📰 AI NEWS
😅 Les agents IA : 88% plus rapides que les humains mais 32% plus d'échecs
🎭 Une attaque deepfake toutes les 5 minutes : l'IA générative industrialise la fraude
🎓 Les lycéens abandonnent le code pour les stats et l’analyse de données

🛠️ AI TOOL
🤖 ChatGPT Agent mode

🤖 Prompt Hack
🧪 Le générateur d'expériences

Des chercheurs de Carnegie Mellon et Stanford viennent de réaliser une étude de comparaison directe entre humains et agents IA sur des tâches professionnelles réelles. Le résultat montre une efficacité impressionnante mais une qualité de travail moindre, marquée par de la fabrication de données et un usage détourné des outils.

Plus préoccupant encore : les agents ne signalent pas leurs échecs, ils inventent des données plausibles pour donner l'illusion d'avoir terminé la mission.

🤖 Commençons par clarifier ce qu'est un agent IA

➡️ ChatGPT, Claude, Gemini par exemple, sont des assistants IA : vous leur posez une question, ils vous répondent. Vous leur demandez d'écrire un mail, ils l'écrivent. Vous pouvez leur adjoindre des documents et des outils mais c'est vous qui gardez le contrôle à chaque étape.

➡️ Un agent IA, c'est un système plus autonome qui exécute une mission complète de bout en bout sans intervention humaine. Vous lui donnez un objectif ("analyse ces données financières et crée un rapport PowerPoint"), et il enchaîne toutes les étapes : ouvre les fichiers, analyse les données, génère des graphiques, crée la présentation, le tout de manière autonome, avec même des prises de décisions en fonction du contexte, des obstacles rencontrés, etc.

La différence ? Un assistant attend vos instructions à chaque étape. Un agent prend des décisions et agit seul pour atteindre l'objectif final.

➡️ Usage actuel : aujourd'hui, les agents IA visent principalement les entreprises et organisations, pour automatiser des tâches répétitives, administratives ou techniques. Pour les particuliers, on en est encore au stade des assistants plutôt que des vrais agents autonomes, même si ça évolue rapidement.

Elle a été menée par des chercheurs de Carnegie Mellon University et Stanford University, deux institutions américaines de référence. Ils ont comparé 48 travailleurs humains (recrutés sur Upwork) contre 4 agents IA : ChatGPT Agent, Manus (basé sur Claude), et deux versions d'OpenHands (un agent open-source).

➡️ Les missions testées : 16 tâches professionnelles réalistes couvrant 5 domaines essentiels du travail sur ordinateur : analyse de données, ingénierie logicielle, calculs administratifs, rédaction professionnelle et design graphique.

➡️ La méthodologie : les chercheurs ont enregistré toutes les actions (clics de souris, frappes clavier, commandes) à la fois des humains et des agents, puis analysé leurs "workflows" pour comprendre comment chacun travaille réellement.

➡️ Les résultats : les agents ont produit en moyenne 33,8 étapes par tâche, contre 981,1 étapes pour les humains. En effet, Les humains font beaucoup d'actions granulaires tandis que les agents exécutent des commandes plus "globales". Par exemple, au lieu de cliquer sur plusieurs icônes dans PowerPoint (ce qui fait plusieurs étapes), l'agent écrit et exécute un programme Python (=une étape) pour atteindre le même résultat.

❌ Fabrication de données et contournement : lorsque les agents n'arrivent pas à lire un fichier, au lieu d'échouer honnêtement, ils inventent des données pour livrer un résultat plausible.

❌ Limitations techniques fondamentales : malgré leurs prétentions "multimodales", les agents échouent sur des tâches basiques comme segmenter des objets dans des images réalistes (factures scannées), font régulièrement des hypothèses fausses (grouper des données par date sans qu'on le leur demande), et préfèrent les formats "programmatiques" (Markdown, HTML) là où les humains travaillent avec des formats UI (PowerPoint, Word, Figma). La transformation entre ces formats échoue fréquemment, ce qui rend le travail inutilisable.

❌ Le paradoxe : rapide mais faux. Les 88,3% de gain de vitesse sont réels mais ils incluent du travail de mauvaise qualité qu'un humain devra revoir et corriger. Le temps total (agent + correction humaine) peut finir par dépasser le temps qu'aurait pris l'humain seul, comme le montre le ralentissement de 17,7% observé quand les humains utilisent l'IA en mode "automation complète".

Cette étude compare directement humains et agents sur les mêmes tâches, au lieu de se contenter de benchmarks isolés. Elle arrive au moment où les agents IA commencent à être déployés pour automatiser complètement certains postes, notamment les postes d'entrée de gamme. L'étude estime que ces tâches représentent 71,9% des activités quotidiennes dans 287 professions informatisées aux États-Unis.

Le contexte : les entreprises américaines investissent massivement dans l'automatisation par agents IA. La course est lancée pour réduire les coûts de main-d'œuvre. Contrairement aux précédentes vagues d'automatisation qui ciblaient des tâches manuelles et répétitives, les agents IA visent maintenant le travail intellectuel et créatif (analyse, écriture, design).

⚠ Les avis divergent fortement sur la maturité réelle des agents IA

Le dernier rapport McKinsey de novembre 2025 affirme que 23% des organisations sont en phase de scaling d'agents avec des résultats prometteurs sans entrer dans plus de détails mais l’étude de Carnegie Mellon et Stanford montre que ces mêmes agents échouent 32 à 50% plus souvent que les humains et fabriquent des résultats pour masquer leurs échecs.

L'étude de Carnegie Mellon et Stanford confirme donc plutôt les déclarations récentes d'Andrej Karpathy (cofondateur d'OpenAI) qui a récemment dit : "Ils [les agents IA] ne fonctionnent tout simplement pas. Il faudra environ une décennie pour résoudre tous ces problèmes."

Cette tension entre l'enthousiasme des décideurs (qui ont investi massivement) et la prudence des experts techniques (qui mesurent les limitations réelles) montre deux réalités poussés par des intérêts différents et qui est révélatrice : les agents sont déployés avant d'être vraiment prêts, poussés par la pression économique plutôt que par la maturité technologique.

Pour les entreprises qui évaluent l'automatisation :

Pour les travailleurs exposés à cette automatisation :

👉 Les agents IA sont des systèmes autonomes qui exécutent des missions complètes sans supervision (vs ChatGPT qui répond étape par étape). Ils visent aujourd'hui principalement l'automatisation en entreprise, couvrant potentiellement 71,9% des activités professionnelles informatisées.

👉 Le gain d'efficacité est spectaculaire (88,3% plus rapide, 90-96% moins cher) mais la qualité du travail reste nettement inférieure à celle des humains, avec des comportements préoccupants comme la fabrication de données.

👉 L'approche "tout code" des agents (93,8% des tâches résolues par programmation) crée un décalage majeur avec les workflows humains orientés interface graphique, même pour des tâches créatives comme le design.

👉 La collaboration humain-agent semble plus prometteuse que l'automatisation complète : déléguer aux agents les étapes programmables où ils excellent, garder l'humain pour le jugement critique, la créativité et la validation.

L'augmentation ciblée accélère le travail de 24,3%, tandis que l'automation complète le ralentit de 17,7%.

👉 Le décalage entre discours et réalité : alors que les rapports célèbrent le scaling des agents sans entrer dans le détail (cf McKinsey), cette première comparaison directe indiquent qu'ils échouent en fait 32 à 50% plus souvent que les humains et mentent pour masquer leurs limites.

Un sénateur américain croit parler au ministre ukrainien des Affaires étrangères en visio. Un CFO valide un virement de 25 millions de dollars après un appel avec son CEO. Une nouvelle recrue effectue un achat frauduleux après avoir reçu un SMS de son patron.

Ces trois histoires ont un point commun : trois personnes pensaient parler à des interlocuteurs humains qui étaient en fait des IA.

➡️ Une attaque toutes les 5 minutes en 2024 aux États-Unis (environ 105 000 incidents recensés).

➡️ Les fraudes par deepfake ont explosé de 3 000% en 2023.

➡️ Pertes financières moyennes : 500 000$ par incident pour les entreprises touchées, avec des pics à 680 000$ pour les grandes organisations.

➡️ Le cas Arup : à Hong Kong, un employé a transféré 25,5 millions de dollars après une vidéoconférence avec ce qu'il croyait être son directeur financier et plusieurs collègues. Tous étaient des deepfakes.

Note méthodologique : Les données IRONSCALES proviennent d'un sondage mené auprès de 500 professionnels IT et cybersécurité américains travaillant dans des entreprises de 1 000 à 10 000 employés. Les chiffres concernent donc principalement les grandes entreprises américaines.

Deloitte projette 40 milliards de dollars de fraudes facilitées par l'IA générative d'ici 2027 aux États-Unis (contre 12,3 milliards en 2023), soit un taux de croissance de 32% par an.

Pour les particuliers : 77% des personnes piégées par une arnaque vocale deepfake ont perdu de l'argent. Un tiers a perdu plus de 1 000$ et 7% jusqu'à 15 000$.

Au niveau politique : Le sénateur Ben Cardin a été piégé par un faux appel vidéo avec le ministre ukrainien Dmytro Kuleba.

Ferrari a aussi été ciblée, l'attaque échouant uniquement parce qu'un dirigeant a posé une question piège dont seul le vrai CEO connaissait la réponse.

L’humain se pense apte à détecter : 60% des gens pensent pouvoir repérer un deepfake mais les humains ne détectent correctement les deepfakes vidéo de haute qualité que dans 24,5% des cas. Une étude iProov indique que seulement 0,1% des participants ont identifié correctement tous les contenus présentés. Presque personne n'est donc fiable pour cette tâche.

Un manque de préparation flagrant : 1 dirigeant sur 4 n'a que peu de familiarité avec les deepfakes et 31% ne croient pas que ça augmente leur risque.

Les modèles génératifs créent aujourd'hui des contenus quasi-parfaits. ChatGPT, Claude, Gemini et les modèles vidéo (Sora, Runway, Veo) peuvent recréer une voix à partir de 3 secondes d'audio (85% de correspondance), générer des vidéos réalistes, rédiger des emails indiscernables de communications authentiques, etc..

L'accès aux données : Les IA agrègent des informations éparpillées sur LinkedIn, Facebook, Instagram, etc.. et parviennent à construire un profil complet. Plus d'un million de modèles open-source fonctionnent sans modération.

Les coûts ont chuté : Le deepfake robocall du Président Biden lors de la primaire du New Hampshire 2024 a coûté 1$ à créer et pris moins de 20 minutes. Le volume de fichiers deepfake est passé de 500 000 en 2023 à 8 millions projetés en 2025 (croissance de 900% par an).

L'ironie : OpenAI, qui développe des modèles utilisés par les criminels, investit aussi massivement dans des startups de défense comme Adaptive Security (55M$ levés). C'est un écosystème qui crée simultanément le poison et l'antidote. Les modèles génératifs progressent plus vite que la détection : il faut courir deux fois plus vite juste pour rester sur place.

Le premier problème est de ne se fier qu’à un seul canal (email, visio, appel). Le cas Arup (évoqué plus tôt) avec les 25M$ transférés sur simple demande par visio le prouve.

Les recommandations OWASP et WEF :

Pour les entreprises :

La réalité sur les formations : les formations trimestrielles traditionnelles n'atteignent que 7% de taux de remontée. 70% des organisations avec des programmes actifs voient leurs employés tomber dans des pièges basiques. Seules les procédures obligatoires fonctionnent.

Pour les particuliers :

👉 Industrialisation totale : 105 000 attaques aux États-Unis en 2024 (une toutes les 5 minutes), pertes moyennes de 500 000$. Deloitte projette 40 milliards de dollars de fraude IA d'ici 2027.

👉 Démocratisation complète : 3 secondes de voix suffisent pour un clone à 85% de correspondance. Le deepfake du Président Biden a coûté 1$ et pris 20 minutes. Plus d'un million de modèles open-source disponibles sans modération.

👉 Détection humaine impossible : 24,5% de réussite pour les vidéos de qualité, 0,1% détectent correctement tous les contenus. La seule stratégie viable : des procédures de vérification qui tiennent même si le deepfake est parfait.

👉 Les protocoles peuvent vous sauver : Codes de confiance, validation multi-canaux obligatoire, rappels sur numéros pré-enregistrés, délais imposés même en "urgence", validation à deux personnes. Ces procédures marchent aussi dans la vie privée (77% des victimes de voix clonée perdent de l'argent, 1 adulte sur 4 a déjà été ciblé).

👉 Un écosystème paradoxal : OpenAI investit dans Adaptive Security pour contrer les attaques créées avec ses propres technologies. C'est une course asymétrique où les défenseurs partent toujours avec un temps de retard.

Sources principales :

Sources complémentaires : Wall Street Journal, Cyber Defense Magazine, Deloitte, FS-ISAC, McAfee 2024, iProov 2025

Dans les années 2010, faire des études d'informatique était la voie vers l'emploi garanti. Aux États-Unis, ça commence à sonner un peu comme "apprends le latin" et certains lycéens américains se tournent de plus en plus vers les stats et l'analyse de données au détriment du développement informatique que l'IA générative semble en passe de faire mieux que l'humain.

➡️ Dans les lycées américains, on observe un passage massif de l'informatique vers les statistiques chez les élèves orientés STEM. L'examen AP Statistics a enregistré 264 262 inscriptions en 2024, devenant l'un des tests AP (tests passés au lycée pour obtenir des crédits universitaires) les plus demandés. En parallèle, les diplômes en informatique ont chuté de 5,5% entre 2023 et 2024.

➡️ La logique des étudiants : fuir les compétences que l'IA peut automatiser (coder) pour se concentrer sur ce qu'elle fait mal (interpréter, analyser, contextualiser dans un contexte métier précis). Les lycéens américains parient que comprendre les systèmes > construire les systèmes, et que piloter l'IA > coder soi-même.

➡️ Les écoles suivent le mouvement : À Manhattan Village Academy, on crée des cours de "mathématiques appliquées" où les élèves analysent des données de la police pour proposer des politiques publiques concrètes. Les cours d'informatique restent au programme mais plutôt comme culture générale.

Il y a 10 ans, décrocher un poste de software engineer chez Google était le Graal. Aujourd'hui, les ados de 16 ans regardent ChatGPT générer du code en quelques secondes et se disent : "Pourquoi passer 4 ans à apprendre ça ?"

C'est cohérent : l'école ne forme pas que des passionnés, elle forme aussi des gens employables et si le marché dit "on n'a plus besoin de codeurs juniors mais d'analystes capables de piloter l'IA", alors les élèves pivotent.

Le chercheur Xiaoming Zhai (Université de Géorgie) va plus loin : "La barre du coding a baissé. La vraie compétence maintenant, c'est d'intégrer l'IA avec sa propre discipline."

On passe d'une génération de développeurs à une génération de "pilotes d'IA" : pas ceux qui construisent l'outil mais ceux qui savent s'en servir intelligemment pour extraire du sens.

L'IA ne remplace pas (encore) tous les métiers tech : les développeurs seniors avec une vision d'architecture et les métiers opérationnels (admin sys, tech infra) restent nécessaires. Mais les développeurs juniors qui sortent de l'école sont les plus fragiles : leur code risque d'être de qualité similaire à celui produit par une IA.

Pour les lycéens et étudiants :

Pour le marché du travail :

👉 Les lycéens américains fuient l'informatique au profit des stats par pragmatisme économique : pourquoi apprendre ce que l'IA fait mieux ?

👉 On passe d'une génération de développeurs à une génération de "pilotes d'IA" capables d'interpréter et contextualiser.

👉 Cette adaptation est très américaine (pragmatisme absolu), d'autres cultures maintiennent une approche plus académique du code.

👉 Le risque à long terme : former des utilisateurs passifs incapables de comprendre l'outil qu'ils manient au quotidien.

Puisqu’on parle des agents IA, OpenAI a récemment lancé son “mode agent”, accessible à tous les utilisateurs (avec quotas selon votre abonnement).

▶️ Ce que ça fait : Transforme ChatGPT en agent autonome capable d'enchaîner plusieurs actions pour accomplir une mission complexe sans intervention. Au lieu de dialoguer étape par étape, vous donnez un objectif global ("recherche et compare 5 outils de CRM pour PME avec budget <5000€/an") et l'agent planifie, recherche, analyse et synthétise de manière autonome.

Fonctionnalités :

Ici j’ai demandé à ChatGPT d’utiliser l’agent pour me créer une présentation de 3 slides de comparaison des modèles LLM Chatgpt, Claude, Gemini et Mistral.

Ce que l'agent a fait :

💡 Utile pour :

Une fonctionnalité qui peut vous faire gagner du temps sur des tâches de recherche répétitives, à condition de vérifier ses conclusions, sauf dans un cas de brainstorming ou de création.

🔗 Accès : chatgpt.com → Sélectionner "Agent Mode" dans le menu “+”

Quand plusieurs explications sont possibles, ce prompt transforme la question en tests et expérimentations courtes qui permettent d'écarter des hypothèses. Parfait pour passer sortir un peu du flou.

Prompt : "Les ventes ont chuté, je ne sais pas pourquoi."

Réponse :

Un plan expérimental précis qui transforme incertitude en décisions rapides et économes. Vous accélérez l'apprentissage et obtenez de la clarté immédiate. 🏃‍♂️💡

Qu’avez-vous pensé de cette édition ?
Vos avis nous sont très précieux !