Verdict. Les agents capables de manipuler une interface informatique ont nettement progressé, mais ils ne sont pas encore des exécutants autonomes fiables. Le AI Index 2026 de Stanford situe leur réussite sur OSWorld autour de 66 % en 2025, contre 12 % environ un an auparavant. Le bond est réel ; le tiers d’échecs restant compte tout autant dès qu’une action peut envoyer un e-mail, modifier un fichier ou valider une dépense.
Le mot-clé visé ici est agents IA pour utiliser un ordinateur statistiques 2026. Derrière l’effet démonstratif — un modèle clique, fait défiler une page, remplit un formulaire — se cache une question opérationnelle : à quel moment peut-on confier une tâche à un agent plutôt que lui faire préparer le travail ? Les données disponibles donnent une réponse plus utile que les vidéos de démonstration : sur des tâches structurées, les agents ont avancé vite ; sur un poste réel, il faut encore borner leurs droits et vérifier leur sortie.
Les trois points à retenir
- 66 % n’est pas 100 %. Le résultat cité par Stanford concerne OSWorld, un benchmark contrôlé de tâches sur ordinateur ; ce n’est ni un taux de réussite en entreprise ni une garantie pour un navigateur ouvert.
- La progression est mesurée. Stanford compare environ 12 % de réussite en 2024 à environ 66 % en 2025 sur ce test. L’écart illustre un gain de capacité, pas une disparition du besoin de contrôle.
- Le bon premier usage est réversible. Recherche, pré-remplissage, extraction et préparation de brouillon sont plus prudents que paiement, publication, suppression ou accès à des données sensibles.
Le chiffre qui change la lecture des agents IA
| Indicateur | Valeur | Ce que cela mesure |
|---|---|---|
| Réussite OSWorld, 2024 | ~12 % | Agents accomplissant des tâches informatiques structurées |
| Réussite OSWorld, 2025 | ~66 % | Même famille d’évaluation, selon la synthèse AI Index 2026 |
| Échecs résiduels en 2025 | ~34 % | Ordre de grandeur, calculé comme complément à 100 %, pas un indicateur séparé |
Le point important est le périmètre. OSWorld évalue un agent dans des environnements réels ou réalistes — systèmes d’exploitation, applications et sites — au moyen de tâches définies et de critères de succès. Le benchmark est précieux parce qu’il ne se limite pas à produire du texte : l’agent doit enchaîner des actions. Il ne reproduit toutefois pas le désordre d’un parc informatique, les droits internes, les doubles authentifications, les changements de pages ou les conséquences métier d’une erreur.
Pourquoi le passage de 12 % à 66 % ne permet pas encore de “déléguer son ordinateur”
Un benchmark mesure une exécution dans un protocole donné. Il ne mesure pas directement la qualité d’une décision commerciale, l’acceptation d’un utilisateur ni le coût d’un échec. Une tâche réussie dans OSWorld peut être : localiser une information, modifier un réglage ou organiser un élément dans une application. Dans une entreprise, la même séquence peut dépendre d’une convention de nommage, d’un client, d’un seuil de validation ou d’une donnée personnelle que le benchmark ne connaît pas.
Le chiffre d’environ 66 % est donc une information de capacité. Il signale que les agents ne relèvent plus seulement de la recherche ; il ne dit pas qu’ils conviennent à une automatisation sans surveillance. Sur 100 tâches comparables, un ordre de grandeur de 34 n’aboutirait pas selon cette mesure. Pour une tâche à faible enjeu, cela peut rester acceptable si un humain relit. Pour une action irréversible, ce ratio impose une étape d’approbation.
Ce que font concrètement les agents “computer use”
Un agent de navigation ou de poste de travail combine généralement vision de l’écran, raisonnement sur l’objectif et outils d’action : clic, saisie, défilement, raccourci clavier ou appel à une API. Les offres diffèrent. Certaines pilotent un navigateur isolé ; d’autres reçoivent des captures d’écran et renvoient des coordonnées d’actions ; d’autres encore privilégient des intégrations API, souvent plus prévisibles qu’une interface graphique.
La documentation officielle d’OpenAI sur l’outil computer use insiste d’ailleurs sur les confirmations utilisateur pour les actions à fort impact et sur l’isolement de l’environnement. Ce n’est pas un détail de produit : une interface visuelle expose l’agent aux instructions non fiables présentes à l’écran, aux liens trompeurs et aux pages qui changent. La guidance d’Anthropic va dans le même sens : choisir l’architecture la plus simple, limiter les outils et évaluer les cas réels avant d’ajouter de l’autonomie.
Quels usages tester en premier ?
- Préparation de dossiers : récupérer des éléments publics, les classer dans un brouillon et signaler les données manquantes.
- Recette d’interface : rejouer un parcours connu dans un environnement de test et conserver captures ou journaux.
- Back-office à validation : pré-remplir une fiche, proposer une mise à jour, puis attendre le clic d’un responsable.
- Veille répétitive : ouvrir une liste de pages autorisées, relever les changements et produire un récapitulatif sourcé.
À l’inverse, évitez de donner à un agent un accès illimité à la messagerie, aux moyens de paiement, à la production ou aux données RH. Un test utile commence avec un compte dédié, des droits minimaux, une liste de domaines autorisés et une tâche que l’on peut annuler. Conservez le journal des actions : il permet de distinguer une erreur de modèle, une page modifiée et une règle métier absente du prompt.
Comparatif : agent d’interface, API ou automatisation classique
| Approche | Atout | Limite principale | À privilégier pour |
|---|---|---|---|
| Agent d’interface | Travaille là où il n’existe pas d’API | Fragile aux changements visuels et aux ambiguïtés | Exploration, tâches assistées |
| API / intégration | Actions traçables et formatées | Nécessite un accès technique | Processus récurrent à enjeu |
| Automatisation déterministe | Comportement prévisible | Gère mal les cas non prévus | Règle métier stable |
| Humain + IA de préparation | Contrôle final conservé | Ne supprime pas la relecture | Premiers déploiements |
Confidentialité et sécurité : les questions à poser avant un pilote
Un agent voit potentiellement tout ce qui est affiché : noms, documents, messages, cookies de session et informations de facturation. Avant de tester, vérifiez où transitent les captures, combien de temps elles sont conservées, si elles servent à l’entraînement, le pays d’hébergement et les contrôles administrateur. Désactivez les secrets visibles quand c’est possible et utilisez des données fictives au départ.
La sécurité ne consiste pas seulement à protéger l’accès. L’agent peut lire une page contenant une instruction hostile conçue pour le détourner. La réponse pratique est de séparer les sources non fiables des outils capables d’agir, de demander une confirmation avant toute action externe et de plafonner le périmètre : un compte de test ne doit pas pouvoir toucher la production.
Ce que les données prouvent — et ce qu’elles ne prouvent pas
Elles prouvent une accélération nette sur un benchmark d’usage informatique : Stanford rapporte un passage d’environ 12 % à environ 66 % de réussite en un an. Elles ne prouvent ni une productivité moyenne, ni une réduction de coût, ni un niveau de sûreté universel. Elles ne permettent pas non plus de départager à elles seules les produits : le modèle, le navigateur, les autorisations, le prompt et la version du site modifient le résultat.
Pour acheter ou déployer un outil, remplacez la question “quel agent est le meilleur ?” par “sur nos 20 tâches, lesquelles réussissent sans correction et lesquelles nécessitent une validation ?”. Mesurez le taux de réussite, le temps de reprise humaine, les erreurs bloquantes et les données exposées. C’est ce protocole local, et non un score unique, qui décidera s’il faut élargir le pilote.
Questions fréquentes
Que mesure OSWorld ?
OSWorld est un benchmark de tâches informatiques qui teste des agents dans des environnements comprenant systèmes, applications et sites. Il mesure la réussite de tâches définies, pas la valeur métier d’un déploiement réel.
Un score de 66 % rend-il un agent autonome ?
Non. Dans la synthèse Stanford, ce score laisse environ un tiers de tâches non réussies. Pour une action sensible, il faut des permissions limitées et une validation humaine.
Faut-il préférer une API à un agent qui clique ?
Quand une API documentée est disponible, elle est souvent plus contrôlable et plus stable. L’agent d’interface est surtout intéressant lorsqu’aucune intégration n’existe ou pour assister une personne.
Sources utiles
- Stanford HAI — AI Index Report 2026, Technical Performance (publication 2026)
- OSWorld — présentation et protocole du benchmark
- OSWorld — dépôt GitHub et code d’évaluation
- OpenAI — guide officiel Computer Use
- Anthropic — Building effective agents
Vincent Vandegans analyse les outils, usages et chiffres de l’intelligence artificielle pour Minderlist.
