Productivité

« La plupart des gens pensent encore qu’un agent IA, c’est juste ChatGPT avec un bon prompt. » C’est par cette phrase que commence l’article de Sunil Ramlochan « The AI Agent Stack Is Not a Prompt. It’s a Production System », et l’auteur qualifie aussitôt cette croyance de « mythe rassurant ». La vérité utile, selon lui, est ailleurs : un véritable agent ressemble davantage à un petit système d’exploitation pour le travail. Il possède un cerveau, des mains, une mémoire, des règles, des logs, des plans de reprise et quelqu’un qui répond quand l’agent fait n’importe quoi.

La thèse de l’article tient en une ligne : un agent, c’est tout un stack. Et c’est l’architecture autour qui lui donne sa fiabilité, alors que le modèle ou un prompt bien tourné n’est qu’un ingrédient parmi d’autres. La perspective est technique, alors examinons-la sous un autre angle – qu’est-ce qui, dans ce stack, concerne réellement le manager qui n’écrit pas de code mais décide de lancer ou non un agent en production.

Il y a un an et demi, j’ai publié un billet sur mon blog personnel à propos d’un phénomène que j’observais chez mes collègues et dans mon propre travail : plus on fait confiance à l’IA, moins on se pose la question « est-ce que c’est vraiment juste ? ». Je m’appuyais alors sur une étude de Microsoft qui montrait que la confiance envers l’IA inhibe l’évaluation critique des réponses fournies. L’argument me semblait solide, mais il avait un défaut évident : corrélation, pas causalité.

En février 2026, les chercheurs d’Anthropic Judy Shen et Alex Tamkin ont publié une expérience qui a comblé cette lacune. Un essai randomisé contrôlé. Des données concrètes. Et une conclusion que, je crois, la plupart des gens qui l’ont lue comprennent mal.

Parce que ce n’est pas une histoire sur le fait que l’IA nous rend plus bêtes. C’est une histoire sur la manière dont nous l’utilisons.

C’est plus que ce que la plupart des équipes publient en un trimestre. Plus que ce que bien des startups produisent en six mois. Ce n’est pas une métrique marketing – c’est la productivité réelle de Peter Steinberger, créateur d’OpenClaw (anciennement connu sous le nom de clawdbot), l’un des projets IA les plus viraux de janvier 2026.

Peter décrit lui-même le projet simplement : « Ce n’est pas une entreprise – c’est un mec chez lui qui prend du plaisir dans le processus. » Après un exit réussi de PSPDFKit, il aurait pu se reposer. Au lieu de cela, il construit un assistant IA qui gère son calendrier, envoie des e-mails et l’enregistre sur des vols. « Une IA qui fait réellement les choses » – voilà comment il a formulé la mission du projet.

Comment un seul homme peut-il travailler comme toute une entreprise ? Quelles compétences sont critiques lorsqu’on travaille avec des agents IA ? Pourquoi l’expérience de management d’une équipe de plus de 70 personnes se révèle-t-elle déterminante pour la productivité avec l’IA ? Et comment le centre d’attention de l’ingénieur évolue-t-il – de l’écriture de code vers la conception d’architecture ?

Décortiquons les leçons concrètes du workflow de Peter Steinberger – applicables à tout projet assisté par IA, même si vous n’installez jamais OpenClaw vous-même.

Chez mysummit.school, nous avons déjà analysé Dejan.AI (l’IA comme stagiaire junior), Gallup (un usage multiplié par deux en un an) et le MIT (le fossé entre leaders et retardataires). Workday apporte un nouvel angle : le coût mesurable de la faible qualité des résultats de l’IA. Et ce coût s’avère plus élevé que beaucoup ne veulent l’admettre.

Chez mysummit.school, nous suivons en permanence les études sur l’utilisation de l’IA – il est essentiel pour nous de distinguer la réalité du battage médiatique. Dans notre article précédent, nous analysions les données de Stanford sur les 37 % d’utilisation de l’IA. Nous disposons désormais de deux études récentes aux conclusions contradictoires – et cette contradiction est riche d’enseignements.