Les agents IA font enfin du vrai travail. Les chiffres sont bizarres.

En bref

Les agents IA ne sont plus juste une démo impressionnante.

Un nouveau rapport d'OpenAI, écrit avec des chercheurs de Columbia, Duke et l'université de Pennsylvanie, regarde comment les gens utilisent Codex. Le message est simple : on commence à déléguer du vrai travail à l'IA, pas seulement à lui poser des questions.

Pas juste "écris-moi un paragraphe." Pas juste "explique-moi cette erreur."

Plutôt : inspecte mes fichiers, modifie le truc, lance la commande, crée le rapport, corrige le workflow, et reviens quand c'est fait.

C'est ça le changement. Un chatbot répond. Un agent agit.

Ce que dit le rapport

Codex a commencé comme outil de code. Logique. Le code est l'un des meilleurs terrains pour un agent, parce que le résultat se vérifie assez facilement. L'app compile ou elle ne compile pas. Le test passe ou il ne passe pas.

Mais Codex sort du code.

OpenAI dit que Codex a maintenant plus de 5 millions d'utilisateurs actifs par semaine, soit plus de 6x depuis le lancement de l'app desktop en février. Les développeurs restent le plus gros groupe, mais les knowledge workers représentent environ 20% des utilisateurs et grandissent plus de trois fois plus vite.

Traduction : l'outil construit pour les développeurs arrive dans le travail de bureau classique.

Les gens l'utilisent pour créer des rapports, des spreadsheets, des présentations, des contrats, des résumés de recherche, de petits outils internes, et toute cette paperasse numérique qui mange la journée.

C'est exactement le schéma dont je parlais avec Claude Code et le vibe coding. Au début, l'outil a l'air réservé aux ingénieurs. Puis tout le monde comprend que la vraie compétence, ce n'est pas "savoir coder." La vraie compétence, c'est de décrire le travail assez clairement pour qu'une IA puisse le faire.

La partie bizarre

Les chiffres d'adoption sont bizarres, mais dans le bon sens.

Chez OpenAI, Codex a quasiment tout remplacé. Le rapport dit qu'au 11 juin 2026, Codex représentait 99,8% des tokens de sortie générés par les employés OpenAI entre Codex et ChatGPT.

Dans les organisations externes, Codex représentait 63,3% des tokens de sortie.

Chez les utilisateurs individuels, seulement 16,5%.

Et le détail important : moins de 1% des utilisateurs individuels actifs avaient utilisé Codex sur les 28 derniers jours, selon le rapport. Presque tout le monde utilise encore le chat.

Donc non, on ne vit pas encore dans un monde où chaque personne a cinq agents IA qui gèrent sa vie.

Pas encore.

Mais les gens qui passent de l'autre côté l'utilisent beaucoup. Ils arrêtent de traiter l'IA comme une barre de recherche et commencent à la traiter comme un opérateur junior. Un peu chaotique, oui. Mais un opérateur quand même.

Mise à jour : Linear montre le deuxième chiffre bizarre

Deux mois plus tard, Linear apporte un deuxième point de données très utile.

Son rapport sur l'usage de l'IA s'appuie sur des données agrégées de workspaces Linear payants : conversations IA, sessions d'agents, activité sur les issues, commentaires et pull requests. Ce n'est pas un recensement de tout le marché, et Linear le précise. L'entreprise voit ce qui se passe dans Linear. Elle ne voit pas tous les workflows IA qui vivent dans un terminal, un IDE, un thread Slack, un navigateur ou un repo privé.

Très bien.

Cette limite est justement ce qui rend le rapport intéressant. Il ne transforme pas les tokens en religion de la productivité. Il regarde la surface de travail où les équipes produit se coordonnent vraiment.

Premier signal : l'IA n'est plus seulement une habitude d'ingénieur.

Entre janvier et juin 2026, Linear dit que la part d'utilisateurs actifs sur ses fonctionnalités IA a plus que doublé dans toutes les fonctions mesurées. Les utilisateurs produit sont passés de 12% à 34%. L'engineering de 12% à 30%. Même le go-to-market est passé de 5% à 18%.

Cela confirme l'histoire de Codex : les agents commencent dans le code, puis se diffusent dans le travail organisationnel normal.

Le deuxième signal est plus tranchant.

Linear dit que les équipes avec agents de code ouvrent beaucoup plus de pull requests par workspace et par semaine que les équipes sans agents. En juin 2024, la cohorte avec agents de code tournait autour de 21 PR par semaine. En juin 2026, ce chiffre était autour de 65. Les équipes traditionnelles sont passées d'environ 8 à environ 10.

C'est énorme.

Ce n'est pas pour autant la même chose que "l'IA a rendu tout le monde 3x plus productif".

Linear dit la partie gênante à voix haute : les pull requests mesurent du mouvement, pas de la valeur. Plus de PR peut vouloir dire plus de travail utile. Cela peut aussi vouloir dire plus de relecture, plus de coordination, plus de petits changements, plus de bruit généré par des bots, plus de branches à moitié terminées, et plus de choses que les humains doivent merger, refuser, réécrire ou babysitter.

Puis vient la phrase qui devrait faire transpirer quelques decks de productivité IA :

Linear dit que ces gains n'apparaissent pas clairement comme du temps économisé. Le travail existant reste là, l'IA apparaît comme une couche de travail supplémentaire, et le temps total passé sur le développement produit semble augmenter plutôt que baisser.

Très efficace. On a automatisé le travail et obtenu plus de travail.

Ce n'est pas une attaque contre les agents. C'est la vraie courbe d'adoption.

Quand un outil rend le travail moins cher, les équipes en font souvent davantage. Elles écrivent plus d'issues. Ouvrent plus de PR. Explorent plus de branches. Demandent plus de variantes. Transforment plus tôt des idées floues en tickets. Relisent plus de diffs générés par machine. Accélèrent une partie du système et découvrent qu'une autre partie est maintenant le goulot.

L'agent n'a pas supprimé l'équipe.

Il a déplacé la contrainte.

La couche de revue devient le produit

Le changelog de Linear du 20 août raconte la même chose côté produit.

Linear Agent peut maintenant configurer, lancer et tester le code avant de rendre son travail. Il peut s'adapter à la configuration du codebase, installer des dépendances, utiliser des versions de runtime et des scripts de setup, lancer l'application, naviguer dans des flows navigateur, vérifier l'implémentation, capturer des screenshots avant/après, corriger des problèmes, relancer les tests et revenir avec la validation attachée.

Cela ressemble à une fonctionnalité d'agent de code.

C'est aussi une fonctionnalité de système de revue.

Le mouvement important n'est pas seulement que l'agent écrit du code. C'est qu'il ramène des preuves avec le code : l'environnement utilisé, les commandes lancées, ce qu'il a vu dans le navigateur, ce qui a changé, ce qui a échoué, ce qu'il a corrigé et ce qui demande encore une décision humaine.

C'est la direction des produits d'agents.

Pas seulement "voici un patch".

"Voici un patch, l'historique d'exécution, les preuves de test, les screenshots, le coût et le jugement qui reste à poser."

C'est beaucoup plus proche de la façon dont les équipes vont absorber le travail agentique.

Le goulot devient moins l'écriture du code que la décision de laisser ou non le travail produit par la machine entrer dans le produit.

Ce qu'un agent change vraiment

La façon la plus simple de comprendre :

Un chatbot donne des instructions.

Un agent suit les instructions.

Si vous demandez à ChatGPT : "Comment analyser ce spreadsheet ?", il peut vous expliquer les étapes. Si vous demandez à un agent, il peut ouvrir le fichier, écrire la formule, faire le graphique, sauvegarder, puis vous dire ce qui a changé.

Ça a l'air petit, jusqu'à ce qu'on réalise à quel point le travail moderne ressemble à ça.

Trouver le truc. Déplacer le truc. Renommer le truc. Comparer le truc. Transformer ce truc en un autre truc. Envoyer le truc à la bonne personne.

On appelle ça du knowledge work. Une grosse partie, c'est juste du babysitting de fichiers.

Les agents sont bons pour le babysitting de fichiers.

Pourquoi ça compte même si vous ne codez pas

La grosse erreur, c'est de croire que tout ça concerne seulement la programmation.

La programmation est juste le premier terrain d'atterrissage, parce que les développeurs sont habitués à laisser des outils toucher des fichiers, lancer des commandes et casser des choses dans un environnement contrôlé. La plupart des gens ne le sont pas. Si vous êtes marketeur, juriste, analyste, recruteur ou fondateur, donner accès à vos fichiers à une IA peut sembler complètement fou.

Franchement ? Normal.

Mais c'est aussi pour ça que c'est important. Le vrai sujet, ce n'est pas seulement l'intelligence du modèle. C'est la confiance, les permissions, la relecture et la façon dont le workflow est construit.

Le rapport d'OpenAI dit que l'adoption dépend du contexte : accès aux bons fichiers et systèmes, attentes du management, compétences des équipes, et processus de vérification. En français normal : les agents marchent mieux quand l'environnement est pensé pour eux.

C'est pour ça qu'OpenAI est un cas extrême. Les employés ont la formation, la culture interne, l'accès pas cher et une bonne raison de tester les nouveaux outils. Le cabinet de votre dentiste, beaucoup moins.

Donc le futur n'arrive pas partout en même temps. Ça n'arrive jamais comme ça.

D'abord les labs IA et les petites startups. Puis les équipes produit et logiciel. Puis les ops. Puis une personne en finance automatise discrètement la moitié de ses tâches récurrentes, et tout le monde se demande pourquoi ses rapports sont toujours prêts en avance.

Le piège

Il y a deux gros pièges.

D'abord, les chiffres ne sont pas parfaits. Certaines estimations de complexité dans le rapport sont faites par modèle. Autrement dit, une IA estime combien de temps une tâche aurait pris à un humain. C'est utile, mais ce n'est pas un chronomètre.

Ensuite, les agents ont besoin de supervision. C'est la phrase ennuyeuse, mais c'est la plus importante.

Un agent qui peut modifier des fichiers peut aussi modifier les mauvais fichiers. Un agent qui peut envoyer des emails peut aussi envoyer un email bizarre. Un agent qui peut lire vos documents peut aussi les comprendre de travers.

Le futur du travail, ce n'est pas "ne rien faire pendant que l'IA travaille."

Le futur du travail, c'est : expliquer l'objectif, donner le bon contexte, poser les limites, relire le résultat, et attraper les trucs bizarres avant qu'ils deviennent réels.

Moins taper. Plus diriger.

Ce que vous devriez essayer

Si vous n'avez jamais utilisé d'agent, ne commencez pas en lui donnant toute votre vie.

Commencez petit.

Donnez-lui un dossier avec des fichiers sans risque. Demandez-lui de les organiser. Demandez-lui de résumer quelques documents. Demandez-lui de transformer des notes brouillon en brief propre. Demandez-lui de faire un spreadsheet à partir d'un CSV. Regardez ce qu'il fait.

Puis posez-vous la vraie question : est-ce que ça vous a fait gagner du temps, ou est-ce que ça a juste créé un nouveau truc à babysitter ?

Les données de Linear rendent cette question moins théorique.

La meilleure réponse provisoire pourrait être :

Cela crée plus de travail qui a l'air terminé, puis votre processus doit décider ce qui mérite de survivre.

C'est tout le sujet en ce moment.

Les agents sont enfin assez bons pour faire du vrai travail. Ils ne sont pas assez bons pour être ignorés.

Et c'est peut-être la meilleure description de l'IA en 2026 : pas magique, pas fake, mais bizarrement utile si vous savez la manager.