Ferme ton laptop, l’agent continue

Et si votre travail avançait pendant que vous dormez ? Claude Cowork tourne désormais capot fermé : vous confiez une tâche à votre bureau, vous récupérez le résultat fini sur votre téléphone, et les jobs planifiés s’exécutent sans qu’aucun appareil ne soit allumé [1]. On est en train de passer du copilote qu’on pilote à la flotte d’agents qui bosse pendant qu’on est ailleurs. La vraie question n’est plus “quel modèle ?”, mais : où se déplace le goulot d’étranglement quand l’humain n’est plus dans la boucle ?

L’agent ne s’arrête plus quand vous fermez le laptop

Pendant des mois, l’IA était un copilote : vous tapiez, elle complétait, vous validiez. Le modèle mental changeait à chaque prompt. Là, on bascule vers autre chose — un agent à qui on délègue un boulot complet et qu’on laisse courir seul jusqu’au bout [1].

Ce n’est pas propre à Anthropic. GPT-5.6 arrive avec un mode “ultra” qui coordonne par défaut quatre agents en parallèle sur des workstreams distincts, et une bêta multi-agents dans l’API [2]. La logique est la même partout : au lieu d’un modèle qui avance pas à pas pendant que vous regardez, une flotte qui abat plusieurs tâches d’un coup, en tâche de fond.

L’objet de travail change. Ce n’est plus “une réponse”, c’est “une boucle” — un job qu’un agent mène de bout en bout tout seul, pas une requête que vous surveillez.

Votre nouveau goulot d’étranglement, c’est la revue

Sauf que si l’agent produit sans vous, quelqu’un doit quand même relire. Et là, l’équation se retourne. Les agents écrivent du code plus vite que n’importe quel humain ne peut le relire [3]. Si vous êtes impliqué dans chaque revue, vous êtes le goulot d’étranglement, point.

La réponse de PostHog est contre-intuitive : reviewer le moins de code possible vous-même, et déléguer la relecture à d’autres agents [3]. Avec une règle d’or : l’agent qui a écrit le code ne peut pas être celui qui le relit — un modèle est mauvais pour repérer ses propres angles morts. D’où des essaims de reviewers, chacun avec ses instructions, ses objectifs, et même des modèles et des fournisseurs différents pour couvrir plus de failles.

Offloader les revues simples aux agents, et ne remonter à un humain que ce qui l’exige vraiment.

On ne supprime pas l’humain de la boucle. On le remonte d’un cran : il n’écrit plus, il n’inspecte plus ligne à ligne — il arbitre ce que les agents lui signalent.

Ce qui reste humain, c’est le design, pas le code

Cette remontée d’un cran, c’est exactement le débat de fond du retreat “Future of Software Engineering” organisé par Martin Fowler chez Thoughtworks, avec une soixantaine de leaders de l’industrie [4]. Les pratiques y allaient du pair programming avec le LLM jusqu’aux “dark factories” — ces pipelines entièrement automatisés où l’humain n’intervient plus que pour améliorer la qualité du pipeline lui-même.

Le consensus qui s’en dégage est net : la qualité de code bas niveau devient automatisable, mais le design haut niveau reste un territoire humain. Le centre de gravité se déplace du code vers les modèles de domaine et les spécifications — au point que la spec pourrait remplacer le code comme source unique de vérité [4]. La rigueur d’ingénierie ne disparaît pas ; elle change d’objet. Et un dernier réflexe de sagesse : garder des systèmes capables de revenir à une ingénierie 100 % humaine, au cas où le pari agentique déraperait.

La vraie compétence d’équipe : encoder le savoir en skills

Reste à savoir ce qu’on donne à faire à ces agents. Une entreprise de 3 000 personnes a fait passer 95 % de ses employés à l’IA hebdomadaire — pas 95 % des ingénieurs, tout le monde : ventes, marketing, ops, support [5]. Leur pari : les skills, ces fichiers markdown réutilisables qui apprennent à l’IA à faire un job précis.

Trois enseignements valent l’attention. D’abord, les skills remontent du terrain : le plus utilisé, “Grill Me”, vient d’un seul employé, a percolé jusqu’à être promu officiellement — sans qu’un comité central décide de ce qui est bon. Ensuite, plus de skills n’est pas l’objectif : au-delà d’une cinquantaine, ils se marchent dessus, et un pipeline traque activement les doublons. Enfin, le plus parlant : l’équipe SRE a arrêté d’écrire des docs de troubleshooting pour écrire des skills à la place [5]. Une doc attend d’être lue. Un skill se branche direct sur l’agent de triage qui agit quand ça casse.

Le savoir-faire de l’équipe ne vit plus dans des documents que personne ne lit. Il devient exécutable.

Tout ça ne tient que si le token devient une commodité

Une flotte d’agents qui tourne en continu, ça consomme. Beaucoup. La faisabilité de tout ce qui précède dépend d’une variable qu’on regarde trop peu : le prix du token. Or Benedict Evans est direct — on est dans un supply crunch instable, l’inférence tourne à 40-50 % de marge brute, et tous les signaux pointent vers des labs qui finiront en fournisseurs d’infrastructure à faible marge plutôt qu’en oligopole avec du pricing power [6].

La preuve arrive déjà par la concurrence. Meta lance sa première vraie API payante avec Muse Spark 1.1, et Zuckerberg promet un pricing “très agressif et attractif” [7]. Quand un acteur dont 98 % des revenus viennent de la pub casse les prix de l’API, votre marge sur l’IA devient son opportunité. Traduction pour nous : le coût d’exécution des agents va s’effondrer, ce qui rend la flotte asynchrone économiquement viable — mais rebat les cartes de toute la chaîne de valeur.

Et nous, dans tout ça ?

Un signal me travaille. Un prof d’une université de l’Ivy League, soupçonnant la triche à l’IA, a imposé un examen final en présentiel. Les notes ont chuté de 50 % [8].

C’est le contrepoint qu’aucune démo de Cowork ne montre. Plus on délègue à l’agent qui tourne capot fermé, plus la compétence qu’on ne pratique plus s’atrophie en silence. Le design haut niveau reste humain — encore faut-il qu’on sache encore le faire quand la machine s’arrête.

Alors oui, fermez le laptop, l’agent continue. Mais demain, quand il faudra arbitrer ce qu’il a produit : sur quoi reposera votre jugement — sur une compétence que vous entretenez encore, ou sur celle que vous avez laissé la machine remplacer ?

---

Sources

1. Claude Cowork is coming to mobile and web
2. OpenAI launches GPT-5.6 Sol, Terra, and Luna on apps and API
3. Stop being the code review bottleneck
4. Software Design in the Agentic Age: Place Your Bets
5. How a 3,000-person company got 95% of its employees using AI
6. Ways to think about token pricing — Benedict Evans
7. Your AI Margin is Meta’s Opportunity
8. Suspecting AI cheating, Ivy League prof ordered an in-person final; scores fell 50%

Pour aller plus loin

• Interview With Mitchell Hashimoto — le créateur de Terraform et Ghostty sur le craft, Zig et l’open source : un rappel que certaines compétences se cultivent, elles ne se délèguent pas.
• How to Make Architecture Decisions: RFCs, ADRs, and Getting Everyone Aligned — si le design haut niveau reste humain, voici le process pour le rendre lisible et partagé.
• GitHub - generative-computing/mellea — écrire des “programmes génératifs” testables avec sorties typées et retries, pour dompter la partie la plus imprévisible d’un pipeline agentique : l’appel LLM.
• GitHub - backnotprop/plannotator — annoter et reviewer visuellement les plans et diffs d’agents, exactement la surface de contrôle dont on a besoin quand l’humain remonte d’un cran.

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.