Les agents IA nécessitent des interfaces adaptées pour être efficaces

Les agents IA nécessitent des interfaces adaptées pour être exploités efficacement, car les interfaces actuelles, comme les chatbots, génèrent des coûts cognitifs qui limitent leur utilité réelle.

Les chatbots, bien que pratiques pour des questions ponctuelles, s’avèrent inadaptés pour des tâches complexes. Une étude récente a évalué des professionnels de la finance réalisant une tâche de valorisation avec GPT-4o. Les participants ont constaté un gain de productivité grâce à l’IA, mais celui-ci a été partiellement annulé par la surcharge cognitive induite par l’interface. Les réponses, présentées sous forme de longs paragraphes, de digressions ou de structures désorganisées, ont submergé les utilisateurs. Une fois la conversation devenue confuse, elle le restait, l’IA reproduisant la désorganisation initiale sans la corriger. Les travailleurs moins expérimentés, qui auraient pu tirer le plus de bénéfices de l’IA, ont été les plus affectés par cette difficulté à suivre le fil des échanges.

Les interfaces spécialisées pourraient résoudre ce problème en s’adressant à des métiers ou des tâches précises. À ce jour, les seules interfaces spécialisées abouties concernent la programmation, comme Claude Code d’Anthropic, Codex d’OpenAI ou Antigravity de Google. Ces outils, conçus par et pour des développeurs, supposent une maîtrise de langages comme Python ou de systèmes comme Git. Leur interface, proche d’un environnement de développement des années 1980, reste inaccessible à la majorité des travailleurs du savoir, qui ne sont pas programmeurs. Pour les 99 % restants, ces solutions puissantes ne sont pas optimisées.

Google explore des pistes pour d’autres professions avec des outils comme Stitch, Pomelli ou NotebookLM. Ces interfaces, encore en développement, illustrent une approche où l’IA est conçue pour des usages métiers spécifiques. Stitch, par exemple, propose un canevas infini où l’utilisateur décrit une application en langage naturel et reçoit en retour des éléments de code ou des propositions structurées. Ces expérimentations montrent une voie pour des interfaces plus adaptées, mais leur maturité reste limitée.

L’enjeu n’est donc pas seulement de disposer d’agents IA performants, mais de leur fournir des interfaces qui minimisent la charge cognitive et maximisent leur utilité concrète.