Le modèle SaaS (Software as a Service) s'est imposé depuis deux décennies comme le paradigme dominant de la distribution logicielle. Salesforce, puis toute une génération de startups B2B, ont construit des empires sur un principe simple : centraliser l'application dans le cloud, facturer un abonnement par siège, itérer en continu. Mais l'émergence des agents autonomes — ces systèmes d'IA capables de planifier, exécuter et itérer sur des tâches complexes sans intervention humaine continue — menace d'en redessiner les fondations.
Les architectures d’agents associent modèles, outils et mécanismes de contrôle. LangGraph, par exemple, permet d’orchestrer des traitements avec un état persistant et des interventions humaines. Un système peut combiner des étapes déterministes et des décisions confiées au modèle : il n’existe pas un schéma multi-agents unique adapté à tous les usages.
Le paradigme agent-centrique
Le basculement fondamental est celui du paradigme outil-centrique vers le paradigme tâche-centrique. Dans le modèle SaaS classique, l'utilisateur manipule une interface — un CRM, un tableur, un outil de gestion de projet — et l'intelligence reste du côté humain. L'agent autonome inverse cette dynamique : l'utilisateur exprime une intention, et l'agent orchestre lui-même les outils nécessaires.
Les agents de développement illustrent déjà cette transition. Avec Devin, le travail produit passe notamment par des demandes de modification de code et des outils de revue. L’autonomie d’exécution ne dispense pas de vérifier les changements avant leur intégration.
Cette mutation interroge la tarification par siège lorsque des tâches passent des utilisateurs aux agents. Pour un client, la comparaison doit porter sur le coût total du travail réalisé : logiciel, calcul, supervision et corrections. Le gain ne se déduit pas d’un nombre théorique de postes remplacés.
Impact sur les modèles économiques
La dynamique de « debundling puis rebundling » offre une lecture possible. Après le dégroupage des suites en applications spécialisées, des agents pourraient réunir certaines fonctions dans un orchestrateur traversant les frontières applicatives. Cela suppose des accès fiables aux données et aux outils.
L’intelligence ambiante — des systèmes qui agissent en arrière-plan — dessine une piste d’expérience. Sa valeur dépend d’une condition simple : savoir ce qui peut être délégué, ce qui doit être signalé et ce qui exige une validation.
Risques et perspectives
Les risques ne doivent pas être sous-estimés. Les retours d’Anthropic sur la conception d’agents soulignent les compromis de coût, de latence et de complexité. En pratique, il faut borner les permissions, garder une trace des actions et prévoir un contrôle humain aux étapes sensibles.
Pour les décideurs, le bon point de départ est une tâche mesurable : quel résultat attendu, quelles erreurs acceptables, quel temps réellement gagné ? C’est la réponse à ces questions qui permet de décider où l’agent améliore l’existant, et où il ajoute surtout de la complexité.
Sources et repères
Mise à jour factuelle : 21 septembre 2026. Les annonces et résultats cités sont datés ; les scénarios relèvent de l’analyse prospective.
[ FIN — MERCI D’AVOIR LU JUSQU’ICI ]
Autres analyses