Plus d’autonomie ? Non. Plus d’alignement.

On parle beaucoup d’autonomie en ce moment — pour les agents IA comme pour les équipes tech. Plus d’autonomie, plus de vitesse, plus de résultats. Sauf que les signaux de cette semaine racontent une tout autre histoire. Les agents butent. Les modèles échouent sur les systèmes complexes. Et les équipes les plus performantes ne sont pas les plus autonomes — ce sont les plus alignées.

L’autonomie est surcotée

Daniel Pink a popularisé l’idée que l’autonomie est un moteur fondamental de la motivation. Mais une lecture trop rapide a créé un mythe : plus d’autonomie = plus de performance. Ce n’est pas ce que Pink dit [1].

L’autonomie, ce n’est pas l’indépendance. C’est agir avec un sentiment de choix. Vous pouvez être extrêmement autonome ET fortement dépendant d’autres équipes. Le fameux modèle Spotify le montre bien : la pire situation n’est pas “peu d’autonomie” — c’est “beaucoup d’autonomie, peu d’alignement”. Des équipes qui partent dans toutes les directions, chacune convaincue de bien faire, sans vision partagée.

« High alignment and high autonomy is the sweet spot. Low alignment and high autonomy is chaos. »

La vraie recette : d’abord l’alignement, ensuite l’autonomie. L’inverse ne marche pas [1].

L’alignment tax : le coût invisible du désalignement

Stephanie Leue, CPO, raconte deux expériences radicalement opposées de collaboration avec un CTO [2]. Dans la première entreprise, sous pression pour livrer un nouveau produit, le CTO voulait tout refondre proprement. Elle n’avait pas la profondeur technique pour argumenter autrement. Résultat : des mois de “fake work” — de l’activité sans progrès, des équipes qui se plaignent les unes des autres, des 1:1 qui ressemblent à des séances de thérapie.

Le déclic : réaliser que le problème n’était pas les équipes, mais le désalignement entre deux leaders. Les signaux contradictoires qu’ils envoyaient se propageaient dans toute l’organisation. Une fois qu’ils ont investi dans des conversations honnêtes — douloureuses, directes — tout s’est débloqué.

Dans la deuxième entreprise, l’alignement CPO/CTO était naturel. Résultat : les équipes prenaient des risques, les décisions tenaient, les conflits se résolvaient dans la bonne pièce. Pas parce qu’ils étaient d’accord sur tout — mais parce que le désaccord était explicite, productif, et résolu ensemble [2].

Les modèles IA ont le même problème

Le président de la Fed, Jerome Powell, a dit quelque chose que peu de leaders IA osent formuler : les modèles ne fonctionnent pas pour prédire les systèmes complexes [3]. Les LLMs comprennent le langage sous toutes ses formes — texte, code, images. Mais ils ne comprennent pas la causalité. Ils corrèlent, ils ne prédisent pas.

Trois barrières persistent : le manque de données sur les systèmes complexes, l’absence de compréhension causale, et le coût computationnel pour simuler ces systèmes. Construire des plateformes agentiques fiables nécessite bien plus qu’un LLM — il faut des couches d’information, de simulation, de gouvernance [3].

C’est exactement là qu’intervient l’inference engineering — une discipline émergente que le Pragmatic Engineer décortique en profondeur [4]. Avec les modèles ouverts qui montent en puissance, l’optimisation de l’inférence n’est plus réservée aux labs. Cursor a construit son Composer 2.0 par-dessus le modèle open source Kimi 2.5, en utilisant des techniques d’inference engineering pour le rendre plus rapide et plus fiable. Batching, caching, quantization — autant de leviers pour aligner le modèle sur les contraintes réelles du produit [4].

Les data scientists, architectes de l’alignement

Et qui possède les compétences pour cette couche d’alignement ? Les data scientists. Hamel Husain fait le cas dans “The Revenge of the Data Scientist” : l’ère des LLMs n’a pas rendu les data scientists obsolètes — elle a rendu leurs compétences plus critiques que jamais [5].

Appeler un LLM via une API ne fait pas disparaître le travail d’évaluation, de métriques, d’expérimentation. Au contraire. Les “harnesses” — ces architectures qui encadrent les agents IA — sont fondamentalement des systèmes de data science : des boucles de validation contre des métriques, des tests de généralisation, du debugging de systèmes stochastiques [5].

« Training models was never most of the job. The bulk of the work is setting up experiments to test how well the AI generalizes to unseen data. »

Le pattern se répète chez OpenAI, chez Karpathy, chez tous ceux qui font tourner des agents en production : le modèle itère contre une métrique. Pas contre un prompt. Pas contre un humain qui approuve manuellement. Contre un signal quantitatif, rigoureux, reproductible [5].

La gouvernance agentique, même combat

AWS vient de publier AIRI (AI Risk Intelligence), un framework de gouvernance pour l’ère agentique [6]. Le constat de départ est simple : les agents sont non-déterministes. Posez la même question deux fois, obtenez deux réponses différentes. Les outils utilisés varient, les workflows changent. Les frameworks de gouvernance IT classiques — pensés pour des déploiements statiques — ne fonctionnent plus.

L’OWASP a d’ailleurs publié son Top 10 pour les applications agentiques en 2026. En tête : le “Tool Misuse and Exploitation” — un agent légitime qui accède à votre email, calendrier et CRM, détourné par des instructions malveillantes injectées dans un message apparemment anodin [6].

Le parallèle avec les équipes est frappant. Un agent sans gouvernance, c’est comme une équipe très autonome sans alignement : beaucoup d’énergie dépensée, dans des directions imprévisibles, avec des résultats impossibles à auditer.

Le mot de la fin

Agents IA, équipes tech, relations CPO/CTO — le pattern est le même partout. L’autonomie sans alignement produit du bruit, pas du signal. La vraie question n’est pas “comment donner plus d’autonomie ?” mais “comment créer l’alignement qui rend l’autonomie productive ?”

Sources

1. Autonomy Is Overrated: Why Alignment Beats Autonomy
2. The Alignment Tax: What a Real CTO Relationship Looks Like vs. a Fake One
3. The Fed Chair Just Said What AI Leaders Won’t: The Models Don’t Work
4. What is inference engineering? Deepdive
5. The Revenge of the Data Scientist
6. Can your governance keep pace with your AI ambitions? AI risk intelligence in the agentic era

Pour aller plus loin

• Mistral AI sécurise 830 millions de dollars en dette pour exploiter son premier centre de données en France — Mistral passe à l’infrastructure lourde avec un datacenter souverain en France, 830M$ de dette pour s’émanciper du cloud américain
• Comptoir IA : “Tout le monde peut coder : ce que ça change vraiment” — Maddyness explore ce que la démocratisation du code par l’IA change concrètement pour les métiers et les équipes
• Change Data Capture: Stop Copying 50M Rows to Move 5K Changes — Un guide pragmatique sur le CDC — timestamps, triggers, log-based — pour arrêter de copier 50 millions de lignes quand 5 000 ont changé
• Predicting When RL Training Breaks Chain-of-Thought Monitorability — Une étude sur le moment où l’entraînement par renforcement casse la capacité à monitorer le raisonnement des modèles — un problème d’alignement au sens propre

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.