De nouvelles données d’adoption de Perplexity révèlent comment les agents d’IA génèrent des gains d’efficacité des flux de travail en prenant en charge des tâches d’entreprise complexes.
Au cours de la dernière année, le secteur technologique a fonctionné en partant du principe que la prochaine évolution de l’IA générative passerait du stade de la conversation à celui de l’action. Alors que les grands modèles linguistiques (LLM) servent de moteur de raisonnement, les « agents » agissent comme des mains, capables d’exécuter des flux de travail complexes en plusieurs étapes avec une supervision minimale.
Cependant, jusqu’à présent, la visibilité sur la manière dont ces outils sont réellement utilisés dans la nature était opaque et reposait en grande partie sur des cadres spéculatifs ou des enquêtes limitées.
De nouvelles données publiées par Perplexity, analysant des centaines de millions d’interactions avec son navigateur et son assistant Comet, 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 de grande valeur 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 du shadow IT. L’étude révèle une hétérogénéité marquée en matière d’adoption. Les utilisateurs des pays ayant un PIB par habitant et un niveau d’éducation plus élevés sont beaucoup plus susceptibles d’utiliser des outils agents.
La répartition professionnelle est plus révélatrice pour la planification d’entreprise. L’adoption est fortement concentrée dans les secteurs numériques et à forte intensité de connaissances. Le cluster « Technologie numérique » représente la part la plus importante, avec 28 % des adoptants et 30 % des requêtes. Viennent ensuite de près le monde universitaire, la finance, le marketing et l’entrepreneuriat.
Collectivement, ces clusters représentent plus de 70 pour cent du total des adoptants. Cela suggère que les individus les plus susceptibles d’exploiter les flux de travail agents sont les actifs les plus coûteux au sein d’une organisation : les ingénieurs logiciels, les analystes financiers et les stratèges de marché. Ces premiers utilisateurs ne barbotent pas ; les données montrent que les « utilisateurs expérimentés » (ceux ayant un accès antérieur) effectuent neuf fois plus de requêtes agents que les utilisateurs moyens, ce qui indique qu’une fois intégrée dans un flux de travail, la technologie devient indispensable.
Agents IA : des partenaires pour les tâches d’entreprise, pas des majordomes
Pour aller au-delà des discours marketing, les entreprises doivent comprendre l’utilité de ces agents. Une vision commune suggère que les agents fonctionneront principalement comme des « concierges numériques » pour les tâches administratives de base. Cependant, les données remettent en question cette vision : 57 % de toutes les activités des agents se concentrent sur le travail cognitif.
Les chercheurs de Perplexity ont développé une « taxonomie agentique hiérarchique » pour classer les intentions des utilisateurs, révélant que l’utilisation des agents d’IA est pratique plutôt qu’expérimentale. Le cas d’utilisation dominant est « Productivité et flux de travail », qui représente 36 % de toutes les requêtes agents. Viennent ensuite « Apprentissage et recherche » avec 21 pour cent.
Des anecdotes spécifiques tirées de l’étude illustrent comment cela se traduit en valeur d’entreprise. Un professionnel des achats, par exemple, a utilisé l’assistant pour analyser des études de cas clients et identifier les cas d’utilisation pertinents avant de s’engager avec un fournisseur. De même, un employé des finances a délégué les tâches de filtrage des options d’achat d’actions et d’analyse des informations sur les investissements. 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 précise aux dirigeants opérationnels : le retour sur investissement immédiat de l’IA agentique réside dans la mise à l’échelle des capacités humaines plutôt que dans la simple automatisation des frictions de faible niveau. L’étude définit ces agents comme des systèmes qui « alternent automatiquement entre 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 majordome.
L’adhésivité et la migration cognitive
Un élément clé pour les responsables informatiques est la « rigidité » des agents d’IA pour les flux de travail d’entreprise. Les données montrent qu’à court terme, les utilisateurs font preuve d’une forte persistance au sein du sujet. 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 utilisateur évolue souvent. Les nouveaux utilisateurs « testent fréquemment le terrain » avec des requêtes à faibles enjeux, comme demander des recommandations de films ou des anecdotes générales. Au fil du temps, une transition se produit. L’étude note que même si les utilisateurs peuvent entrer via divers cas d’utilisation, les partages de requêtes ont tendance à migrer vers des domaines à orientation cognitive tels que la productivité, l’apprentissage et le développement de carrière.
Une fois qu’un utilisateur emploie 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 » affichent les taux de rétention les plus élevés. Ce comportement implique que les premiers programmes pilotes doivent 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 plates-formes spécifiques) dans lesquels ces agents d’IA opèrent. La concentration de l’activité varie selon la tâche, mais les principaux environnements sont des éléments essentiels 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 et recherche », l’activité est répartie entre des plateformes de cours comme Coursera et des référentiels de recherche.
Pour les RSSI 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 le manipulent activement au sein des applications de base de l’entreprise. 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 charge 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’optimisation spécifique à la plateforme. Par exemple, les cinq principaux environnements représentent 96 % des requêtes dans les réseaux professionnels, principalement sur LinkedIn. Cette forte concentration suggère que les entreprises pourraient constater des gains d’efficacité immédiats en développant des politiques de gouvernance spécifiques ou des connecteurs API pour ces plateformes à fort trafic.
Planification commerciale pour l’IA agentique suivant les données de Perplexity
La diffusion d’agents d’IA compétents ouvre de nouvelles pistes de recherche pour la planification commerciale. Les données de Perplexity confirment que nous avons dépassé la phase spéculative. Les agents sont actuellement utilisés pour planifier et exécuter des actions en plusieurs étapes, modifiant leur environnement plutôt que de simplement échanger des informations.
Les dirigeants opérationnels doivent envisager trois actions immédiates :
- Auditer la productivité et le flux de travail points de friction au sein d’équipes à forte valeur : 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, la formalisation de ces flux de travail pourrait standardiser les gains d’efficacité.
- Préparez-vous à la réalité de l’augmentation : Les chercheurs notent que même si les agents jouissent d’une certaine autonomie, les utilisateurs divisent souvent les tâches en morceaux plus petits, ne déléguant que des sous-tâches. Cela suggère que l’avenir immédiat du travail est collaboratif, exigeant que les employés acquièrent des compétences pour « gérer » efficacement leurs homologues IA.
- Abordez la couche d’infrastructure et de sécurité : Avec des agents opérant dans des « environnements Web ouverts » et interagissant avec des sites comme GitHub et la messagerie d’entreprise, le périmètre de prévention contre 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 baromètre. La transition vers des flux de travail d’entreprise dirigés par des agents IA est en cours, portée par les segments de main-d’œuvre les plus compétents en matière numérique. Le défi pour l’entreprise est d’exploiter cette dynamique sans perdre le contrôle de la gouvernance nécessaire pour évoluer en toute sécurité.
