Les futurs agents IA travailleront-ils pour les plateformes ou pour leurs utilisateurs ?

Plus les assistants IA deviennent personnels, plus la question du contrôle devient stratégique. L’utilisateur croit gagner un compagnon numérique capable de le comprendre, de mémoriser ses préférences et d’agir en son nom. Mais une question plus profonde apparaît immédiatement : cet agent travaille-t-il réellement pour lui, ou pour la plateforme qui l’héberge ?

Charlie, le projet porté dans la continuité des travaux de Tim Berners-Lee et d’Inrupt, ne doit pas être lu comme une simple innovation IA. Il fonctionne plutôt comme une étude de cas révélatrice. Derrière la promesse d’un agent IA personnel se joue une bataille discrète pour le contrôle du nouvel intermédiaire numérique.

Cette bataille concerne directement les entreprises. Si demain un agent filtre les informations, compare les offres, négocie des options ou recommande un fournisseur à la place de l’utilisateur, la question ne sera plus seulement de convaincre un client humain. Elle deviendra aussi : comment être identifié, compris et jugé fiable par l’agent qui représente ce client ?

1. Charlie n’est pas une innovation IA, c’est une critique du modèle actuel

Tim Berners-Lee n’arrive pas dans le débat par opportunisme. Dans son texte Charlie works for Bob, publié en 2017, il imagine déjà un assistant nommé Charlie qui travaille pour Bob, et non pour un écosystème publicitaire, un fournisseur d’interface ou une plateforme commerciale.

Le point central n’est pas la conversation. Il est la loyauté de l’intermédiaire. Charlie est utile parce que Bob peut lui confier davantage de données. Et Bob accepte ce partage parce que Charlie est censé travailler pour lui. La confiance ne vient donc pas seulement de la performance de l’IA. Elle vient du fait que l’agent a une orientation claire : représenter l’utilisateur.

Cette distinction change tout. Dans le modèle dominant, l’assistant est souvent intégré à une plateforme qui contrôle la mémoire, l’identité, les données, les connexions et parfois les recommandations. Dans la vision de Berners-Lee, l’agent IA personnel s’appuie sur une architecture différente : l’utilisateur garde la maîtrise de ses données, peut consentir à leur usage et peut les rendre portables.

C’est là qu’intervient Solid. Dans Charlie Works, Tim Berners-Lee décrit une expérimentation menée avec Inrupt à partir d’un jeu de données simulé pour Bob. L’idée consiste à relier un grand modèle de langage à un Solid Pod, c’est-à-dire un espace de données personnelles contrôlé par l’utilisateur. L’agent ne devient pas pertinent parce qu’il sait tout sur tout. Il devient pertinent parce qu’il peut accéder, avec consentement, à un contexte structuré, personnel et portable.

La session SXSW London 2026 résume cette ambition avec une formule forte : “The AI That Works for You, Not the Platform”. Elle dit l’essentiel. Le débat n’est pas seulement technique. Il porte sur la relation entre l’utilisateur, ses données et les intermédiaires qui prétendent l’assister.

2. La bataille silencieuse autour des agents IA

Les grands assistants actuels avancent vers un même objectif : devenir l’interface privilégiée entre l’utilisateur et le numérique. ChatGPT, Gemini, Claude ou Copilot ne se limitent plus à répondre à des questions isolées. Ils cherchent à retenir du contexte, à s’intégrer aux outils de travail, à accéder aux documents, à comprendre les préférences et à accompagner des tâches de plus en plus longues.

Cette évolution est logique. Celui qui devient l’interface quotidienne de l’utilisateur occupe une position stratégique. Il voit les demandes avant les moteurs de recherche. Il reformule les besoins avant les comparateurs. Il sélectionne les options avant les sites. Il peut proposer une action avant même que l’utilisateur ne sache précisément où chercher.

Le moteur de recherche avait déjà déplacé une partie du pouvoir vers l’indexation et le classement. L’assistant conversationnel ajoute une couche de synthèse. L’agent personnel pourrait ajouter une couche d’action. Nous passons ainsi d’un web où l’utilisateur cherchait, à un web où il demande, puis peut-être à un environnement où son agent agit.

Ce déplacement renforce les effets de verrouillage. Plus un assistant connaît l’utilisateur, plus il devient utile. Plus il devient utile, plus l’utilisateur lui confie de données. Plus il reçoit de données, plus il devient difficile de le remplacer. La mémoire devient alors un actif stratégique, au même titre que le compte utilisateur, l’historique d’achat ou le graphe social.

Pour les plateformes, l’enjeu est considérable. L’agent IA peut devenir la porte d’entrée vers l’écosystème : messagerie, documents, agenda, achats, recherche, relation client, productivité, divertissement, santé, finance. L’utilisateur n’a plus seulement une application. Il a un intermédiaire qui organise son accès aux applications.

La question stratégique n’est donc pas “quel modèle est le plus performant ?” Elle est : qui contrôle l’environnement dans lequel l’agent apprend, mémorise, recommande et agit ?

3. Celui qui contrôle l’agent contrôle la relation

Un agent IA personnel n’est pas un simple moteur de réponse. Il combine plusieurs dimensions qui, ensemble, peuvent transformer la relation numérique : les données, la mémoire, la recommandation, la confiance et l’arbitrage.

Les données sont la matière première. Un assistant générique peut produire une réponse plausible. Un agent connecté au contexte de l’utilisateur peut produire une recommandation située : budget, préférences, contraintes, historique, habitudes, calendrier, objectifs, relations, documents, achats passés. Cette personnalisation peut être précieuse. Elle peut aussi créer une dépendance profonde si les données restent enfermées dans un environnement propriétaire.

La mémoire est le second enjeu. Elle permet à l’agent de ne pas repartir de zéro à chaque interaction. Mais elle pose immédiatement une question de gouvernance : qui possède cette mémoire ? L’utilisateur peut-il la exporter ? Peut-il la corriger ? Peut-il savoir ce qui est retenu ? Peut-il changer d’agent sans perdre son historique ?

La recommandation est le troisième point critique. Un agent qui propose une assurance, un hôtel, un logiciel, une formation ou un prestataire ne fait pas qu’afficher une liste. Il hiérarchise. Il interprète. Il arbitre. Les entreprises connaissent déjà la puissance des classements dans les moteurs de recherche ou les places de marché. Avec les agents IA, cette logique pourrait devenir plus opaque encore, parce que la recommandation sera souvent formulée comme une réponse unique ou un petit nombre d’options.

La confiance constitue la condition d’usage. Un utilisateur acceptera difficilement de confier ses données les plus sensibles à un agent dont il ne comprend pas les intérêts. À l’inverse, un agent réellement aligné sur l’utilisateur pourrait devenir un intermédiaire beaucoup plus puissant qu’une simple interface. Il pourrait négocier, filtrer, protéger, comparer et refuser certaines sollicitations.

Enfin, l’arbitrage devient le cœur du sujet. Si l’agent choisit ce qu’il montre, ce qu’il résume, ce qu’il écarte et ce qu’il recommande, il ne se contente plus d’assister l’utilisateur. Il participe à la formation de sa décision.

4. Ce que cela change pour les entreprises

Pour les entreprises, l’arrivée d’agents IA personnels modifie la logique d’acquisition. Jusqu’ici, une marque cherchait à être trouvée par un utilisateur : référencement naturel, publicité, réseaux sociaux, recommandations, marketplaces, comparateurs. Demain, une partie du parcours pourrait être médiée par un agent qui connaît le contexte du client et présélectionne les options à sa place.

La question centrale devient alors : les entreprises devront-elles convaincre leurs clients ou convaincre les agents IA qui représentent leurs clients ?

Ce déplacement n’annule pas la relation humaine. Il ne supprime pas le besoin de marque, de qualité, de confiance ou de relation commerciale. Mais il ajoute un filtre. Si l’agent compare les offres avant l’utilisateur, il faudra que l’entreprise soit lisible pour lui : données claires, informations structurées, preuves accessibles, politique de confidentialité compréhensible, réputation vérifiable, contenus cohérents.

Le GEO, ou optimisation pour les moteurs de réponse IA, prend ici une dimension plus stratégique. Il ne s’agit plus seulement d’apparaître dans une réponse générative. Il s’agit de devenir une source que les agents peuvent comprendre, citer, comparer et recommander. Une entreprise dont les informations sont dispersées, contradictoires ou peu documentées risque de devenir invisible dans ces nouvelles couches d’intermédiation.

La relation client pourrait également changer. Un agent personnel pourra filtrer les sollicitations commerciales, résumer des conditions générales, comparer des prix, détecter des incohérences ou demander des garanties. Les marques les plus fragiles seront celles qui reposent sur l’opacité, la friction ou l’asymétrie d’information. Les plus solides seront celles capables d’être vérifiées facilement.

La confiance numérique devient donc un actif opérationnel. Les entreprises devront renforcer leur autorité éditoriale, leur transparence, leur qualité de données publiques et leur capacité à être comprises par des systèmes automatisés. La visibilité dans les IA ne se gagnera pas uniquement avec des mots-clés. Elle dépendra aussi de la cohérence entre ce que l’entreprise dit, ce qu’elle fait, ce qu’elle documente et ce que les sources externes confirment.

Pour les PME et ETI, le sujet est particulièrement important. Elles ne pourront pas toutes construire leur propre agent. Mais elles devront comprendre comment leurs offres seront lues, filtrées et recommandées par les agents de leurs clients, de leurs collaborateurs, de leurs partenaires ou de leurs donneurs d’ordre.

5. Les dirigeants doivent surveiller autre chose que les modèles

Le débat public adore opposer GPT, Claude, Gemini ou Copilot. Cette comparaison a son utilité pour choisir un outil à un moment donné. Mais elle ne capture pas le véritable enjeu de long terme.

Le débat n’est pas GPT contre Claude. Il est gouvernance contre dépendance.

Un dirigeant doit se demander où se situera demain la mémoire de son organisation, de ses clients ou de ses collaborateurs. Sera-t-elle enfermée dans un fournisseur ? Reliée à un compte personnel ? Exportable ? Auditable ? Réutilisable dans un autre environnement ? Ces questions semblent techniques, mais elles engagent directement la souveraineté des données et la continuité opérationnelle.

Il doit aussi surveiller les interfaces par lesquelles ses clients découvrent l’entreprise. Si l’agent devient un point de passage, le site web, le contenu éditorial, les données structurées, les avis, les mentions de marque, les politiques de confiance et la documentation publique deviennent des signaux destinés autant aux machines qu’aux humains.

Le choix des outils internes demandera également de nouveaux arbitrages. Un agent intégré à une suite bureautique peut améliorer la productivité. Mais il peut aussi créer une dépendance à une mémoire propriétaire. Un assistant métier peut fluidifier la relation client. Mais il peut aussi concentrer des données sensibles dans un environnement difficile à migrer. Une plateforme commerciale peut proposer des recommandations utiles. Mais elle peut aussi orienter les décisions selon ses propres intérêts économiques.

La gouvernance IA doit donc intégrer la question des agents : qui les opère, quelles données ils utilisent, quelle mémoire ils construisent, quelles recommandations ils produisent, quels biais économiques les structurent et comment l’organisation peut reprendre la main.

Cette approche ne demande pas de refuser les plateformes. Elle demande de ne pas confondre efficacité immédiate et maîtrise stratégique.

Ouverture prospective

Charlie n’est qu’un symptôme. Le sujet réel est l’émergence possible d’un nouvel intermédiaire numérique : l’agent IA capable d’écouter, de mémoriser, de comparer, de recommander et parfois d’agir.

Si cet agent travaille principalement pour une plateforme, il prolongera la logique actuelle : concentration de la mémoire, dépendance aux écosystèmes, captation de la relation et opacité des recommandations. S’il travaille réellement pour l’utilisateur, il pourrait au contraire renforcer la portabilité, la souveraineté des données et la capacité des individus à reprendre le contrôle de leurs interactions numériques.

Pour les organisations, la conséquence est majeure. La visibilité pourrait dépendre de la confiance accordée par des agents. L’acquisition pourrait passer par des systèmes qui filtrent avant même que l’utilisateur ne voie les offres. La crédibilité pourrait être évaluée à partir de données structurées, de sources externes, de cohérence éditoriale et de signaux de confiance.

Les entreprises devront donc réfléchir à leur capacité à rester identifiables, crédibles et accessibles dans un monde piloté par des agents. Leur enjeu ne sera pas seulement d’être présentes sur le web, ni même d’être visibles dans les IA. Il sera d’être suffisamment compréhensibles pour des agents qui parleront, compareront et décideront partiellement au nom des utilisateurs.

Si demain un agent prend une partie des décisions à la place de l’utilisateur, qui influencera réellement cette décision ?