Les données récentes sur l’adoption de l’intelligence artificielle de Perplexity révèlent comment les agents d’IA contribuent à accroître l’efficacité des flux de travail en prenant en charge des tâches complexes au sein des entreprises.
Au cours de la dernière année, le secteur technologique a fonctionné en partant du principe que la prochaine évolution de l’IA générative irait au-delà de la conversation pour passer à l’action. Alors que les grands modèles de langage (LLM) servent de moteur de raisonnement, les « agents » agissent comme les mains, capables d’exécuter des flux de travail complexes et multi-étapes avec une supervision minimale.
Jusqu’à présent, cependant, la visibilité sur la manière dont ces outils sont réellement utilisés dans la nature était opaque, reposant largement sur des cadres spéculatifs ou des enquêtes limitées.
Les nouvelles données publiées par Perplexity, analysant des centaines de millions d’interactions avec son navigateur Comet et son assistant, fournissent une première étude de terrain à grande échelle sur les agents d’IA à usage général. Les données indiquent que l’IA agentique est déjà déployée par des travailleurs du savoir à forte valeur ajoutée pour rationaliser la productivité et les tâches de recherche.
Comprendre qui utilise ces outils est essentiel pour prévoir la demande interne et identifier les vecteurs potentiels de shadow IT. L’étude révèle une hétérogénéité marquée dans l’adoption. Les utilisateurs dans les pays avec un PIB par habitant plus élevé et un niveau d’éducation plus élevé sont beaucoup plus susceptibles de s’engager avec des outils agentiques.
Plus révélateur pour la planification d’entreprise est la répartition professionnelle. L’adoption est fortement concentrée dans les secteurs numériques et à forte intensité de connaissances. Le cluster « Technologie Numérique » représente la plus grande part, représentant 28% des adoptants et 30% des requêtes. Il est suivi de près par le monde académique, la finance, le marketing et l’entrepreneuriat.
Collectivement, ces clusters représentent plus de 70% des adoptants totaux. Cela suggère que les individus les plus susceptibles de tirer parti des flux de travail agentiques sont les actifs les plus coûteux au sein d’une organisation : les ingénieurs logiciels, les analystes financiers et les stratèges commerciaux. Ces premiers adoptants ne tâtonnent pas ; les données montrent que les « utilisateurs avertis » (ceux qui ont un accès plus tôt) posent neuf fois plus de requêtes agentiques que les utilisateurs moyens, ce qui indique qu’une fois intégrée dans un flux de travail, la technologie devient indispensable.
Pour aller au-delà des récits marketing, les entreprises doivent comprendre l’utilité que ces agents offrent. Une vision commune suggère que les agents fonctionneront principalement comme des « concierges numériques » pour des tâches administratives routinières. Cependant, les données remettent en question cette vision : 57 % de toute l’activité des agents se concentre sur le travail cognitif.
Les chercheurs de Perplexity ont développé une « taxonomie agente hiérarchique » pour classer l’intention de l’utilisateur, révélant que l’utilisation des agents d’IA est pratique plutôt qu’expérimentale. Le cas d’utilisation dominant est la ‘Productivité & Workflow’, qui représente 36% de toutes les requêtes agentiques. Cela est suivi par ‘Apprentissage & Recherche’ à 21%.
Des anecdotes spécifiques de l’étude illustrent comment cela se traduit par une valeur pour l’entreprise. Un professionnel des achats, par exemple, a utilisé l’assistant pour analyser des études de cas clients et identifier des cas d’utilisation pertinents avant de s’engager avec un fournisseur. De même, un employé de la finance a délégué les tâches de filtrage des options d’actions et d’analyse des informations d’investissement. Dans ces scénarios, l’agent gère la collecte d’informations et la synthèse initiale de manière autonome pour permettre à l’humain de se concentrer sur le jugement final.
Cette répartition fournit une indication claire aux leaders opérationnels : le retour sur investissement immédiat pour l’IA agentique réside dans la mise à l’échelle de la capacité humaine plutôt que simplement dans l’automatisation des frictions de bas niveau. L’étude définit ces agents comme des systèmes qui « passent automatiquement par trois phases itératives pour atteindre l’objectif final : penser, agir et observer ». Cette capacité leur permet de soutenir un « travail cognitif profond », agissant comme un partenaire de réflexion plutôt que comme un simple concierge.
Une idée clé pour les dirigeants informatiques est la « stickiness » des agents d’IA pour les flux de travail de l’entreprise. Les données montrent qu’à court terme, les utilisateurs font preuve d’une forte persistance dans un domaine donné. Si un utilisateur engage un agent pour une tâche de productivité, ses requêtes ultérieures sont très susceptibles de rester dans ce domaine.
Cependant, le parcours de l’utilisateur évolue souvent. Les nouveaux utilisateurs testent fréquemment les eaux avec des requêtes à faible enjeu, telles que demander des recommandations de films ou des anecdotes générales. Avec le temps, une transition se produit. L’étude note que bien que les utilisateurs puissent entrer via divers cas d’utilisation, les parts de requêtes ont tendance à migrer vers des domaines orientés vers la cognition tels que la productivité, l’apprentissage et le développement professionnel.
Une fois qu’un utilisateur utilise un agent pour déboguer du code ou résumer un rapport financier, il revient rarement à des tâches de moindre valeur. Les catégories ‘Productivité’ et ‘Workflow’ présentent les taux de rétention les plus élevés. Ce comportement implique que les premiers programmes pilotes devraient anticiper une courbe d’apprentissage où l’utilisation évolue de la simple récupération d’informations à la délégation de tâches complexes.
Le « où » de l’IA agentique est tout aussi important que le « quoi ». L’étude de Perplexity a suivi les environnements – sites Web et plateformes spécifiques – où ces agents d’IA opèrent. La concentration de l’activité varie en fonction de la tâche, mais les principaux environnements sont des piliers de la pile d’entreprise moderne.
Google Docs est un environnement principal pour l’édition de documents et de feuilles de calcul, tandis que LinkedIn domine les tâches de réseautage professionnel. Pour ‘Apprentissage & Recherche’, l’activité est répartie entre des plateformes de cours comme Coursera et des référentiels de recherche.
Pour les CISO et les responsables de la conformité, cela présente un nouveau profil de risque. Les agents d’IA ne se contentent pas de lire des données ; ils les manipulent activement au sein des applications d’entreprise essentielles. L’étude définit explicitement les requêtes agentiques comme celles impliquant un « contrôle du navigateur » ou des actions sur des applications externes via des API. Lorsqu’un employé demande à un agent de « résumer ces études de cas clients », l’agent interagit directement avec des données propriétaires.
La concentration des environnements met également en évidence le potentiel d’optimisations spécifiques à la plateforme. Par exemple, les cinq principaux environnements représentent 96 % des requêtes de réseautage professionnel, principalement sur LinkedIn. Cette forte concentration suggère que les entreprises pourraient voir des gains d’efficacité immédiats en développant des politiques de gouvernance spécifiques ou des connecteurs API pour ces plateformes à fort trafic.
La diffusion d’agents d’IA capables invite de nouvelles lignes d’investigation pour la planification d’entreprise. Les données de Perplexity confirment que nous avons dépassé la phase spéculative. Les agents sont actuellement utilisés pour planifier et exécuter des actions multi-étapes, modifiant leurs environnements plutôt que simplement échanger des informations.
Les dirigeants opérationnels devraient envisager trois actions immédiates :
– Audit des points de friction de productivité et de workflow au sein des équipes à forte valeur ajoutée : les données montrent que c’est là que les agents trouvent naturellement leur place. Si les ingénieurs logiciels et les analystes financiers utilisent déjà ces outils pour éditer des documents ou gérer des comptes, formaliser ces flux de travail pourrait standardiser les gains d’efficacité.
– Se préparer à l’augmentation de la réalité : les chercheurs notent que bien que les agents aient de l’autonomie, les utilisateurs divisent souvent les tâches en plus petites parties, en déléguant uniquement des sous-tâches. Cela suggère que l’avenir immédiat du travail est collaboratif, nécessitant que les employés soient formés sur la manière de « gérer » efficacement leurs homologues IA.
– Aborder la couche d’infrastructure et de sécurité : avec les agents opérant dans des « environnements web à monde ouvert » et interagissant avec des sites comme GitHub et des e-mails d’entreprise, le périmètre de prévention de la perte de données s’élargit. Les politiques doivent faire la distinction entre un chatbot offrant des conseils et un agent exécutant du code ou envoyant des messages.
Alors que le marché de l’IA agentique devrait passer de 8 milliards de dollars en 2025 à 199 milliards de dollars d’ici 2034, les premières preuves de Perplexity servent de signal d’alerte. La transition vers des flux de travail d’entreprise dirigés par des agents d’IA est en cours, pilotée par les segments les plus capables numériquement de la main-d’œuvre. Le défi pour l’entreprise est de tirer parti de cette dynamique sans perdre le contrôle de la gouvernance nécessaire pour le déployer en toute sécurité.