Intel prévient : l'IA agentique a quitté le stade de la « petite enfance » et exige un nouveau modèle de contrôle

Intel invite à considérer l'IA agentique comme un enfant qui, du jour au lendemain, ne rampe plus mais court. Les entreprises débattent encore de politiques et de comités, alors que des agents autonomes accèdent déjà aux workflows, aux budgets et aux systèmes critiques. Conséquence : les anciennes approches du contrôle ne fonctionnent plus.

Des chatbots aux agents

Dans un article publié par la MIT Technology Review, les auteurs comparent le stade actuel de l'agentic AI à la « petite enfance ». La transition a été rapide : fin 2025 et début 2026, une vague d'outils no-code est arrivée sur le marché, accompagnée d'OpenClaw, un agent personnel open source disponible sur GitHub. Auparavant, l'IA attendait surtout une requête dans l'interface d'un chatbot. Désormais, elle enchaîne elle-même les actions : elle lit les données, prend des décisions intermédiaires et fait avancer le processus sans validation humaine permanente.

C'est précisément là, selon Intel, que l'ancien modèle de gouvernance se brise. Jusqu'ici, les entreprises se concentraient sur les risques liés aux réponses du modèle : hallucinations, dérive, fuite de données, empoisonnement des données. Mais dès qu'un agent exécute un workflow à la vitesse de la machine, le principe du human in the loop perd une grande partie de son sens. La question n'est plus « qu'a dit le bot ? », mais « qu'a eu le temps de faire le bot ? » : quels enregistrements il a modifiés, quelles autorisations il a utilisées, quelles actions il a déclenchées en aval.

Où le contrôle cède

L'idée centrale de l'article : il est déjà trop tard pour piloter les agents à coups de documents et de comités. Les garde-fous doivent être intégrés directement dans le code et dans les processus métier, en fonction du niveau de risque, des droits d'accès et de la responsabilité potentielle. Sinon, un agent fondé sur une logique probabiliste dispose de trop de latitude dans des systèmes où chaque erreur coûte cher. Cela redessine à la fois l'architecture et le périmètre de responsabilité : si l'agent se trompe, ce n'est pas le modèle qui en répondra, mais l'entreprise qui lui a ouvert l'accès à l'environnement de production.

« L'IA fait le travail, et les humains portent le risque. »

• un agent peut enchaîner des actions à travers plusieurs systèmes de l'entreprise et acquérir plus d'influence qu'un seul salarié ;
• les comptes de service, les tokens d'API à longue durée de vie et les droits de modification sur des fichiers et des données clés s'accumulent rapidement ;
• une nouvelle couche de shadow AI apparaît : des salariés créent leurs propres assistants sans architecture, sans support et sans audit digne de ce nom ;
• lors d'une mutation ou d'un départ, des agents « orphelins » liés à l'identifiant et aux autorisations du salarié restent actifs ;
• des neglected AI pilots et des « projets zombies » continuent de tourner dans le cloud et de consommer des ressources sans propriétaire identifié.

Les auteurs filent aussi l'analogie du tout-petit à qui l'on aurait soudain confié un jouet beaucoup trop puissant. Pour l'entreprise, le message est simple : on ne met pas un agent autonome en production sans observabilité, sans possibilité de révoquer rapidement ses accès et sans mécanisme d'arrêt forcé. Il faut du discovery, un audit trail, de la remediation et une procédure de désactivation claire. Faute de quoi, le bénéfice de l'automatisation s'évapore dès le premier incident, et la gestion des conséquences coûte plus cher que ce que le déploiement a rapporté.

Le prix de l'autonomie

Intel conteste également une idée répandue : l'IA agentique ne serait qu'un moyen de réduire la masse salariale. Dans un modèle enterprise, les coûts se comportent autrement : il ne s'agit pas d'une licence fixe par utilisateur, mais d'une consommation de tokens, de calcul et d'API externes qui augmente avec les workflows. Les économies sur les effectifs s'avèrent une métrique trop grossière, car l'automatisation s'accompagne de dépenses croissantes en observabilité, support, sécurité et contrôle financier de toute l'infrastructure agentique.

L'article cite une enquête d'IDC de décembre, commandée par DataRobot : 96% des entreprises qui déploient de la generative AI et 92% des organisations qui déploient de l'agentic AI déclarent que les coûts ont été supérieurs, voire très supérieurs, à leurs prévisions. Un signal important pour les entreprises : le problème ne se limite pas au prix du modèle par token. L'argent part aussi dans la maintenance de nombreux agents internes, la correction des erreurs, la révision des droits d'accès et l'entretien des équipes chargées de garder tout cela sous contrôle.

L'imprévisibilité d'une économie fondée sur l'usage aggrave la situation. Contrairement au FinOps classique, où les dépenses cloud restent plus ou moins déterministes, l'IA agentique se comporte de manière probabiliste : longues chaînes d'appels, boucles autonomes et erreurs de planification peuvent faire grimper le coût d'une seule session à des niveaux extrêmes. Les auteurs relèvent même que certains AI-first founders font déjà face à des dépenses de l'ordre de $100 000 pour une seule session agentique. Sans plafonds fixés dès le départ, un workflow autonome peut facilement « avaler » un budget comparable à l'embauche d'un salarié supplémentaire.

Ce que cela signifie

Pour les entreprises, l'IA agentique n'est plus une interface expérimentale posée sur un LLM, mais une nouvelle couche opérationnelle. Les gagnants ne seront pas ceux qui autoriseront le plus vite leurs salariés à « assembler leur propre agent », mais ceux qui intégreront les premiers dans leurs processus droits d'accès, audit, désactivation, plafonds budgétaires et contrôle permanent de ce que l'agent fait dans les systèmes réels.