De l'adoption de l'IA aux opérations agentiques : ce que la collection « AI in 2026 » de la HBS signifie pour l'IA en entreprise

La collection de recherches « AI in 2026 » de HBS Working Knowledge est articulée autour du passage « de l'adoption à l'agentique ». Notre interprétation en matière d'infrastructure est une transition vers l'exécution déléguée: une fois que l'IA est capable d'effectuer un travail à travers différentes étapes, outils, systèmes et personnes, les entreprises doivent décider ce que le système est autorisé à faire, avec quelle autorité, sous quels contrôles et avec quelles preuves a posteriori.

1. Le changement majeur ne réside pas dans le passage des prompts aux meilleurs prompts

De nombreux programmes initiaux d'IA générative en entreprise se sont concentrés sur l'accès et l'adoption. Les systèmes agentiques élargissent l'unité de travail : au lieu qu'une seule interaction produise une réponse, une exécution peut englober des appels de modèles, des outils, un état persistant, des approbations, des tentatives de répétition et des effets secondaires externes.

Cela modifie la question opérationnelle. Un prompt peut demander une information ou une transformation ; une exécution d'agent peut devenir une délégation de travail.

C'est le fil conducteur des recherches de la HBS. L'article sur le leadership interroge ce qui se passe lorsque les dirigeants bénéficient d'équipes de soutien numériques. L'étude sur les emplois examine quelles tâches les individus sont prêts à déléguer. L'étude sur le travail d'équipe analyse quand l'IA améliore la production collaborative. L'étude sur le crédit examine ce qui importe aux gens lorsque des algorithmes prennent des décisions lourdes de conséquences. La discussion sur la densité des talents explore comment les organisations transforment une expertise rare en avantage organisationnel.

2. Premier thème de la HBS : le leadership devient une orchestration

Dans « What Leadership Looks Like in an Agentic AI World », Tsedal Neeley et Ritcha Ranjan décrivent l'IA agentique comme une ressource de soutien numérique potentielle pour les dirigeants : des systèmes capables de recueillir des informations, de les synthétiser en fonction des priorités organisationnelles, de préparer les dirigeants aux interactions et d'effectuer des tâches complexes de manière semi-autonome.

L'implication technique est facile à manquer. Une « équipe de soutien numérique » utile ne peut pas être modélisée comme une simple complétion sans état. Elle nécessite un environnement d'exécution capable de conserver un problème, d'opérer sur plusieurs tours, d'utiliser des outils, de faire une pause lorsque le jugement est requis et de rendre compte de ce qui s'est passé.

C'est le rôle que joue un agent harness . TrueForge dans sa documentation officielle se décrit comme un « agent harness », c'est-à-dire l'environnement d'exécution autour d'un LLM qui gère la boucle d'exécution modèle/outils, maintient le contexte des tâches longues, prend en charge les outils et compétences MCP, provisionne des environnements isolés (sandboxed) si nécessaire, marque des pauses pour obtenir l'approbation humaine, gère les sous-agents et assure la persistance des sessions lors des reconnexions et redémarrages.

Cette affirmation doit rester mesurée : TrueForge permet de rendre un agent durable et inspectable. Il ne définit pas les priorités d'un dirigeant, ne décide pas quelles tâches doivent être déléguées et ne sait pas ce qui constitue un bon leadership.

3. Deuxième thème de la HBS : automatiser les tâches, pas la responsabilité

Les recherches de James Riley à la HBS sur les attitudes du public envers l'automatisation ont interrogé 2 357 personnes occupant 940 emplois différents. Les répondants étaient favorables à l'automatisation d'environ 30 % des emplois avec les capacités actuelles ; lorsqu'on leur a demandé d'imaginer une IA surpassant les humains à moindre coût, ce soutien est passé à 58 %. Pourtant, un nombre significatif de professions est resté socialement ou moralement réfractaire à l'automatisation.

Pour l'architecture d'entreprise, la leçon importante n'est pas le pourcentage mis en avant. C'est que les limites de la délégation sont contextuelles. Certaines tâches peuvent être exécutées sans surveillance. D'autres doivent être assistées. Certaines enfin doivent exiger une décision humaine, même lorsque le modèle est techniquement capable d'agir.

Cela va à l'encontre d'un « mode autonome » universel. Un système de production nécessite des points de contrôle explicites :

• À quels modèles et outils cet agent peut-il accéder ?
• Quelles opérations peuvent être exécutées sans intervention ?
• Quelles actions nécessitent une approbation humaine ?
• Quel système en aval reste l'autorité décisionnelle pour l'effet final ?
• Que se passe-t-il lorsque la politique, le budget ou l'autorisation imposent un refus ?

Passerelle MCP TrueFoundry s'aligne naturellement sur la limite des outils partagés : registre et découverte, identité entrante, contrôle d'accès au niveau de l'outil, identifiants en aval, garde-fous avant/après l'outil, flux de travail d'approbation et audit du trafic MCP acheminé via la passerelle. Passerelle IA fournit une limite de modèle correspondante avec un accès unifié, un contrôle d'accès basé sur les rôles (RBAC), des limites de débit, des budgets, un routage/des solutions de secours, des garde-fous et une observabilité.

L'autorisation en production doit également préserver des entités distinctes. L'humain ou la charge de travail est le sujet pour le compte duquel le travail est effectué ; l'agent enregistré est l' acteur qui effectue l'appel ; et le service en aval applique les identifiants et l'autorisation métier configurés pour cette cible. La conception de l' identité d'agent en version bêta de TrueFoundry permet de maintenir l'imputabilité de l'utilisateur ou du service tout en identifiant et en autorisant séparément l'agent appelant. Cela n'accorde pas pour autant un droit métier : l'autorisation d'accéder à process_refund est différente de l'autorisation de rembourser une commande spécifique pour un montant donné.

Aucune de ces passerelles ne prend la décision métier sous-jacente à votre place. Si un remboursement, un prêt, un déploiement ou une modification de permission est soumis à des règles d'autorisation spécifiques au domaine, ces règles continuent de relever de la politique et du système d'enregistrement concernés.

4. Troisième thème de la HBS : l'IA peut devenir un coéquipier, mais le travail d'équipe nécessite une infrastructure partagée

L'article de la HBS « When AI Joins the Team, Better Ideas Surface » rend compte d'une expérience de terrain menée auprès de 791 professionnels de Procter & Gamble. Les équipes utilisant l'IA ont produit les solutions de la plus haute qualité lors de l'expérience ; les idées figurant dans les 10 % les plus performantes avaient trois fois plus de chances de provenir d'équipes utilisant l'IA que d'individus travaillant sans IA. L'IA a également réduit le temps de réalisation de 16 % pour les individus et de 13 % pour les équipes. L'étude finale, évaluée par des pairs, a été publiée dans Organization Science en 2026.

Cela ne signifie pas pour autant que chaque entreprise doive créer une nuée d'agents. Cela suggère quelque chose de plus subtil : l'IA peut élargir l'accès à l'expertise et contribuer à briser les silos fonctionnels lorsqu'elle est intégrée dans un système de travail bien conçu.

Pour les équipes d'infrastructure, cela soulève un problème de réutilisation. Si chaque équipe développe ses propres adaptateurs de modèles, ses identifiants d'outils, ses boucles d'agents, ses interfaces d'approbation, ses compétences et ses traces, l'organisation obtient une accélération locale au prix d'une fragmentation globale.

Un modèle plus évolutif consiste à utiliser :

• TrueForge pour les mécanismes d'exécution ouverts des agents.
• Passerelle IA pour l'accès partagé aux modèles et les politiques côté modèle.
• Passerelle MCP pour un accès gouverné aux outils et aux données.
• Registre des compétences pour des connaissances procédurales versionnées et réutilisables sur différentes interfaces d'agents.
• Registre des agents pour un inventaire commun, une interface d'accès, des métriques et des traces pour les agents enregistrés, y compris les agents distants.

L'avantage organisationnel ne réside pas dans le « nombre d'agents ». Il réside dans le fait que les pratiques utiles deviennent réutilisables au lieu de rester confinées à un seul prompt, à l'ordinateur d'un développeur ou à l'intégration privée d'une équipe.

5. Quatrième thème de la HBS : les décisions à fort enjeu nécessitent de la performance et des preuves

Les recherches d'Elisabeth Paulson sur les décideurs humains par rapport aux algorithmes ont porté sur environ 9 000 participantsDans le scénario de prêt, les participants étaient 4,3 points de pourcentage plus enclins à choisir un gestionnaire de banque humain plutôt qu'un algorithme. Les participants ont tout de même manifesté une préférence moyenne pour les décideurs humains, mais l'étude a révélé que les attributs de performance du décideur importaient collectivement davantage que sa nature humaine ou algorithmique.

Cela ne prouve pas que l'équité, la légalité ou la procédure régulière puissent être sacrifiées. L'étude elle-même évalue des préférences déclarées dans deux expériences conjointes, et non la validité réelle du déploiement d'un système de décision automatisé. La leçon plus solide des systèmes est plus restreinte : les allégations de performance nécessitent des preuves mesurables, tandis que les obligations en matière juridique, éthique, de confidentialité, d'équité, de transparence et de mise en œuvre doivent être évaluées indépendamment.

Cela nécessite de séparer au moins quatre couches :

Le modèle Agent → Session → Tour → Événement de TrueForge peut préserver les preuves d'exécution autour d'une exécution. Les passerelles TrueFoundry ajoutent une télémétrie des requêtes et des limites d'outils pour le trafic qui les traverse. Ces enregistrements sont des substrats utiles pour le débogage, la révision, l'évaluation et l'audit, mais une trace n'est pas en soi un évaluateur, et une approbation ne remplace pas une autorisation.

6. Cinquième thème de la HBS : la densité de talents crée un problème de réutilisation

Dans l'entretien de HBS Working Knowledge avec Boris Groysberg, l'argument central est qu'il est plus facile d'acquérir des talents de haut niveau en IA que d'intégrer ces talents afin que leurs connaissances se cumulent à l'échelle de l'organisation. La « densité de talents » ne concerne pas seulement le nombre de personnes exceptionnelles ; il s'agit de placer des personnes compétentes dans des rôles critiques et de créer les conditions où leur expertise modifie la performance du système qui les entoure.

Cette recherche a des implications en matière d'infrastructure. Les ingénieurs en IA hautement qualifiés devraient consacrer leur temps précieux à l'architecture, à l'évaluation, au jugement produit, au choix des modèles/outils et à la logique distinctive de l'entreprise, plutôt que de reconstruire l'authentification, les adaptateurs de fournisseurs, la gestion des identifiants d'outils, l'état d'approbation, la comptabilité analytique et la plomberie des traces pour chaque application.

Le registre des compétences de TrueFoundry est particulièrement pertinent ici. Il fournit un catalogue partagé de compétences d'agent réutilisables et versionnées, avec un contrôle d'accès basé sur les rôles (RBAC) du dépôt, un historique des versions et un audit. Cela transforme une procédure utile, passant d'une technique individuelle à un artefact organisationnel. Le même principe s'applique aux agents enregistrés, aux politiques de passerelle, aux règles de routage, aux budgets et à l'observabilité partagée.

7. Des conclusions organisationnelles à un modèle opérationnel agentique

Réunir les cinq thèmes de la HBS suggère un modèle opérationnel d'entreprise qui n'est ni « les humains approuvent tout » ni « les agents gèrent tout ». Il s'agit d'un système de délégation par couches :

8. Que devraient standardiser les entreprises dès maintenant ?

La recherche de la HBS est organisationnelle, et non une spécification d'architecture logicielle. Mais une fois qu'une organisation accepte le principe selon lequel l'IA opérera de plus en plus comme un coéquipier, un délégué et un participant à la décision, une série de questions d'infrastructure devient inévitable.

1. Standardisez l'exécution des agents. Définissez la manière dont les sessions persistent, les outils sont découverts, le contexte est géré, le code est isolé, les approbations suspendent l'exécution et les événements sont enregistrés.
2. Séparez la politique du modèle du code de l'application. Centralisez les identifiants des fournisseurs, le contrôle d'accès, le routage, les budgets, les limites de débit, les garde-fous et la télémétrie des modèles lorsque cela est possible.
3. Placez les outils d'entreprise derrière une identité et une politique explicites. Préservez le sujet humain ou la charge de travail, identifiez l'agent acteur et appliquez l'autorisation commerciale en aval. Un outil ne devient pas sûr simplement parce qu'il utilise le protocole MCP.
4. Concevez l'intervention humaine (HITL) comme une transition d'état d'exécution délimitée. L'exécution doit se mettre en pause avant l'effet secondaire, conserver l'action en attente exacte, enregistrer la décision du réviseur et reprendre à partir de l'état persisté. Les approbations doivent expirer ou être revalidées après des changements d'état significatifs.
5. Préservez les preuves des résultats. Les traces d'exécution expliquent ce que l'agent a tenté de faire ; les systèmes d'enregistrement prouvent ce qui s'est réellement passé.
6. Transformez les bonnes procédures en artefacts réutilisables. Les compétences, les politiques, les définitions d'agents et les évaluations doivent être versionnées plutôt que de résider dans des prompts copiés.
7. Maintenez la responsabilité commerciale en dehors du modèle. Les propriétaires humains et les systèmes faisant autorité décident toujours de ce qui est important, de ce qui est autorisé et de ce qui constitue un succès.

Un chemin de contrôle concret : le traitement d'un remboursement

Prenons l'exemple d'un agent de support utilisant les outils get_order et process_refund dans la documentation de TrueForge. Un chemin de production commence par la persistance de la demande du client, de la session et du contexte d'identité. L'agent peut récupérer la commande via la passerelle MCP, mais l'accessibilité de l'outil n'est que la première vérification : l'application ou le système de commande doit toujours confirmer que ce client — ou le service agissant pour le client — peut accéder à cette commande et que celle-ci est éligible à un remboursement.

Si le modèle propose process_refund, le moteur d'exécution doit créer une action en attente avant toute mutation. Cet enregistrement doit lier l'approbation à la commande exacte, au montant, au motif, à l'identifiant de l'opération et à la politique ou version de données pertinente. Un réviseur approuve cette action spécifique, et non l'outil dans l'abstrait ni chaque futur ensemble d'arguments. Si la commande change de manière significative pendant que l'exécution est en pause, l'action doit être revalidée ou renvoyée pour approbation.

Une fois approuvé, TrueForge peut reprendre la session enchaînée à partir de l'état persisté. La requête de mutation doit comporter une clé d'idempotence ou un identifiant d'opération stable. En cas de délai d'attente de la connexion, le système ne doit pas présumer d'un échec et rejouer aveuglément le remboursement ; il doit réconcilier l'opération avec le système de commande ou de paiement faisant autorité, puis ne réessayer que lorsque le résultat enregistré le permet. Cette distinction sépare l'agent a décidé de tenter un remboursement, l'appel d'outil a été émis, et le remboursement a été réellement validé.

Les événements TrueForge et les traces de la passerelle permettent de corréler la proposition, les contrôles de politique, l'approbation, l'appel, la réponse, la latence et le coût. Le reçu du système d'enregistrement demeure la preuve irréfutable du résultat. Les évaluateurs peuvent ensuite exploiter l'enregistrement consolidé — jeux de régression hors ligne, vérifications de trajectoire ou de succès des tâches, et suivi des résultats après déploiement — sans prétendre que le traçage lui-même garantit la qualité. La valeur de la plateforme réside dans la cohérence de ces frontières : l'état d'exécution, la politique du modèle, la politique des outils, l'identité, l'approbation et les preuves restent connectés, tandis que l'autorisation métier et la vérité finale demeurent du ressort du système de domaine.

9. Le point fondamental : l'IA agentique est un problème de systèmes organisationnels

L'expression « de l'adoption à l'agentique » est utile car elle marque un véritable changement de responsabilité. Lorsque l'IA est un outil, l'humain effectue le travail et l'IA l'assiste. Lorsque l'IA devient agentique, une partie du travail est déléguée à un système capable de choisir des étapes intermédiaires et d'interagir avec des capacités externes.

C'est pourquoi l'architecture des agents en entreprise ne peut se limiter à la sélection du modèle. L'organisation a besoin d'un environnement d'exécution pour le travail délégué et de plans de contrôle autour des ressources auxquelles ce travail peut accéder.

TrueForge est le harnais d'agent open-source de TrueFoundry pour cette couche d'exécution. AI Gateway, MCP Gateway, Agent Registry, et Skills Registry offrent un contrôle partagé et des surfaces de réutilisation autour des modèles, des outils, des agents et des connaissances procédurales. Rien ne remplace le jugement organisationnel. Ensemble, ils fournissent une infrastructure pour coder les politiques, appliquer les accès, préserver les preuves d'exécution et améliorer le comportement des agents au fil du temps.

Références

1. HBS Working Knowledge — À quoi ressemble le leadership dans un monde d'IA agentique.
2. HBS Working Knowledge — Les gens acceptent globalement que l'IA prenne en charge de nombreux emplois, jusqu'à un certain point.
3. HBS Working Knowledge — Quand l'IA rejoint l'équipe, de meilleures idées émergent.
4. Organization Science — Le coéquipier cybernétique : une expérience de terrain sur l'IA générative et le travail d'équipe.
5. HBS Working Knowledge — Qui devrait approuver les prêts bancaires : les humains ou les algorithmes ?.
6. PNAS Nexus — Attitudes du public concernant la performance des décideurs algorithmiques et humains.
7. HBS Working Knowledge — Gagner avec l'IA commence par la « densité de talents ».
8. TrueForge — Introduction.
9. TrueForge — Concepts du SDK.
10. TrueForge — Sandbox.
11. TrueFoundry — Introduction à l'AI Gateway.
12. TrueFoundry — MCP Gateway.
13. TrueFoundry — Authentification et sécurité de la MCP Gateway.
14. TrueFoundry — Identité des agents (bêta).
15. TrueFoundry — Registre des agents.
16. TrueFoundry — Registre des compétences.

Avis éditorial : La Harvard Business School, HBS Working Knowledge et les professeurs mentionnés ne sont pas affiliés à cet article et ne soutiennent pas TrueFoundry. Les recherches de la HBS sont utilisées comme cadre externe ; toutes les correspondances de produits et conclusions sur l'infrastructure relèvent de l'analyse éditoriale de TrueFoundry. Les fonctionnalités des produits sont décrites à partir de la documentation publique disponible au 1er septembre 2026.

‍