Intel avertit : l’AI agentique a dépassé son stade d’"enfance" et exige un nouveau modèle de contrôle

Intel avertit : l'IA agentive a quitté l'étape « enfantine » et exige un nouveau modèle de contrôle

Intel propose de considérer l'IA agentive comme un enfant qui a soudainement cessé de ramper et s'est mis à courir. Les entreprises débattent toujours de politiques et de comités, mais les agents autonomes accèdent déjà aux flux de travail, aux budgets et aux systèmes critiques — ce qui signifie que les anciennes approches de contrôle ne fonctionnent plus.

Des chatbots aux agents

Dans un article pour MIT Technology Review, les auteurs comparent l'étape actuelle de l'IA agentive à « l'enfance ». La transition s'est produite rapidement : fin 2025 et début 2026, une vague d'outils no-code s'est déversée sur le marché, avec OpenClaw, un agent personnel open-source sur GitHub. Si auparavant l'IA attendait principalement une requête dans une interface de chatbot, elle exécute maintenant une chaîne d'actions d'elle-même : lit les données, prend des décisions intermédiaires et fait progresser le processus sans confirmation humaine constante.

C'est ici que, selon Intel, le modèle précédent de gouvernance s'effondre. Auparavant, l'entreprise se concentrait sur les risques de la réponse du modèle : hallucinations, dérive, fuites de données, empoisonnement des données. Mais quand un agent commence à exécuter des flux de travail à la vitesse de la machine, l'intérêt du human in the loop diminue fortement.

Pour une entreprise, ce n'est plus une question de « qu'a dit le bot », mais « qu'a-t-il réussi à faire » — par exemple, quels enregistrements il a modifiés, quelles permissions il a utilisées et quelles actions il a déclenchées plus loin dans la chaîne.

Où le contrôle s'effondre

Le point principal de l'article est qu'il est trop tard de gérer les agents par des documents et des comités. Les restrictions doivent être intégrées directement dans le code et les processus métier, en tenant compte du niveau de risque, des droits d'accès et de la responsabilité potentielle. Sinon, un agent avec une logique probabiliste obtient trop de liberté dans les systèmes où une erreur est coûteuse. Cela change à la fois l'architecture et la zone de responsabilité : si un agent fait une erreur, c'est toujours l'entreprise qui sera responsable, pas le modèle, de lui avoir donné accès à l'environnement de production.

« L'IA fait le travail, et les gens assument le risque. »

• un agent peut assembler une chaîne d'actions sur plusieurs systèmes d'entreprise et acquérir plus d'influence qu'un seul employé;
• les comptes de service, les tokens API à longue durée de vie et les droits de modification des fichiers et données critiques s'accumulent rapidement dans une entreprise;
• une nouvelle couche d'IA fantôme émerge quand les employés créent leurs propres assistants sans architecture, support et audit approprié;
• quand un employé est transféré à un autre département ou après son licenciement, les agents « orphelins » restent, liés à son ID et ses permissions;
• les pilotes d'IA négligés et les « projets zombies » continuent de fonctionner dans le cloud et de brûler des ressources sans propriétaire clairement identifié.

Les auteurs font une analogie séparée avec un petit enfant qui s'est soudainement vu remettre un jouet trop puissant. Pour un environnement d'entreprise, le sens est simple : vous ne pouvez pas déployer un agent autonome en production sans observabilité, la capacité de révoquer rapidement l'accès et un mécanisme d'arrêt forcé. Vous avez besoin de discovery, d'audit trail, de remédiation et d'une procédure claire de désactivation, sinon l'avantage de l'automatisation disparaît au moment du premier incident, et l'analyse des conséquences s'avère plus coûteuse que le bénéfice du déploiement.

Le prix de l'autonomie

Intel conteste également l'idée populaire selon laquelle l'IA agentive est simplement un moyen de réduire la masse salariale. Dans le modèle d'entreprise, les dépenses se comportent différemment : ce n'est pas une licence fixe par utilisateur, mais une consommation de tokens, de calcul et d'APIs externes au fur et à mesure que le flux de travail se développe. Les économies sur le personnel s'avèrent être une métrique trop brute, car avec l'automatisation, les coûts d'observabilité, de support, de sécurité et de contrôle financier de toute l'infrastructure d'agentive augmentent.

L'article cite une enquête IDC de décembre commandée par DataRobot : 96 % des entreprises déployant l'IA générative et 92 % des organisations déployant l'IA agentive ont signalé que les coûts ont été plus élevés ou bien plus élevés que prévu. C'est un signal important pour l'entreprise : le problème ne se réduit pas au prix par token. L'argent va aussi à la maintenance de nombreux agents internes, à la correction des erreurs, à l'examen des droits d'accès et à l'entretien des équipes qui doivent maintenir tout cela sous contrôle.

Le problème est aggravé par l'imprévisibilité de l'économie basée sur l'utilisation. Contrairement au FinOps classique, où les dépenses cloud sont plus ou moins déterministes, l'IA agentive se comporte de manière probabiliste : de longues chaînes d'appels, des cycles autonomes et des erreurs de planification peuvent faire monter le coût d'une seule session à des valeurs extrêmes. Les auteurs notent que certains fondateurs AI-first font face à des dépenses de l'ordre de 100 000 $ pour une seule session agentive.

Si vous ne fixez pas de limites dès le départ, un flux de travail autonome peut facilement « dévorer » un budget comparable au salaire d'un employé supplémentaire.

Ce que cela signifie

Pour les entreprises, l'IA agentive n'est plus une interface expérimentale au-dessus d'un LLM, mais une nouvelle couche opérationnelle. Les entreprises qui gagneront ne sont pas celles qui laissent les employés « assembler leur propre agent » plus rapidement, mais celles qui intègrent plus tôt dans leurs processus les droits d'accès, l'audit, la désactivation, les limites budgétaires et le contrôle continu de ce que l'agent fait dans les systèmes réels.