IA autonome et face à un assistant de recherche IA classique. Principal enseignement : une session moyenne avec un agent autonome représente 26 minutes de travail indépendant du système, contre seulement 33 secondes pour une session avec un assistant de recherche. L'écart est de près de 50 fois en faveur de l'agent autonome.

Comment l'étude a été conçue

Les auteurs ont appliqué la méthode des sessions appariées (matched-pair sessions) : ils ont associé des tâches de nature similaire que les utilisateurs résolvaient tantôt avec un agent autonome, tantôt avec un service de recherche, afin de comparer correctement le comportement des personnes dans deux modes de travail différents avec l'IA. Ce protocole permet de séparer l'effet de l'outil de celui du type de tâche traitée par l'utilisateur. La comparaison est donc équitable et n'avantage pas un système à cause d'une différence de complexité des requêtes.

Ce travail prolonge une série plus large de recherches de 2026 sur la mesure de l'« horizon de tâche » : le nombre d'étapes consécutives qu'un système peut mener seul avant d'avoir besoin d'une intervention humaine. De plus en plus d'analystes voient dans la progression de cet indicateur, et pas seulement dans l'amélioration d'une réponse isolée, le principal marqueur de progrès des agents IA.

Chiffres clés de l'étude :

• 26 minutes : durée moyenne de travail autonome de l'agent par session
• 33 secondes : durée moyenne de travail de l'assistant de recherche IA par session
• Écart : près de 50 fois en faveur du mode autonome
• Auteurs : une équipe conjointe de l'université Harvard et de Perplexity
• Date de publication : 8 juin 2026

Ce que les chiffres montrent au-delà du temps

L'écart de durée de session n'est pas le seul résultat. Les chercheurs constatent des gains plus larges dans trois domaines : le degré d'autonomie (l'agent enchaîne davantage d'étapes sans confirmation intermédiaire de l'utilisateur), le temps total que la personne économise en déléguant entièrement la tâche, et le coût d'exécution de la tâche rapporté au résultat obtenu. Les auteurs notent par ailleurs qu'avec un agent autonome, les utilisateurs s'attaquent globalement à un éventail de tâches plus large qu'avec la recherche. L'agent ne se contente pas d'accélérer les scénarios habituels de recherche d'informations : il élargit la liste de ce que les gens essaient de faire avec l'IA, en lui confiant des enchaînements d'actions plus complexes et plus longs.

Ce que cela signifie pour l'avenir des agents IA

Le rapport de 26 minutes contre 33 secondes explique clairement pourquoi l'industrie déplace aussi vite, en 2026, son attention des chatbots et des assistants de recherche vers de véritables agents, capables de mener seuls à terme des tâches en plusieurs étapes. Pour Perplexity, qui développe à la fois un produit de recherche et des fonctions d'agent, ces données constituent un argument de poids pour investir davantage dans l'autonomie, et pas seulement dans la qualité d'une réponse isolée.

Pour le marché de l'IA en général, ce résultat conforte une thèse que l'industrie débat depuis plus d'un mois : la valeur de l'IA passe de la « réponse rapide » au « travail accompli ». Si un agent occupe réellement une tâche de l'utilisateur près de 50 fois plus longtemps, en travail indépendant et sans intervention humaine, cela implique un potentiel de croissance multiple du volume de tâches que les entreprises et les particuliers sont prêts à déléguer au système. Pour les investisseurs et les équipes produit, ces chiffres servent aussi de repère pour décider où orienter les ressources : vers l'amélioration de la recherche ou vers le développement d'une autonomie agentique complète.

La question de la qualité et de la fiabilité de ce travail sur de longs horizons reste ouverte, et, selon toute apparence, elle sera le prochain axe de recherche de Harvard et de Perplexity dans ce domaine.

Il importe aussi que la comparaison repose sur des sessions réelles d'utilisateurs, et non sur les benchmarks synthétiques que l'industrie utilise traditionnellement pour mesurer les capacités des modèles. Cette approche répond à une partie des critiques habituellement adressées aux tests de laboratoire des agents : les utilisateurs réels confient au système des tâches plus hétérogènes et moins prévisibles que les jeux de tests standardisés. L'écart de 26 minutes contre 33 secondes est donc plus proche de ce qui se passe en pratique que du maximum de laboratoire des capacités d'un modèle.