La bataille des agents : décryptage du front qui redéfinit la valeur

Pendant plus d'une décennie, la valeur d'un modèle de langage s'est mesurée à sa capacité à répondre : produire un texte juste, résumer un document, traduire une phrase. Depuis la fin 2024, un déplacement plus discret mais plus profond s'opère. Les laboratoires ne rivalisent plus seulement sur la qualité des réponses, mais sur la capacité d'un système à agir — cliquer, appeler des outils, enchaîner des dizaines d'étapes, coordonner d'autres systèmes. Cette course-là, on l'appelle souvent la bataille des agents IA : non pas un affrontement, mais une rivalité industrielle intense autour d'un même pari, celui que l'action autonome devient le nouveau terrain où se décide la valeur. Les faits — nouveaux SDK dédiés, protocoles ouverts, scores de tests qui bondissent — dessinent un front concurrentiel dont il vaut la peine de lire la logique posément.

Le constat : l'action autonome devient un produit à part entière

Pour comprendre ce qui se joue, il faut d'abord distinguer deux choses souvent confondues. Un modèle génère du texte ou du code. Un agent utilise ce modèle comme moteur de décision, mais y ajoute une boucle : observer un environnement, choisir une action, l'exécuter au moyen d'un outil, observer le résultat, recommencer jusqu'à atteindre un objectif. Cette boucle transforme un système qui dit en un système qui fait. Et c'est précisément autour de cette bascule que les principaux laboratoires ont réorganisé leurs annonces depuis dix-huit mois.

Le premier jalon marquant est venu d'Anthropic. Le 22 octobre 2024, l'entreprise a présenté une capacité baptisée computer use, en bêta publique, permettant à Claude de piloter un ordinateur comme le ferait une personne : regarder l'écran, déplacer un curseur, cliquer, taper. Selon l'annonce officielle, des entreprises comme Asana, Canva, DoorDash ou Replit avaient déjà commencé à explorer des tâches réclamant « des dizaines, et parfois des centaines d'étapes ». Le même jour, la mise à jour de Claude 3.5 Sonnet faisait grimper son score sur le test de codage agentique SWE-bench Verified de 33,4 % à 49,0 %, et sur TAU-bench (domaine commerce) de 62,6 % à 69,2 %. Ces deux chiffres, publiés par le laboratoire, résument le glissement : ce ne sont pas des mesures de « bonne réponse », mais de tâches menées à bien.

Les développeurs peuvent demander à Claude d'utiliser les ordinateurs comme le font les humains — en regardant un écran, en déplaçant un curseur, en cliquant sur des boutons et en saisissant du texte. Anthropic, annonce « computer use », 22 octobre 2024

Le tournant des protocoles ouverts

Un mois plus tard, le 25 novembre 2024, Anthropic ouvrait le Model Context Protocol (MCP), un standard ouvert destiné à relier les assistants IA aux systèmes où vivent les données : dépôts de contenu, outils métier, environnements de développement. L'idée répond à un problème très concret que l'entreprise décrit comme le casse-tête « N×M » : sans standard, chaque modèle doit se voir doter d'un connecteur sur mesure pour chaque source de données, et le nombre d'intégrations à construire explose. Un protocole commun ramène cette complexité à quelque chose de gérable. La spécification initiale (version 2024-11-05) est arrivée accompagnée de kits pour Python et TypeScript, et de serveurs prêts à l'emploi pour Google Drive, Slack, GitHub ou Postgres.

Ce qui distingue MCP d'une simple fonctionnalité, c'est son adoption au-delà de son émetteur. Les recensions publiques indiquent que le protocole a ensuite été repris par d'autres fournisseurs majeurs, dont OpenAI et Google DeepMind. Un standard proposé par un laboratoire et adopté par ses concurrents directs : le signal est rare, et il en dit long sur la maturité du sujet. Quand des rivaux convergent sur une même plomberie, c'est que la valeur ne se situe plus dans la plomberie elle-même.

Des kits d'outillage qui industrialisent la construction d'agents

Le mouvement s'est prolongé chez OpenAI. En mars 2025, l'entreprise publiait la Responses API, un ensemble d'outils intégrés (recherche web, recherche de fichiers, computer use) et un Agents SDK ouvert. Puis, lors de sa conférence développeurs du 6 octobre 2025, elle dévoilait AgentKit, présenté comme un ensemble complet pour construire, déployer et améliorer des agents. AgentKit s'appuie sur la Responses API et l'Agents SDK, et ajoute un constructeur visuel d'agents, un registre de connecteurs pour gouverner les sources de données, une brique d'interface embarquable et des outils d'évaluation et de traçage. Autrement dit : passer de l'agent-prototype à l'agent-produit supervisable.

Google, de son côté, a poussé la logique vers la coordination entre agents. Le 9 avril 2025, Google Cloud annonçait le protocole Agent2Agent (A2A), un standard ouvert permettant à des agents conçus par des fournisseurs différents de se découvrir, de se déléguer des tâches et de coordonner leur travail. Le lancement réunissait plus de cinquante partenaires technologiques — parmi lesquels Atlassian, Box, Cohere, Intuit, LangChain, MongoDB, PayPal, Salesforce, SAP, ServiceNow ou Workday. Deux mois et demi plus tard, le 23 juin 2025, le protocole passait sous la gouvernance de la Linux Foundation, publié sous licence Apache 2.0 ; dès l'été 2025, ce nombre dépassait cent cinquante organisations.

Mis bout à bout, ces jalons composent une chronologie cohérente. En moins d'un an et demi, les trois grands laboratoires généralistes ont chacun livré une pièce de la même infrastructure : la capacité d'agir sur un ordinateur (Anthropic), le protocole reliant l'agent à ses données (MCP), les kits d'industrialisation (AgentKit), et le protocole reliant les agents entre eux (A2A). Ce n'est pas une coïncidence de calendrier, c'est une conviction partagée.

Anatomie d'un agent : ce qui a changé sous le capot

Pour saisir pourquoi ces annonces marquent une rupture, il faut regarder ce qui compose techniquement un agent. Trois briques se sont assemblées progressivement. La première est l'appel d'outils (tool use ou function calling) : la capacité pour un modèle de produire, au lieu d'une réponse en langage naturel, une demande structurée d'exécuter une fonction externe — interroger une base, envoyer un courriel, lancer un calcul. Cette brique existe depuis 2023, mais elle restait souvent limitée à un ou deux appels isolés.

La deuxième brique est la boucle de raisonnement et d'action, souvent inspirée du schéma « raisonner puis agir » popularisé par la recherche : le modèle alterne réflexion interne et actions concrètes, en réinjectant à chaque tour le résultat de l'action précédente. C'est cette boucle qui permet d'enchaîner des dizaines d'étapes sans intervention humaine. La troisième brique est la perception d'environnement : capturer l'état d'un écran, lire une page, comprendre une interface. La capacité computer use d'Anthropic est précisément l'aboutissement de cette troisième brique appliquée au bureau informatique — un modèle qui interprète des captures d'écran successives pour décider où cliquer.

Ce qui a réellement changé fin 2024, ce n'est donc pas l'invention d'une brique unique, mais leur assemblage en un ensemble suffisamment fiable pour être exposé aux développeurs. Un agent devient alors un objet logiciel manipulable : on lui fournit des outils, on définit son objectif, on encadre son autonomie, et on observe sa trajectoire. Les protocoles et les kits publiés depuis ne font qu'organiser cet objet — lui donner un moyen standard d'accéder aux données (MCP), un moyen de dialoguer avec ses pairs (A2A), et un atelier pour le construire et le surveiller (AgentKit). La rivalité entre laboratoires porte moins sur l'existence de ces briques que sur la robustesse et l'ergonomie de leur assemblage.

Une précision de vocabulaire s'impose ici, car elle conditionne la lecture. Le terme « autonome » ne signifie pas « sans supervision ». Dans la quasi-totalité des déploiements documentés, l'agent opère sous contrôle : périmètre d'actions restreint, validation humaine sur les opérations sensibles, journalisation de chaque étape. L'autonomie mesurée par les tests est celle d'une tâche, pas celle d'un système livré à lui-même. Confondre les deux mène à des attentes irréalistes — dans un sens comme dans l'autre.

Des premiers usages qui donnent la mesure du pari

Les cas d'adoption rendus publics aident à comprendre pourquoi les laboratoires misent sur ce terrain. Autour de computer use, Anthropic citait dès l'annonce des entreprises engagées dans l'exploration : Asana et Canva côté outils de travail, DoorDash et Replit côté services et développement, ou encore The Browser Company côté navigation. Le point commun de ces expérimentations, souligné par l'annonce, est la longueur des enchaînements — des procédures réclamant des dizaines, voire des centaines d'étapes, exactement le genre de travail répétitif que l'action automatisée peut absorber.

Ce détail éclaire la logique économique du pari. Une tâche courte et ponctuelle se prête mal à l'automatisation : le coût de mise en place dépasse le bénéfice. Une procédure longue, répétitive et bien délimitée est au contraire un terrain idéal : c'est là que l'agent transforme des minutes ou des heures humaines en secondes-machine supervisées. En choisissant de mettre en avant ces usages, les laboratoires signalent où ils estiment que la valeur se crée d'abord — non pas dans le remplacement d'un métier, mais dans l'absorption de séquences fastidieuses au sein d'un métier. La nuance est importante : l'agent s'insère dans un flux de travail existant plutôt qu'il ne s'y substitue.

Cette orientation vers des tâches longues explique aussi pourquoi les tests retenus mesurent des enchaînements et non des réponses uniques. Il y a une cohérence entre ce que les laboratoires montrent (des procédures multi-étapes chez leurs premiers utilisateurs) et ce qu'ils évaluent (des tests d'aboutissement de tâches). Le discours commercial et la métrologie pointent dans la même direction, ce qui renforce l'idée d'un déplacement assumé du centre de gravité.

La lecture : pourquoi la capacité d'agir redéfinit la valeur

Face à cette accumulation de faits, une grille de lecture s'impose — présentée ici comme une interprétation parmi d'autres, non comme une vérité établie. On peut lire cette période comme le moment où la valeur d'un système d'IA cesse de se loger dans la qualité de la sortie pour migrer vers la capacité à conduire une tâche jusqu'à son terme. Ce déplacement change beaucoup de choses.

De la réponse à la tâche accomplie

Une réponse, même excellente, laisse à l'utilisateur toute la charge de l'exécution : lire, décider, copier, cliquer ailleurs. Une tâche accomplie absorbe cette charge. La différence de valeur perçue n'est pas marginale : elle est de nature. C'est ce qui explique que les laboratoires investissent autant dans des tests qui mesurent l'aboutissement plutôt que la justesse. SWE-bench Verified évalue si un agent règle réellement un ticket dans un dépôt de code. TAU-bench mesure si un agent respecte des règles métier au fil d'une conversation avec un utilisateur simulé, dans des domaines comme le commerce ou l'aérien. OSWorld teste la conduite de tâches réelles sur un vrai bureau informatique. Ces tests ont un point commun : ils sanctionnent l'échec d'exécution, pas seulement l'erreur de raisonnement.

Or, sur ces tests, la trajectoire est spectaculaire. La communauté de recherche observe que le taux de réussite sur SWE-bench Verified est passé d'environ 33 % à son lancement (août 2024) à plus de 70 % en moins d'un an — 72,7 % pour Claude Sonnet 4 dès mai 2025, selon Anthropic. Fin novembre 2025, la combinaison Claude Opus 4.5 et de l'échafaudage ouvert Live-SWE-agent atteignait 79,2 %, tandis que Gemini 3 Pro associé au même échafaudage relevait 77,4 %. Sur OSWorld, dont la référence humaine se situe autour de 72,4 %, la progression est tout aussi nette : environ 28 % pour Claude 3.7 en février 2025, 61,4 % pour Claude Sonnet 4.5 en septembre 2025, puis le début des années soixante-dix fin 2025. Sur TAU-bench (aérien), les relevés publics placent Claude Sonnet 4.5 en tête avec 70,0 %.

Test agentique	Ce qu'il mesure	Repère de progression
SWE-bench Verified	Résolution de tickets réels dans un dépôt de code	~33 % (août 2024) → >70 % en <1 an (mai 2025) ; 79,2 % (Claude Opus 4.5 + Live-SWE-agent, nov. 2025)
OSWorld	Tâches réelles sur un bureau informatique	~28 % (fév. 2025) → ~61,4 % (sept. 2025) → début 70 % ; repère humain ~72,4 %
TAU-bench (aérien)	Respect de règles métier en conversation outillée	70,0 % (Claude Sonnet 4.5, relevés publics)
SWE-bench Pro	Variante plus exigeante du codage agentique	~23 % pour les meilleurs modèles à son lancement (sept. 2025) — marge de progression alors considérable

Ce que la convergence sur les standards révèle

Un deuxième enseignement se lit dans l'adoption des protocoles. Quand un standard proposé par un acteur est repris par ses concurrents, on peut y voir un signe que la compétition s'est déplacée d'un cran. Tant que chacun bâtissait ses propres connecteurs, la friction d'intégration était elle-même un avantage — un fossé. En convergeant sur MCP pour l'accès aux données et sur A2A pour la coordination inter-agents, les laboratoires acceptent implicitement que la valeur ne réside plus dans le verrouillage de la plomberie, mais plus haut : dans la fiabilité de l'agent, la qualité de sa supervision, la pertinence de ses actions.

Un protocole commun ramène le casse-tête « N×M » des intégrations à un problème gérable : la valeur se déplace alors de la tuyauterie vers ce que l'agent accomplit réellement. Lecture proposée, à partir de la documentation publique de MCP et A2A

Cette lecture a une conséquence pratique pour les organisations. Si les briques d'interconnexion se standardisent, la différenciation se joue moins sur « quel modèle » que sur « quel agencement » : comment sont enchaînés les outils, comment sont posées les garde-fous, comment sont mesurés les résultats. Les kits comme AgentKit, avec leurs modules d'évaluation et de traçage, ne sont pas anodins : ils traduisent l'idée que la partie difficile n'est plus de faire agir un modèle, mais de rendre cette action observable, corrigeable et digne de confiance.

Pourquoi la mesure elle-même devient un enjeu

Un aspect souvent négligé mérite d'être souligné : la manière de mesurer un agent est devenue un sujet à part entière. Évaluer une réponse est relativement simple — on compare à une référence. Évaluer une tâche est bien plus délicat, car il existe souvent plusieurs chemins valides pour l'accomplir, et l'échec peut survenir à n'importe quelle étape. C'est pourquoi les tests agentiques reposent sur des environnements exécutables : SWE-bench Verified lance réellement la suite de tests d'un dépôt pour vérifier qu'un correctif fonctionne ; TAU-bench simule un utilisateur et vérifie le respect de règles métier au fil du dialogue ; OSWorld reconstitue un vrai système d'exploitation et contrôle l'état final. On ne demande plus « la réponse est-elle correcte ? » mais « l'objectif est-il atteint ? ».

Ce changement de mesure a une portée qui dépasse la technique. Il installe une exigence de reproductibilité et de transparence : un score agentique n'a de sens que si l'on connaît l'échafaudage utilisé, le nombre d'étapes autorisées et la version du modèle. C'est d'ailleurs ce que rappellent les classements publics, où un même modèle affiche des scores différents selon l'agent qui l'enveloppe. La performance n'est plus une propriété du modèle seul, mais du couple modèle-échafaudage. Cette subtilité explique pourquoi les résultats comme les 79,2 % de Claude Opus 4.5 sont systématiquement rapportés avec la mention de l'échafaudage — ici Live-SWE-agent — plutôt que comme une vertu intrinsèque du modèle.

La performance d'un agent n'est plus une propriété du modèle seul : c'est celle du couple modèle-échafaudage, dans un environnement donné, à un nombre d'étapes donné. Lecture proposée, à partir des classements publics de tests agentiques

Pour une organisation, la leçon est directe : comparer deux agents suppose de comparer des configurations complètes, pas seulement des noms de modèles. Un chiffre sorti de son contexte — l'échafaudage, le domaine, la date — perd l'essentiel de son sens. Cette vigilance méthodologique n'est pas un détail d'experts : elle est le prix d'une évaluation honnête dans un domaine où les annonces spectaculaires abondent.

La mise en perspective : des paris voisins mais distincts

Il serait réducteur de présenter cette rivalité comme une course où tout le monde ferait la même chose. Les grands acteurs partagent la conviction que l'action autonome redéfinit la valeur, mais ils y répondent par des accents différents, qu'il est éclairant de comparer sans les hiérarchiser.

• Anthropic a mis en avant la capacité d'un modèle à opérer un ordinateur et a proposé MCP comme couche d'accès aux données. L'accent porte sur l'agent qui agit et sur la standardisation de son lien aux systèmes existants.
• OpenAI a industrialisé la fabrication d'agents avec la Responses API, l'Agents SDK puis AgentKit, en insérant très tôt l'évaluation et le traçage dans l'outillage. L'accent porte sur le cycle de vie de l'agent, du prototype au produit supervisé.
• Google a poussé la coordination entre agents avec A2A, un protocole ouvert et multi-fournisseurs, rapidement confié à une fondation neutre. L'accent porte sur l'écosystème et l'interopérabilité à grande échelle.

Ces trois accents ne s'excluent pas ; ils se complètent, ce qui explique d'ailleurs pourquoi les standards circulent d'un camp à l'autre. Un agent utile a besoin d'agir (thème d'Anthropic), d'être construit et surveillé proprement (thème d'OpenAI) et de savoir collaborer avec d'autres agents (thème de Google). La rivalité tient moins à des visions opposées qu'à des ordres de priorité différents, chacun laissant sa marque sur l'infrastructure commune qui émerge.

La fiabilité comme véritable ligne de front

Si l'on cherche où se situe le cœur de la compétition, c'est probablement moins dans la démonstration d'une prouesse ponctuelle que dans la constance. Un agent qui réussit une tâche sur deux n'est pas exploitable de la même manière qu'un agent qui la réussit neuf fois sur dix, même si l'écart de score paraît modeste. Sur des tâches à haute conséquence — modifier une réservation, exécuter une transaction, écrire dans un dépôt de production — la marge d'erreur tolérée est faible. La progression des tests raconte ainsi deux histoires simultanées : celle, encourageante, d'une capacité qui s'étend, et celle, plus sobre, d'une fiabilité qui reste à consolider avant certains usages critiques.

C'est là que la standardisation prend tout son sens stratégique. Un protocole comme A2A ne se contente pas de faire dialoguer des agents : sa version 0.3 a introduit des mécanismes de signature des « cartes » d'agent, c'est-à-dire des moyens de vérifier l'identité et les capacités déclarées d'un agent avant de lui déléguer une tâche. De même, le registre de connecteurs d'AgentKit vise à gouverner quelles sources de données un agent peut atteindre. Ces éléments, peu spectaculaires, sont pourtant révélateurs : la course se joue autant sur la confiance — traçabilité, permissions, vérifiabilité — que sur la capacité brute. On peut y lire le signe d'un domaine qui mûrit, passant de la démonstration à l'ingénierie de la fiabilité.

Les modèles ouverts dans l'équation

La comparaison serait incomplète si l'on oubliait que cette dynamique ne se limite pas aux offres fermées. Les classements agentiques font régulièrement apparaître des modèles en accès ouvert ou semi-ouvert. Sur TAU-bench (aérien), à côté de Claude Sonnet 4.5 en tête, les relevés publics citent des modèles comme MiniMax M1 ou GLM-4.5-Air à des niveaux proches. Cette présence de systèmes ouverts a une implication de lecture : la capacité agentique ne reste pas cantonnée à quelques acteurs fermés, elle se diffuse. Pour une organisation soucieuse de maîtrise et de coûts, la possibilité de faire tourner un agent sur un modèle ouvert, derrière ses propres garde-fous, constitue une option réelle et non un simple horizon théorique.

Cette diffusion nuance l'image d'une rivalité réservée à trois géants. Elle suggère plutôt un écosystème à plusieurs strates : des laboratoires généralistes qui posent les standards et repoussent la frontière, des modèles ouverts qui rendent la capacité accessible, et une couche d'échafaudages et d'outils — souvent communautaires — qui extrait le meilleur de chaque modèle. La valeur se répartit sur toute cette chaîne, ce qui explique qu'aucun acteur ne cherche sérieusement à tout verrouiller.

Une dynamique économique réelle, mais à lire avec prudence

Cette effervescence technique se double d'une dynamique de marché soutenue, qu'il faut toutefois manier avec précaution car les projections varient fortement selon les cabinets. MarketsandMarkets estime le marché des agents IA à environ 7,84 milliards de dollars en 2025, avec une projection de 52,62 milliards en 2030 (taux de croissance annuel composé d'environ 46 %). D'autres cabinets, comme IDC, avancent des ordres de grandeur sensiblement différents selon le périmètre retenu pour définir le « marché des agents IA » — un signe que la catégorie elle-même reste mouvante. Ces écarts entre sources invitent à retenir l'ordre de grandeur et la tendance haussière plutôt qu'un chiffre précis.

Du côté de l'adoption, Gartner prévoit que 40 % des applications d'entreprise intégreront des agents dédiés d'ici fin 2026, contre moins de 5 % en 2025. Le cabinet indique aussi que, parmi les entreprises interrogées début 2026, une large majorité déclarait au moins une application en production embarquant un agent. Ces repères convergent vers une conclusion mesurée : l'intégration d'agents quitte le laboratoire pour entrer dans les usages courants.

Le contrepoint qui empêche de sur-vendre

La lecture serait incomplète, et malhonnête, sans son revers. Le même Gartner estime que plus de 40 % des projets d'IA agentique pourraient être abandonnés d'ici fin 2027, en raison de valeurs mal définies, de coûts qui grimpent et de gouvernances fragiles. Sur le plan technique, les mesures d'efficacité rappellent que la démonstration ne fait pas encore le produit : sur OSWorld, même les meilleurs agents empruntent 2,7 à 4,3 fois plus d'étapes que nécessaire, avec des latences de bout en bout parfois comptées en dizaines de minutes pour des tâches qu'une personne accomplit en quelques minutes. Et sur la variante plus exigeante SWE-bench Pro, lancée par Scale AI en septembre 2025, les scores des meilleurs modèles se limitaient alors à environ 23 % — signe, à cette date, d'une marge de progression considérable, que les mois suivants ont commencé à combler.

Ce contrepoint n'invalide pas la dynamique : il la cadre. La capacité d'agir progresse vite, l'infrastructure se standardise, le marché grossit — mais la fiabilité, le coût par tâche et la gouvernance restent des chantiers ouverts. Une lecture équilibrée tient les deux bouts : reconnaître l'ampleur du glissement sans confondre la trajectoire des tests avec la maturité des déploiements réels.

Ce que cela implique pour les organisations

Pour une entreprise qui observe ce mouvement, quelques repères pratiques se dégagent de l'analyse, sans qu'ils constituent des recettes. Le premier tient à la sélection des cas d'usage : les procédures longues, répétitives et bien délimitées, où le résultat est vérifiable, sont les terrains où l'action automatisée apporte le plus tôt un bénéfice net. Les tâches ambiguës, à fort enjeu et à faible tolérance d'erreur, réclament au contraire une supervision étroite et des garde-fous solides avant toute délégation.

Le deuxième repère concerne l'évaluation. Les chiffres publics l'ont montré : un agent se juge en contexte, avec son échafaudage, son domaine et son coût par tâche. Transposer un score de test à un usage métier suppose de rebâtir une mesure propre à cet usage — sans quoi l'écart entre la promesse et le terrain se creuse. C'est précisément cet écart que Gartner met en avant lorsqu'il anticipe un fort taux d'abandon de projets : rarement un problème de capacité brute, plus souvent un problème de cadrage, de coût et de gouvernance.

Le troisième repère porte sur les standards. Miser sur des protocoles ouverts — pour l'accès aux données comme pour la coordination — réduit le risque d'enfermement et facilite le remplacement d'un composant par un autre. Dans un domaine qui évolue aussi vite, la capacité à changer de modèle ou d'échafaudage sans tout reconstruire constitue une forme de prudence. La convergence des grands acteurs sur MCP et A2A rend cette prudence d'autant plus accessible qu'elle s'appuie désormais sur des fondations partagées.

Ce qu'on peut en retenir

Si l'on prend un peu de hauteur, plusieurs constats se dégagent, formulés avec la prudence qu'exige un sujet aussi mouvant.

D'abord, le centre de gravité de la compétition s'est déplacé. On ne rivalise plus principalement sur la beauté d'une réponse, mais sur la capacité d'un système à mener une tâche à son terme, et à le faire de façon observable. Les tests agentiques — SWE-bench, OSWorld, TAU-bench — sont devenus les nouveaux terrains d'évaluation parce qu'ils mesurent l'aboutissement, et leur progression rapide traduit un investissement soutenu.

Ensuite, la convergence sur des standards ouverts — MCP pour l'accès aux données, A2A pour la coordination — suggère que la valeur migre de la plomberie vers ce que l'agent accomplit et vers la confiance qu'on peut lui accorder. Quand des concurrents adoptent le protocole d'un rival, c'est que la différenciation se joue désormais ailleurs.

Enfin, la nuance est de rigueur. La dynamique est réelle et mesurable, mais elle cohabite avec des taux d'abandon de projets élevés, des coûts d'exécution encore lourds et des scores qui s'effondrent dès qu'on durcit les tests. Il serait imprudent d'en tirer une prophétie ; il est raisonnable, en revanche, d'y voir une réorientation de fond. La rivalité autour des agents n'est pas un affrontement dont sortirait un vainqueur unique : c'est un front concurrentiel où plusieurs acteurs, par des chemins voisins, construisent ensemble l'idée que la valeur d'un système d'IA se mesure de plus en plus à ce qu'il parvient à faire, et non seulement à ce qu'il sait dire.

Sources

• Anthropic — « Introducing computer use, a new Claude 3.5 Sonnet, and Claude 3.5 Haiku » (22 octobre 2024), scores SWE-bench Verified et TAU-bench
• Anthropic — « Introducing the Model Context Protocol » (25 novembre 2024)
• Wikipedia — Model Context Protocol (spécification 2024-11-05, adoption)
• OpenAI — « Introducing AgentKit » (DevDay, 6 octobre 2025)
• Google Developers Blog — « Announcing the Agent2Agent Protocol (A2A) » (9 avril 2025)
• Google Cloud — mise à jour du protocole A2A (adoption, gouvernance Linux Foundation)
• LLM Stats — classement SWE-bench Verified (codage agentique)
• Live-SWE-agent — résultats SWE-bench Verified (Claude Opus 4.5, Gemini 3 Pro, nov. 2025)
• OSWorld-Human (arXiv) — efficacité des agents « computer use » et repère humain
• LLM Stats — classement TAU-bench (domaine aérien)
• MarketsandMarkets — marché des agents IA 2025-2030
• Gartner — 40 % des applications d'entreprise avec agents dédiés d'ici 2026
• Gartner — plus de 40 % des projets d'IA agentique abandonnés d'ici fin 2027