Quand l’IA cesse de répondre pour commencer à agir

Kevin Dumoux accompagne dirigeants et organisations dans la conception et le déploiement de stratégies de transformation et d’influence. Co-créateur du Cercle K2, il intervient régulièrement dans de Grandes Écoles sur les enjeux de leadership et d’innovation.

---

Lors d'un récent déplacement avec le Cercle K2 à Rome, un dîner réunissait quelques membres et non membres venus d'horizons divers. La conversation, comme souvent désormais, a rapidement porté sur l'intelligence artificielle. À la question de savoir quelles étaient mes pratiques professionnelles récentes, j'ai répondu que je consacrais de moins en moins de temps à dialoguer avec un modèle, et de plus en plus à concevoir des systèmes qui dialoguent entre eux à ma place.

Autour de la table, des praticiens de haut niveau (architecte, avocats, universitaires, journaliste, dirigeants d'entreprises) tous familiers de l'IA générative, qu'ils mobilisent déjà pour rédiger, instruire un dossier, défricher une littérature ou cadrer une décision. Or, peu d'entre eux avaient déjà croisé le terme qui s'impose de plus en plus comme une pratique : la boucle (ou loop). L'observation n'a rien d'anecdotique. Ce n'étaient pas des compétences qui manquaient, ces métiers comptent parmi les plus exigeants qui soient. Le phénomène tenait plutôt à la diffusion encore limitée d'un usage largement confiné aux ateliers de spécialistes, notamment les développeurs de logiciels ou les architectes de systèmes complexes. C'est dans ce contexte que j'ai décidé de rédiger cette note. Elle se propose d'en offrir un tour d'horizon. L'ambition n'est pas l'exhaustivité technique (les plus aguerris me pardonneront certains raccourcis techniques), mais de donner le cadre général qui permet de comprendre les enjeux principaux.

Le point de levier se déplace

Depuis plus de deux ans, l'usage professionnel de l'IA a notamment reposé sur une division du travail implicite : la machine produit, l'humain arbitre. On formule une instruction, le modèle répond, on relit, on corrige, on relance. C'est l'interface conversationnelle, ou chat, dont chacun est maintenant familier, quel qu'en soit le fournisseur (Claude, ChatGPT, Gemini, Mistral AI, etc.). Dans ce schéma, l'humain est la boucle, c'est à dire le maillon qui évalue le résultat et réinjecte une consigne. Le fonctionnement par boucle consiste à externaliser ce maillon. On ne pilote plus l'agent [1] étape par étape. On conçoit un cycle qui découvre, planifie, exécute, vérifie et recommence jusqu'à l'atteinte d'un objectif précis. La distinction, sous son apparente trivialité, est structurante : une instruction confie une tâche à l'agent. Une boucle lui confie un mandat.

Toute boucle, qu'elle soit élémentaire ou complexe, parcourt le même cycle en cinq temps (découvrir, planifier, exécuter, vérifier, itérer), la vérification jouant le rôle de gardien : si elle est satisfaite, le travail est livré ; sinon, le cycle reprend.

Source : @0xCodez

Deux échelles d'orchestration

Le modèle se décline à deux échelles, sur un squelette commun :

• La boucle mono-agent s'apparente à un praticien retravaillant son propre brouillon : il enquête, rédige, confronte à l'objectif, corrige, recommence. Elle convient aux tâches circonscrites.
• La boucle en flotte mobilise une organisation entière. Un agent orchestrateur reçoit le mandat, le décompose, en distribue les fragments à des agents spécialisés, qui délèguent à leur tour à des sous-agents.

Un principe s'impose ici : ne jamais confier l'exécution et son contrôle au même agent. Un modèle juge toujours trop favorablement sa propre production. Un second agent, doté d'autres instructions, parfois d'un autre modèle, repère ce que le premier a laissé passer. C'est la séparation des fonctions, transposée à la machine.

À bien des égards, la boucle n’a rien de nouveau. Son principe relève même d’une logique élémentaire, enseignée dès le lycée, que l’on retrouve depuis longtemps dans les mathématiques et l’informatique. Les structures « tant que » (while) ou « pour » (for) reposent déjà sur la même idée : exécuter une série d’actions, vérifier une condition, puis recommencer jusqu’à atteindre un résultat donné. Ce qui change aujourd’hui n’est donc pas l’existence de la boucle elle-même, mais la possibilité d’y intégrer des agents capables de raisonner, de prendre des décisions intermédiaires et de corriger leur propre trajectoire sans intervention humaine systématique.

Quelques exemples

1. Dans le développement logiciel, la boucle a trouvé sa forme la plus aboutie. Elle se nourrit de la vision et de l'architecture du projet, propose une modification, puis la confronte aux tests, qui tranchent. Si un échec est constaté : elle lit l'erreur et corrige, sans qu'on ait à intervenir. Si on constate un succès : elle documente et s'efface. Si le code est le terrain où les boucles fermées excellent, c'est que le test y joue le rôle d'un arbitre impartial. La maturité des modèles trouvent une issue quasi-systématique sur ces tests.

2. La recherche obéit à une logique voisine, mais l'arbitre y est plus délicat à définir. À partir d'une question, la boucle rassemble ses sources, en tire une synthèse, confronte chaque affirmation à ses appuis et tranche les contradictions, jusqu'à un seuil de confiance fixé d'avance. Toute la difficulté tient là : non pas produire une réponse, mais savoir quand elle est assez solide. Mes amis chercheurs diront que cette difficulté de production de réponse est encore très fragile.

3. En production éditoriale, le ressort est la critique. Un sujet, une audience, une intention, un premier jet. Puis un second agent qui le passe au crible et le renvoie à l'écriture. Le texte tourne ainsi jusqu'à franchir une grille de critères. La qualité finale ne tient pas au talent du premier jet, mais à la sévérité du relecteur. Pour avoir travaillé sur ce processus, on peut dire que les résultats sont concluants en 2026.

4. La prospection commerciale, enfin, illustre la boucle qui sait reconnaître ses limites. Elle part d'un profil de client idéal, repère et qualifie les prospects, personnalise l'approche, mais plutôt que d'appuyer elle-même sur « envoyer », elle remonte la décision à un humain. La main reste à l'opérateur là où l'enjeu relationnel l'exige. Là encore les résultats sont significatifs.

Derrière ces quatre exemples simplifiés, la mécanique ne change pas : fixer un but, agir, vérifier, corriger, et recommencer jusqu'à ce que le résultat tienne. Ce qui varie d'un cas à l'autre, c'est seulement l'arbitre, c'est à dire le test, le seuil de confiance, le relecteur et donc l'humain.

Si les boucles suscitent aujourd’hui autant d’intérêt, ce n’est d’ailleurs pas uniquement parce que les modèles progressent. Dans de nombreuses activités intellectuelles, le principal facteur limitant n’est plus la production d’une première réponse, mais le temps humain consacré à sa supervision. Relire, vérifier, comparer, corriger et relancer constituent souvent les étapes les plus coûteuses du processus. Les boucles visent précisément à réduire cette friction en automatisant une partie du travail de contrôle, tout en conservant un niveau de qualité défini à l’avance.

L’architecture d’une boucle efficace

Derrière les systèmes les plus performants se cache rarement une technologie révolutionnaire. Leur efficacité repose davantage sur une architecture cohérente que sur la sophistication de chacun de leurs composants.

Une boucle robuste s’appuie généralement sur quelques principes simples : un cadre qui organise le rythme de l’action, des espaces de travail suffisamment distincts pour éviter les interférences, des règles partagées qui assurent la continuité des décisions, des capacités d’interaction avec l’environnement réel, des mécanismes de contrôle permettant de distinguer l’exécution de l’évaluation, et surtout une mémoire durable.

Cette mémoire est souvent sous-estimée. Elle peut prendre la forme d’un simple document, d’un journal de bord ou d’un historique structuré. Pourtant, c’est elle qui permet à une organisation, à une équipe ou à un système de ne pas recommencer sans cesse les mêmes expérimentations. Elle assure la continuité de l’apprentissage et transforme une succession d’actions isolées en véritable trajectoire de progrès mesurables.

Une réserve essentielle

Il serait toutefois erroné de voir dans ces dispositifs une simplification du travail intellectuel.

Deux personnes peuvent disposer exactement du même système et obtenir des résultats radicalement différents. La première l’utilisera pour approfondir un sujet qu’elle maîtrise déjà et accélérer sa capacité d’analyse. La seconde cherchera surtout à déléguer l’effort de compréhension. L’outil, lui, ne fait aucune différence entre ces deux usages.

La véritable valeur ne réside donc pas dans l’automatisation elle-même, mais dans la capacité à construire et gouverner un dispositif capable d’apprendre de manière continue. Car, à long terme, une boucle rigoureusement pensée produit davantage de résultats qu’une accumulation d’actions, aussi brillantes soient-elles.

Cette évolution soulève une question plus large encore. Depuis la révolution industrielle, les organisations ont principalement été conçues pour coordonner le travail d’êtres humains. Les boucles ouvrent la possibilité d’organiser également des collectifs d’agents logiciels, capables de coopérer, de se contrôler mutuellement et de poursuivre des objectifs communs sous supervision humaine. La question n’est donc plus seulement celle de l’automatisation des tâches. Elle devient celle de la conception de nouvelles formes d’organisation du travail intellectuel, dont les entreprises, les administrations et les institutions commencent à peine à mesurer les conséquences.

Kevin Dumoux

---

[1] Les agents d'IA sont des systèmes logiciels qui poursuivent des objectifs et exécutent des tâches pour le compte de leurs utilisateurs, avec un certain degré d'autonomie pour décider, apprendre et s'adapter. Rendus possibles par les modèles de fondation multimodaux, ils traitent indifféremment texte, voix, image, son ou code : ils conversent, raisonnent, planifient, gardent en mémoire leurs actions et collaborent avec d'autres agents pour mener à bien des processus complexes. Voir une définition complète selon Google Cloud en cliquant ici