Comment les agents IA remodèlent le travail intellectuel

Les systèmes d'IA de pointe comblent le fossé entre l'intelligence des modèles et l'utilité dans le monde réel. De nouveaux modèles, architectures de calcul et modèles d'orchestration permettent à ces systèmes d'accomplir des tâches jugées impossibles il y a seulement quelques mois.

Cette innovation rapide s'est avérée être une aubaine pour les utilisateurs d'IA en démultipliant leur levier et leur autonomie. Pourtant, elle a également créé un décalage entre la frontière technologique et notre compréhension précise de l'évolution du travail intellectuel en réponse. Comment l'IA de pointe modifie-t-elle la nature du travail intellectuel à travers les professions ? Quelles transformations structurelles et économiques pouvons-nous attendre dans ce travail ?

Nous cherchons à combler ce fossé grâce à une analyse empirique minutieuse de l'utilisation de Perplexity. Aujourd'hui, en collaboration avec des chercheurs de la Harvard Business School, nous partageons notre première étude complète sur Perplexity Computer en déploiement réel. Nos résultats suggèrent que Computer élargit à la fois l'étendue et la profondeur de ce que les utilisateurs peuvent accomplir, à un coût moindre. Les utilisateurs de Computer accomplissent davantage, travaillent à des niveaux d'abstraction plus élevés et franchissent les frontières disciplinaires pour créer de la valeur en dehors de leurs propres professions.

Cet article présente les points saillants de notre étude. La méthodologie détaillée et les résultats sont disponibles dans notre rapport technique.

Introduction

Les premiers systèmes d'IA générative grand public étaient des assistants conversationnels engagés dans un dialogue avec les utilisateurs. Ces assistants se situent entre l'intention et l'action. Ils répondent aux questions, expliquent les compromis et suggèrent les prochaines étapes. L'utilisateur doit ensuite traduire la réponse en travail : ouvrir les bons outils, rassembler les fichiers, éditer les documents, vérifier les résultats intermédiaires et décider de la marche à suivre.

Les agents modifient cette division du travail. Un utilisateur spécifie un résultat, et le système planifie à travers les outils, exécute les étapes intermédiaires, demande les informations manquantes si nécessaire et renvoie un livrable fini. Les agents font passer l'utilisation de l'IA de la recherche d'informations et de leur synthèse à la planification et à l'exécution autonome de tâches.

Cet arc anime la progression des produits de Perplexity. En 2022, nous avons lancé Search, qui a défini la catégorie des moteurs de réponse en permettant aux utilisateurs de poser des questions et de recevoir des réponses étayées par des citations vérifiables à travers des milliards de documents. En 2025, nous avons introduit le navigateur Comet, doté d'un agent web intégré qui raisonne et agit aux côtés des utilisateurs sur le web ouvert. Et en 2026, nous avons lancé Computer, un orchestrateur d'agents polyvalent qui travaille de manière autonome vers des objectifs spécifiés par l'utilisateur à travers des environnements complexes et sur de longs horizons temporels.

Comment cette transition modifie-t-elle notre façon de travailler ? Nous explorons cette question en utilisant les données de nos produits Search et Computer, en nous concentrant sur trois dimensions :

Autonomie : quelle quantité de travail autonome Computer effectue-t-il par rapport à Search sur la même tâche ?

Efficacité : combien de temps et de coûts de main-d'œuvre Computer économise-t-il par rapport à Search sur la même tâche ?

Portée : comment Computer modifie-t-il le type de travail que les utilisateurs tentent d'accomplir ?

Nous constatons que les agents tels que Computer nécessitent davantage d'efforts initiaux de la part de l'utilisateur (puisque les utilisateurs doivent spécifier les objectifs à déléguer et examiner les résultats) mais beaucoup moins d'efforts humains par unité de travail (en raison d'une exécution plus autonome). Cela les rend particulièrement efficaces pour les flux de travail longs et comportant plusieurs étapes. Le résultat est un travail à la fois plus approfondi et moins coûteux. Computer déplace l'effort de l'utilisateur de l'exécution manuelle vers la supervision, élargissant l'éventail de ce que les utilisateurs peuvent accomplir à la fois au sein et en dehors de leurs propres domaines d'expertise.

Adoption et cas d'utilisation de Computer

Computer a été lancé le 25 février 2026 et s'est rapidement développé au cours des trois premiers mois.

Le cumul des requêtes Computer a atteint 84 fois le total de la première semaine au 27 mai. À titre de référence, l'utilisation cumulative de Search parmi les utilisateurs de Computer a atteint 14 fois le total de sa première semaine, soit une croissance supérieure aux 12 fois constatées chez les utilisateurs n'utilisant pas Computer.

Même après avoir apparié les utilisateurs de Computer et ceux n'utilisant pas Computer selon le niveau d'abonnement, le sujet de recherche principal et l'intensité de recherche préalable, une comparaison de différences en différences montre que l'adoption de Computer augmente l'utilisation de Search : les utilisateurs de Computer effectuent 1,05 requête Search de plus par jour que des utilisateurs similaires n'utilisant pas Computer.

Dans un échantillon aléatoire de 100 000 requêtes Computer, la catégorie de tâches Recherche et Analyse était la plus importante avec 25,8 %, suivie de la Création de Documents et d'Actifs avec 18,6 %. Le mix de tâches observé est orienté vers le travail génératif : documents, feuilles de calcul, bases de code, sites web et flux de travail nécessitant une intervention sur plusieurs outils.

En ce qui concerne les domaines, l'utilisation était largement distribuée entre Logiciels et TI, Finance et Investissement, Marketing et Ventes, Opérations commerciales, Santé, Éducation, Droit et Médias.

Plus grande autonomie et qualité

Le signal le plus direct d'autonomie est la durée pendant laquelle le système fonctionne sans intervention humaine après que l'utilisateur a soumis une demande. Search renvoie généralement une réponse en quelques secondes. Computer continue souvent de travailler pendant des minutes, voire des heures : recherche, navigation, rédaction, édition, exécution de code et vérification des résultats intermédiaires.

Nous utilisons les sessions Search et Computer avec des requêtes initiales quasi identiques comme indicateur pour la même tâche tentée avec les deux produits. Sur 10 000 paires appariées, Computer effectue en moyenne 26 minutes d'exécution machine par session, contre 33 secondes pour Search. Il s'agit d'une augmentation de 48 fois du travail machine sur des tâches effectivement identiques. En médiane, l'écart est de 9 minutes contre 14 secondes, soit 40 fois. La répartition par domaine montre le même schéma : Computer effectue environ 26 à 75 fois plus de travail machine à travers les 18 domaines.

Une autonomie plus longue n'a pas entraîné plus d'abandon. Les événements d'arrêt par l'utilisateur étaient similaires entre les produits : 3,7 % des sessions Computer et 3,4 % des sessions Search contenaient au moins un événement d'arrêt par l'utilisateur. Computer a fait des pauses pour obtenir des entrées utilisateur plus souvent : 13 % des requêtes Computer ont invoqué au moins un outil de pause pour l'utilisateur, contre 0,3 % pour Search, généralement pour demander une approbation ou poser des questions de clarification. C'est le comportement attendu pour un agent : il peut procéder de manière autonome la plupart du temps, mais il a besoin de points de contrôle pour obtenir l'autorisation et confirmer ce que l'utilisateur souhaite.

Computer enchaîne également beaucoup plus d'appels d'outils externes — via le protocole MPC (Model Context Protocol) ou des points de terminaison d'API — au sein d'une seule session, effectuant un travail qu'un utilisateur de Search effectuerait autrement manuellement via des applications séparées. 7,9 % des sessions Computer effectuent au moins un appel de connecteur contre 1,8 % des sessions Search (un écart de 4 fois), et Computer effectue en moyenne 1,19 appel de connecteur par session contre 0,10 pour Search (un ratio de 12 fois). En d'autres termes, Computer ne fonctionne pas seulement plus longtemps ; il accède à davantage de services connectés de l'utilisateur pour extraire des données et effectuer des actions.

Le comportement de suivi change également en composition. Dans un échantillon de 1 000 paires multi-tours, la propension globale à l'avancement des tâches est presque identique entre les produits (52,7 % des suivis Computer contre 52,9 % pour Search), mais ce que les utilisateurs demandent change : comme Computer renvoie un livrable plus complet dès le départ, ses utilisateurs substituent les extensions aux approfondissements clarificateurs (extensions 14,2 % contre 12,5 % ; approfondissements 22,0 % contre 23,4 %). Les utilisateurs de Computer consacrent également légèrement plus de temps à examiner et réviser les résultats (24,6 % contre 23,6 %), tandis que Search est plus axé sur des directives courtes telles que les confirmations, les nouvelles tentatives et les demandes de format (11,6 % contre 9,9 %) que Computer intègre dans son exécution initiale. En d'autres termes, Search crée des boucles plus courtes de synthèse et d'exécution ; Computer crée des boucles plus longues de révision et d'extension.

Plus important encore, la qualité n'a pas chuté avec une autonomie accrue. Sur les sessions multi-tours appariées, l'insatisfaction significative au tour suivant était de 1,3 % pour Computer contre 2,9 % pour Search, soit une réduction de 55 %. Toute insatisfaction, y compris les signaux légers, était de 10,8 % pour Computer contre 16,6 % pour Search.

Gains d'efficacité grâce à l'autonomie

Une autonomie plus élevée remplace le travail manuel humain par un calcul machine, ce qui augmente l'efficacité. Pour quantifier cet effet, nous comparons deux configurations sur les mêmes tâches appariées.

Search + Humain : Search gère l'extraction et la synthèse ; l'humain exécute manuellement.

Computer + Humain : Computer effectue le flux de travail ; l'humain définit la tâche et examine le résultat.

Nous ne pouvons pas observer directement combien de temps une tâche prendrait à un humain, nous trions donc avec trois estimations indépendantes :

Estimation basée sur l'outil : Nous classons les appels d'outils Computer dans deux catégories : "Recherche" et "Faire". Les outils de recherche correspondent aux étapes d'extraction et de synthèse d'informations déjà gérées par le produit Search. Les outils "Faire" représentent des étapes d'exécution qu'un humain devrait effectuer manuellement en utilisant Search seul. Nous estimons ensuite le temps nécessaire à un humain expérimenté pour réaliser ces actions "Faire".

Estimation basée sur le LLM : Nous alimentons les requêtes des sessions Computer dans un LLM pour estimer le temps requis pour un professionnel qualifié qui reçoit des réponses de Search mais doit effectuer toutes les étapes d'exécution manuellement.

Estimation rapportée par l'utilisateur : Nous menons 25 entretiens semi-structurés avec des utilisateurs actifs de Computer dans divers domaines et recueillons les flux de travail pré-Computer et le temps que ces flux de travail auraient pris.

Selon l'estimation basée sur l'outil, la tâche moyenne Search + Humain prend 269 minutes, tandis que le flux de travail correspondant Computer + Humain prend 36 minutes. Cela représente une réduction de 87 % du temps de tâche.

Pour traduire le temps de tâche en coût, nous utilisons les salaires horaires moyens spécifiques par domaine provenant des données de mai 2025 du Bureau of Labor Statistics Occupational Employment and Wage Statistics (BLS OEWS) des États-Unis (U.S. Bureau of Labor Statistics 2026). En combinant le coût du modèle avec le coût de la main-d'œuvre humaine spécifique au domaine, Computer réduit le coût estimé de la tâche de 94 % en moyenne.

L'avantage en termes d'efficacité apparaît à travers les 18 domaines, avec des économies de temps de 79 à 92 % et des économies de coûts de 87 à 96 %. La programmation est le cas le plus extrême : 596 minutes pour Search + Humain contre 48 minutes pour Computer + Humain — une réduction de temps de 92 % qui génère une réduction de coût de 96 %. Les affaires, la technologie, l'éducation et l'écriture montrent également des gains importants. Les économies de temps tendent à se traduire par des économies de coûts plus importantes dans les domaines à salaires plus élevés.

Quelle est la robustesse de ce résultat ? Considérez un seuil de rentabilité : pour que Search + Humain corresponde au coût de Computer + Humain, un professionnel devrait terminer chaque étape manuelle en 14 à 24 minutes (médiane 18). Computer garde son avance dans tous les domaines, même sous des hypothèses plus conservatrices : par exemple, une surestimation de 8 fois du temps par outil, ou une sous-estimation de 12 fois du temps de supervision de Computer.

L'estimation basée sur le LLM donne des résultats globaux similaires : une réduction de 84 % du temps et une réduction de 93 % du coût globalement. Les entretiens avec les utilisateurs montrent une gamme beaucoup plus large de résultats — allant de 5 fois à plus de 300 fois plus rapides — reflétant probablement une variation substantielle des bases de référence pré-Computer des utilisateurs. L'accélération médiane parmi les participants est de 25 fois, correspondant à une réduction de 96 % du temps.

La portée des tâches s'élargit horizontalement et verticalement

La vitesse et le coût des tâches appariées ne capturent qu'une partie de l'histoire. La forme du travail pourrait également changer. À mesure que Computer remplace l'exécution manuelle par le calcul machine, les utilisateurs peuvent entreprendre différents types de travail — des tâches qui franchissent les frontières professionnelles et celles qui nécessitent des niveaux d'expertise plus élevés.

Premièrement, nous demandons si les utilisateurs travaillent en dehors de leur cluster de profession principale inféré plus souvent avec Computer qu'avec Search. Deuxièmement, nous comparons les requêtes Computer et Search des mêmes utilisateurs en utilisant cinq classifications au niveau des tâches : Taxonomie révisée de Bloom (Anderson et Krathwohl 2001), travail abstrait versus routinier dans la tradition du contenu des tâches (Autor, Levy et Murnane 2003), largeur de connaissances O*NET (National Center for O*NET Development 2026), largeur d'activité de travail O*NET, et nouvelles tâches qui n'ont pas été tentées avec Search.

Le déplacement horizontal est apparent dans les données. Sur un échantillon de 8 000 utilisateurs issus de huit clusters professionnels, en utilisant l'ensemble de leurs requêtes, les utilisateurs de Computer travaillent en dehors de leur profession principale 59 % du temps, contre 50 % pour Search. Les augmentations les plus importantes apparaissent dans la Gestion et l'Entrepreneuriat, la Technologie numérique, les Arts et le Design, ainsi que la Santé et les Services sociaux. Les requêtes de recherche trans-professionnelles sont concentrées dans la Technologie numérique, tandis que les requêtes Computer délèguent un travail qui s'étend à des domaines plus diversifiés où les utilisateurs auraient autrement eu besoin de spécialistes.

Le déplacement vertical est encore plus important. Dans un échantillon de 5 000 requêtes Computer et 5 000 requêtes Search du même ensemble d'utilisateurs biproducts, les requêtes Computer sont plus cognitivement complexes que les requêtes Search. Selon la Taxonomie révisée de Bloom, 76 % des requêtes Computer exigent une cognition d'ordre supérieur, contre 55 % pour Search. La différence est concentrée au sommet : 50 % des requêtes Computer sont des tâches de niveau Création, contre 26 % pour Search. Search a beaucoup plus de masse au niveau de la recherche factuelle de mémorisation. Sur la dimension type de tâche abstrait versus routinier, 71 % des requêtes Computer impliquent une cognition abstraite non routinière contre 53 % pour Search.

Les tâches Computer s'appuient également sur davantage de domaines de connaissances. La tâche Computer moyenne nécessite une expertise substantielle dans 2,40 domaines de connaissances O*NET, contre 1,74 pour Search, soit une augmentation de 38 %. Computer est près de trois fois plus susceptible que Search d'exiger trois domaines de connaissances ou plus : 51 % contre 17 %.

Au niveau de l'activité de travail, le même schéma se maintient. Une requête Computer typique engage 2,95 activités de travail généralisées O*NET et 4,01 activités de travail intermédiaires contre 2,24 et 2,87 pour Search, soit une augmentation de 32 % et 40 %. À des niveaux plus fins, Computer engage 59 % d'activités de travail détaillées en plus et 60 % de déclarations de tâches spécifiques à la profession en plus.

La mesure la plus révélatrice est l'ensemble des tâches qui apparaissent dans Computer mais pas dans Search parmi les mêmes utilisateurs. À la définition la plus stricte, où une déclaration de tâche apparaît dans Computer et n'apparaît jamais dans l'échantillon Search apparié, 23 % des requêtes Computer engagent au moins une déclaration de tâche propre à Computer. Assouplir le seuil pour permettre jusqu'à cinq occurrences Search augmente la part à 38 %, et elle stagne près de 41 %. Ces activités propres à Computer se concentrent dans le développement de logiciels et web, la production de documentation et la visualisation de données ou les graphiques. C'est exactement là où l'exécution autonome compte le plus : Search explique ; Computer produit.

Discussion

La plupart des preuves sur l'IA au travail se concentrent sur le cadre de l'assistant. Cette littérature a montré des gains de productivité importants dans l'augmentation de l'écriture, du support client, du codage et de la consultation (par exemple, Noy et Zhang 2023 ; Brynjolfsson, Li et Raymond 2025 ; Cui et al. 2026 ; Dell'Acqua et al. 2026).

Les agents modifient le comportement des utilisateurs et les résultats économiques en aval. Les déploiements en production commencent à révéler l'utilisation et l'impact des agents dans des contextes réels, mais sont principalement concentrés sur des agents de codage spécialisés et les premiers agents de navigateur (par exemple, Sarkar 2026 ; McCain et al. 2026 ; Demirer, Musolff et Yang 2026 ; Yang et al. 2025). Nous complétons ce travail et comblons le fossé entre la littérature sur l'assistant et l'agent en comparant l'interaction de l'utilisateur avec un orchestrateur d'agents polyvalent versus un assistant conversationnel, et en étendant l'analyse de l'impact en aval à un plus large éventail de travail intellectuel.

Nous passons également de l'exposition à la recomposition réelle des tâches. Les travaux antérieurs estiment quelles professions sont exposées à l'IA en utilisant des descriptions de tâches et la structure professionnelle (par exemple, Eloundou et al. 2024 ; Felten, Raj et Seamans 2023), tandis que les mesures basées sur l'utilisation montrent le fossé entre l'exposition et le déploiement (Massenkoff et McCrory 2026). Nous documentons comment la composition des tâches change avec l'accès aux agents.

Nous notons plusieurs mises en garde. Premièrement, la fenêtre d'observation est précoce, et les premiers adoptants sont orientés vers les natifs de l'IA. Les utilisateurs expérimentent et adaptent également activement leurs flux de travail au sein d'un paysage de produits en évolution rapide, de sorte que ces modèles pourraient changer au fil du temps. Deuxièmement, la conception de requête appariée basée sur la session laisse de côté de nombreuses tâches Computer qui n'ont pas d'équivalent Search proche. Bien que les sessions offrent un moyen naturel de segmenter les tâches, les utilisateurs ne suivent pas toujours cette structure en pratique, ce qui fait des sessions un indicateur bruyant pour les unités de tâche. Troisièmement, les estimations d'efficacité dépendent de manière critique des hypothèses sur le temps d'outil équivalent humain et le temps de supervision humain. Bien que les estimations basées sur le LLM et les entretiens avec les utilisateurs pointent dans la même direction, et que les analyses de seuil de rentabilité et de sensibilité indiquent une robustesse, les magnitudes exactes doivent être lues comme approximatives. De même, l'erreur de classification du LLM introduit un bruit de mesure supplémentaire. Enfin, nous observons le comportement de l'utilisateur uniquement au sein de l'écosystème Perplexity et ne capturons pas l'activité en dehors, ce qui peut limiter notre vue sur les activités de travail complètes des utilisateurs et l'utilisation des outils.

Perspectives

Les agents rendent les tâches existantes plus rapides et moins coûteuses — et, plus important encore, rendent viables des tâches couvrant les frontières professionnelles et les niveaux d'expertise.

Lorsqu'un système peut rechercher, naviguer, coder, modifier des fichiers, se connecter à des services et produire des livrables, le goulot d'étranglement de l'utilisateur se déplace. Ils passent moins de temps à exploiter le flux de travail et plus de temps à spécifier des objectifs, fournir du contexte, vérifier les résultats et demander des extensions. L'utilisateur passe d'opérateur à superviseur.

Au niveau individuel, ce changement élargit la frontière des tâches, permettant aux utilisateurs d'entreprendre un travail à la fois plus large et plus profond. Au niveau de l'organisation et du marché du travail, la manière dont ces changements au niveau micro s'agrègent reste une question ouverte. Si un seul individu, équipé d'agents, peut effectuer des flux de travail qui nécessitaient auparavant plusieurs rôles, alors l'impact à long terme des agents ne sera pas capturé par les mesures de vitesse et de coût seules. Au lieu de cela, il se manifestera dans la manière dont le travail est regroupé, dont les rôles sont définis et dont les équipes sont structurées.

Pour en savoir plus sur notre méthodologie et nos résultats, lisez le rapport technique complet.

Références

Anderson, Lorin W., et David R. Krathwohl. 2001. Une taxonomie pour l'apprentissage, l'enseignement et l'évaluation : une révision de la taxonomie des objectifs éducatifs de Bloom. New York : Longman.

Autor, David H., Frank Levy et Richard J. Murnane. 2003. "Le contenu en compétences des changements technologiques récents : une exploration empirique." The Quarterly Journal of Economics 118 (4) : 1279–1333.

Brynjolfsson, Erik, Danielle Li et Lindsey R. Raymond. 2025. "L'IA générative au travail." The Quarterly Journal of Economics 140 (2) : 889–942.

Cui, Zheyuan Kevin, Mert Demirer, Sonia Jaffe, Leon Musolff, Sida Peng et Tobias Salz. 2026. "Les effets de l'IA générative sur le travail hautement qualifié : preuves à partir de trois expériences de terrain avec des développeurs de logiciels." Management Science, Articles en avance.

Dell'Acqua, Fabrizio, Edward McFowland III, Ethan R. Mollick, Hila Lifshitz-Assaf, Katherine Kellogg, Saran Rajendran, Lisa Krayer, François Candelon et Karim R. Lakhani. 2026. "Naviguer sur la frontière technologique dentelée : preuves expérimentales de terrain sur les effets de l'intelligence artificielle sur la productivité et la qualité des travailleurs intellectuels." Organization Science, Articles en avance.

Demirer, Mert, Leon Musolff et Liyuan Yang. 2026. "Écrire du code vs expédier du code : effets sur la productivité à travers les générations d'outils de codage IA." NBER Working Paper 35275.

Eloundou, Tyna, Sam Manning, Pamela Mishkin et Daniel Rock. 2024. "Les GPT sont des GPT : potentiel d'impact sur le marché du travail des LLM." Science 384 (6702) : 1306–1308.

Felten, Edward W., Manav Raj et Robert Seamans. 2023. "Hétérogénéité professionnelle dans l'exposition à l'IA générative." SSRN 4414065.

Massenkoff, Maxim, et Peter McCrory. 2026. "Impacts de l'IA sur le marché du travail : une nouvelle mesure et des preuves précoces." Anthropic.

McCain, Miles, Thomas Millar, Saffron Huang, Jake Eaton, Kunal Handa, Michael Stern, Alex Tamkin, Matt Kearney, Esin Durmus, Judy Shen, Jerry Hong, Brian Calvert, Jun Shern Chan, Francesco Mosconi, David Saunders, Tyler Neylon, Gabriel Nicholas, Sarah Pollack, Jack Clark et Deep Ganguli. 2026. "Mesurer l'autonomie des agents IA en pratique." Anthropic.

National Center for O*NET Development. 2026. Base de données O*NET 30.2. Département du Travail des États-Unis, Administration de l'emploi et de la formation.

Noy, Shakked, et Whitney Zhang. 2023. "Preuves expérimentales sur les effets de productivité de l'intelligence artificielle générative." Science 381 (6654) : 187–192.

Sarkar, Suproteem K. 2026. "Agents IA et travail d'ordre supérieur." University of Chicago Booth School of Business.

U.S. Bureau of Labor Statistics. 2026. "Statistiques sur l'emploi et les salaires professionnels : estimations de mai 2025." Département du Travail des États-Unis.

Yang, Jeremy, Noah Yonack, Kate Zyskowski, Denis Yarats, Johnny Ho et Jerry Ma. 2025. "L'adoption et l'utilisation des agents IA : preuves précoces de Perplexity." Prépublication arXiv arXiv:2512.07828.