AutoML est mort. Les agents IA construisent la stack qui l’a remplacé.

En 2019, Forrester évaluait neuf plateformes d’AutoML. Sept ans plus tard, la plupart ont disparu, muté ou survécu sous perfusion. Pendant ce temps, une nouvelle génération d’outils émerge — pas des plateformes monolithiques, mais une infrastructure modulaire où les agents IA deviennent les briques de base.

La promesse cassée de l’automatisation clé en main

Le bilan est cruel. DataRobot se recentre sur le MLOps et les agents IA. H2O.ai propose une collection de produits qui ne forment pas une suite cohérente. Aible végète. DMway a fermé en 2022. Les autres ont été rachetés, rebrandés ou reconvertis [1].

Le problème n’était pas l’idée. C’était l’approche. L’AutoML partait d’un fantasme : une boîte noire capable de résoudre n’importe quel problème de ML sans expertise. Mais les vrais problèmes — comprendre le domaine, nettoyer les données, choisir les bonnes features — n’ont jamais été automatisables par un pipeline unique.

Les agents ne remplacent pas le ML. Ils changent la façon de le faire.

Ce qui émerge aujourd’hui est fondamentalement différent. Simon Willison a formé des journalistes data à utiliser Claude Code et Codex pour explorer, nettoyer et visualiser des données lors d’un workshop à NICAR 2026 [2]. En trois heures, des non-développeurs faisaient du vibe coding avec Datasette, Leaflet et SQLite. Le tout pour 23 dollars de tokens.

La nuance est importante : l’agent ne crée pas le modèle. Il aide l’humain à poser les bonnes questions, explorer les données et itérer sur les visualisations. C’est l’inverse exact de l’approche AutoML — au lieu de masquer la complexité, l’agent la rend accessible.

L’infrastructure agent prend forme

Mais pour que ces agents fonctionnent en production, il faut une infrastructure. Terminal Use propose exactement ça : une plateforme de déploiement pour agents avec versioning git-natif, rollback instantané, observabilité intégrée et isolation multi-tenant [3]. Ce n’est plus “comment créer un agent” — c’est “comment le déployer, le monitorer et le rollback en production”.

Et côté contexte, Unblocked attaque un problème que tous les utilisateurs d’agents de code connaissent : le babysitting. Leurs tests montrent que le même agent, sur la même tâche, consomme 48 % de tokens en moins quand il a accès au contexte historique du projet — décisions d’architecture, conventions, dépendances [4]. Résultat : du code mergeable dès le premier pass, 83 % plus vite.

Des agents pour chaque domaine

L’autre signal fort : la spécialisation. browser-use rend le web navigable pour les agents IA — pas un simple wrapper autour d’un navigateur, mais une couche d’abstraction qui traduit les pages web en actions structurées [5]. Côté finance, TradingAgents propose un framework multi-agents complet avec analystes, traders et gestionnaires de risques — le tout orchestré par des LLMs de dernière génération (GPT-5.4, Gemini 3.1, Claude 4.6) [6].

On est loin de la promesse “cliquez ici pour faire du ML”. Ce qui se construit, c’est une stack modulaire où chaque composant (déploiement, contexte, accès web, logique métier) est un service spécialisé.

La vraie question derrière la stack

L’AutoML a échoué parce qu’il promettait de supprimer le besoin de comprendre. Les agents réussissent parce qu’ils amplifient la capacité de comprendre. Mais cette stack naissante pose une question que l’AutoML n’a jamais eu à affronter : quand vos agents ont leur propre infrastructure de déploiement, leur propre couche de contexte et leur propre accès au web — à quel moment cessent-ils d’être des outils et deviennent-ils des collègues qu’il faut manager ?

Sources

1. Is AutoML Dead?
2. Coding agents for data analysis
3. Terminal Use
4. The context behind better code | Unblocked context engine
5. GitHub - browser-use/browser-use
6. GitHub - TauricResearch/TradingAgents

Pour aller plus loin

• GitHub - vxcontrol/pentagi — Un système d’agents IA autonomes pour le pentesting, preuve que la spécialisation agent touche aussi la sécurité offensive
• The Gemini CLI Advantage — Retour d’expérience sur l’intégration de Gemini directement dans le terminal pour les workflows data
• Building a Three-Stage Semantic Search Pipeline with BigQuery and Gemini — Un pipeline de recherche sémantique en trois étapes directement dans BigQuery, sans infra externe
• Most dbt + Airflow projects work. Few actually help developers outperform — Pourquoi la fiabilité en production dépend de la qualité systémique, pas des outils

Cet article a été rédigé en m’appuyant sur une IA pour m’aider à synthétiser et structurer ma veille. Les idées, le choix des sources et la relecture restent les miens.