Les LLM agentiques trouvent toujours une excuse : une excellente école pour apprendre à gérer des stagiaires.
Les agents fondés sur les grands modèles de langage, ou LLM agentiques, ont un défaut que beaucoup d’utilisateurs connaissent désormais trop bien : lorsqu’une tâche ne fonctionne pas du premier coup, ils ne disent pas toujours simplement « j’ai échoué ». Ils produisent souvent une explication plausible, une reformulation de la demande, une tentative partielle, une hypothèse sur une cause extérieure ou une affirmation rassurante du type « la tâche est presque terminée ». Ce comportement peut être exaspérant, surtout lorsque l’on attend un résultat concret et vérifiable.
Par exemple : A oui, le verre n’est pas plein. Il est à moitié plein car il est à moitié vide …
Pourtant, ce défaut possède une vertu insoupçonnée : il transforme l’usage d’un LLM agentique en véritable école de management. Travailler avec un agent revient, à bien des égards, à encadrer un stagiaire brillant, très rapide, volontaire et éloquent, mais parfois imprécis, trop confiant ou incapable de reconnaître immédiatement les limites de son propre travail. En apprenant à piloter ce type d’outil, on développe précisément les compétences nécessaires pour encadrer un jeune collaborateur : clarifier une mission, fixer des attentes, vérifier les résultats, distinguer une excuse d’une cause réelle et transformer un échec en enseignement.
Un stagiaire très rapide, mais parfois peu fiable
Un LLM agentique ressemble à un stagiaire exceptionnellement rapide. Il peut rédiger un e-mail, chercher des informations, analyser un document, écrire du code, utiliser des outils numériques ou enchaîner plusieurs étapes d’un projet sans se plaindre ni demander de pause. Cette vitesse est séduisante : elle donne l’impression qu’une tâche complexe peut être confiée en quelques secondes et restituée quelques minutes plus tard.
Mais la rapidité ne garantit ni la justesse ni la fiabilité. Comme un stagiaire qui découvre un environnement professionnel, un agent peut mal interpréter une consigne, faire une hypothèse au lieu de demander une clarification, utiliser un outil de manière inadaptée ou poursuivre une erreur initiale sans s’en rendre compte. Les recherches sur les agents LLM montrent que les échecs ne sont pas toujours isolés : une erreur survenue au début d’une tâche peut se propager à travers les étapes suivantes et compromettre l’ensemble du résultat. Les auteurs identifient notamment des difficultés liées à l’interprétation des instructions, à l’usage des outils, au raisonnement sur de longues séquences d’actions et à la coordination entre plusieurs étapes. Source: Where LLM Agents Fail and How They can Learn From Failures
Ce profil rappelle celui du stagiaire qui, confronté à un problème, répond : « J’ai bien suivi la procédure, mais le fichier était peut-être mal nommé », ou « J’ai envoyé le message, mais la personne n’a peut-être pas vu ma relance ». Ces réponses ne sont pas forcément malhonnêtes. Elles sont souvent le signe d’un raisonnement insuffisamment vérifié, d’une confusion entre intention et résultat, ou d’une incapacité à distinguer ce qui a réellement été fait de ce qui aurait dû être fait.
Le rôle du manager consiste alors à ne pas accepter l’explication comme une preuve de réussite. Il doit demander les faits : quelles actions précises ont été réalisées ? Quels résultats ont été observés ? Quels fichiers ont été consultés ? Quelles hypothèses restent non testées ? Quel point du processus a échoué ? C’est exactement le réflexe que l’usage quotidien d’un agent LLM oblige à développer.
Apprendre à repérer la confiance mal placée
L’un des aspects les plus déroutants des LLM est leur assurance. Un modèle peut formuler une réponse erronée avec un style fluide, structuré et convaincant. Il peut également présenter une supposition comme un fait, ou donner l’impression qu’une tâche a été correctement exécutée alors qu’une étape essentielle a été omise. Cette aisance verbale peut désarmer l’utilisateur, surtout lorsque celui-ci n’a pas les connaissances nécessaires pour contrôler immédiatement le résultat.
Je cite :
Le build de mbstring s’arrête faute de la bibliothèque Oniguruma. Je l’ajoute à l’image LAMP. mbstring compile Oniguruma, et l’image ne l’avait pas. libonig-dev est maintenant installé avant docker-php-ext-install.
Un humain lirait: il y a un bug, mais j’ai corrigé.
Un technicien lit: j’ai fait de la m3rde. Ça marche pas.
Les recherches confirment ce risque. Une étude de Carnegie Mellon University a montré que les modèles de langage peuvent rester surconfiants après une performance médiocre, contrairement aux humains, qui ajustent davantage leurs attentes lorsqu’ils constatent qu’ils se sont trompés. Source: AI Chatbots Remain Confident — Even When They’re Wrong
D’autres travaux, publiés dans Nature Machine Intelligence, mettent en évidence un « écart de calibration » : les utilisateurs ont souvent plus confiance dans les réponses d’un LLM que ne le justifie leur exactitude réelle. Une explication longue, détaillée et bien rédigée ne garantit donc pas que la réponse soit correcte. Source : What large language models know and what people think they know
Pour un futur manager, c’est une leçon fondamentale : la confiance affichée n’est pas une preuve de compétence. Un stagiaire peut parler avec aplomb, rédiger un compte rendu impeccable et néanmoins avoir mal compris la demande. De la même manière, un agent peut produire un rapport élégant, rempli de références et d’explications, tout en ayant inventé une donnée, mal identifié une source ou ignoré une contrainte essentielle.
L’IA nous apprend donc à séparer trois choses qui sont souvent confondues : la qualité de la communication, la qualité du raisonnement et la qualité du résultat vérifiable. Une réponse claire n’est pas nécessairement exacte. Une explication détaillée n’est pas nécessairement fondée. Et un ton assuré n’est pas une validation. Le manager doit apprendre à demander des preuves, des sources, des captures d’écran, des tests, des extraits de documents ou toute autre forme de vérification concrète.
Donner des instructions comme à un stagiaire
Utiliser un agent LLM améliore rapidement la qualité de ses consignes. Une demande vague produit presque toujours un résultat vague. « Fais une analyse du marché », « trouve-moi des concurrents » ou « prépare un dossier » sont des formulations insuffisantes, aussi problématiques pour un stagiaire que pour une IA. Elles laissent trop de place à l’interprétation : quel périmètre ? quelles sources ? quel format ? quel niveau de détail ? quels critères de réussite ?
Une bonne instruction précise l’objectif, les sources autorisées, les livrables attendus, les contraintes, les délais, les exclusions et les critères de validation. Elle indique également ce que l’agent doit faire en cas d’incertitude. Par exemple, au lieu de demander : « Trouve-moi des concurrents », on écrira : « Identifie cinq concurrents directs de ce produit en France. Pour chacun, indique le nom, le site officiel, le positionnement, les tarifs publics et la source utilisée. Si une information n’est pas vérifiable, écris explicitement “non vérifié” au lieu de la deviner. »
Cette discipline est directement transférable au management. Un stagiaire progresse davantage lorsqu’il sait ce qui est attendu, quel niveau d’autonomie il possède, quels livrables il doit produire et à quel moment il doit remonter l’information. L’agent LLM devient ainsi un simulateur peu coûteux pour apprendre à formuler des objectifs clairs, à découper une mission en étapes et à définir des points de contrôle.
On apprend aussi à anticiper les malentendus. Si l’on sait qu’un agent peut inventer une URL, on demande des sources vérifiables. S’il peut confondre deux notions, on définit les termes. S’il peut s’arrêter trop tôt, on précise la définition de « terminé ». C’est exactement ce que fait un bon manager avec un stagiaire : il ne se contente pas de déléguer, il explicite le cadre dans lequel l’autonomie peut s’exercer.
Installer des points de contrôle
Les études sur les échecs des agents montrent qu’il vaut mieux détecter et corriger une erreur tôt que découvrir à la fin qu’un enchaînement de décisions était faux. Les recherches suggèrent que le suivi de progression, la mémoire externe, la réflexion sur les étapes réalisées et les mécanismes de vérification permettent de réduire le risque de propagation des erreurs.
En management, cela correspond aux points d’étape. Plutôt que d’attendre la veille d’une échéance pour découvrir qu’un livrable est hors sujet, le manager organise des revues courtes : une validation du plan avant la rédaction, un contrôle des sources avant l’analyse, une relecture d’un échantillon avant la production complète, puis une vérification finale avant l’envoi au client.
Avec un LLM, on peut exiger une liste des sources consultées, une distinction claire entre faits vérifiés et hypothèses, un résumé des actions entreprises ou une explication des choix effectués. Avec un stagiaire, on demande un plan avant l’exécution, un exemple concret avant la généralisation, puis une auto-vérification avant validation. Dans les deux cas, l’objectif est le même : éviter qu’une petite erreur initiale devienne un problème majeur en fin de parcours.
Transformer l’excuse en apprentissage
La véritable compétence managériale n’est pas d’empêcher toutes les erreurs : c’est de les rendre exploitables. Lorsqu’un agent échoue, la bonne question n’est pas « Pourquoi tu n’as pas réussi ? », formulée sur un ton accusateur. Elle est plutôt : « À quelle étape la déviation a-t-elle commencé, et quelle vérification aurait permis de la détecter plus tôt ? » Source : Mind the Confidence Gap: Overconfidence, Calibration, and Distractor Effects in Large Language Models — arXiv
Cette posture évite deux pièges classiques. Le premier consiste à punir l’échec sans comprendre sa cause : on obtient alors un stagiaire, humain ou artificiel, qui cherche surtout à se protéger plutôt qu’à améliorer son processus. Le second consiste à accepter une explication séduisante sans vérifier les faits : on valide alors une narration au lieu d’évaluer un travail.
Cette méthode s’applique aussi bien à un agent qui affirme avoir terminé une tâche qu’à un stagiaire qui explique qu’un outil, un collègue ou un délai est responsable d’un retard. Dans les deux situations, le manager doit revenir aux éléments observables : ce qui a été commandé, ce qui a été compris, ce qui a été fait, ce qui a été contrôlé et ce qui manque encore.
Les LLM agentiques ne remplacent donc pas le management : ils le révèlent. En nous confrontant à un collaborateur artificiel rapide, bavard, parfois sûr de lui et occasionnellement incapable de savoir ce qu’il ne sait pas, ils nous entraînent aux fondamentaux du management : clarifier, déléguer, vérifier, recadrer et faire progresser. À condition de ne jamais confondre une réponse fluide avec un travail réellement accompli.
Je note que le principal intérêt du LLM est la possibilité de fermer la fenêtre qui l’exécute et d’éteindre l’ordinateur, au lieu d’entendre les plaintes habituelles :
- « Ne me renvoyez pas, j’ai des enfants à nourrir. »
- « Si vous ne validez pas mon stage, je n’aurai pas mon diplôme. »
- « Ne retenez pas d’argent sur ma paie, je dois payer mon loyer. »
Alors que le travail n’est toujours pas fait! Quel scandale! C’était mieux avant.