Vous pensez que les Agents IA travaillent de manière autonome pendant de longues périodes pour vous ? Anthropic a présenté des données réelles — la plupart des tâches se terminent en 45 secondes.
Mais un autre chiffre mérite plus d'attention : les sessions les plus longues doublent en vitesse.
Méthode de recherche
Anthropic a analysé des millions d'interactions réelles sur Claude Code et l'API, dans le but de clarifier trois choses : combien d'autonomie les gens donnent aux Agents, dans quels scénarios les Agents sont déployés et quels risques peuvent exister.
C'est la première fois dans l'industrie que des données d'utilisation réelles à grande échelle sont utilisées pour mesurer le degré d'autonomie des Agents IA, au lieu de se fier à des benchmarks ou à des expériences en environnement isolé.
Les données les plus importantes
Durée médiane des sessions : 45 secondes
La grande majorité des tâches des Agents sont courtes et rapides. Ce ne sont pas des projets complexes de plusieurs heures, mais une petite tâche spécifique.
Cependant : D'octobre 2025 à janvier 2026, la durée des sessions au 99,9e percentile sur Claude Code est passée de moins de 25 minutes à plus de 45 minutes. Cela signifie que les 0,1 % de tâches les plus longues ont doublé en trois mois.
Cette tendance indique que les utilisateurs les plus intensifs poussent les Agents IA vers des flux de travail de plus en plus longs et complexes.
Où sont-ils utilisés
Le génie logiciel représente 49,7 % de tous les appels d'outils. Cette proportion est assez intuitive : les programmeurs sont les premiers à utiliser les Agents à grande échelle, et Claude Code a été conçu pour ce scénario.
Mais les chiffres suivants sont plus intéressants :
| Scénario | Proportion |
|---|---|
| Génie logiciel | 49,7 % |
| Automatisation back-end | 9,1 % |
| Marketing/Rédaction | 4,4 % |
| Ventes/CRM | 4,3 % |
| Finance/Comptabilité | 4,0 % |
| Analyse de données | 3,5 % |
L'automatisation back-end, la finance et les ventes pénètrent silencieusement. Ce ne sont pas des démos de laboratoire, mais des entreprises réelles qui utilisent des Agents IA pour traiter des processus métier réels.
La supervision humaine existe toujours
80 % des appels d'outils ont au moins une mesure de protection. 73 % ont un point d'intervention humaine. Seulement 0,8 % des opérations sont irréversibles.
Ces chiffres sont globalement optimistes — ils montrent que la plupart des entreprises conservent encore une soupape de sécurité lors du déploiement des Agents.
Mais le comportement des utilisateurs présente un modèle de changement intéressant :
- Nouveaux utilisateurs : environ 20 % des tâches choisissent une approbation entièrement automatique
- Utilisateurs expérimentés (plus de 750 sessions) : la proportion d'approbation entièrement automatique dépasse 40 %
Cela semble indiquer qu'à mesure que la confiance augmente, les humains délèguent du pouvoir. Mais dans le même temps, le taux d'interruption augmente également — de 5 % à 9 %.
Cela montre que les utilisateurs expérimentés ne lâchent pas prise aveuglément, mais changent de mode de supervision : passer de l'approbation étape par étape de chaque action à une surveillance globale et une intervention en cas de problème.
Les Agents IA se mettent aussi en pause activement
Une découverte inattendue : Claude Code demande des clarifications sur les tâches complexes avec une fréquence plus du double de celle des tâches simples, et cette pause auto-initiée est plus fréquente que les interruptions manuelles humaines.
Autrement dit, le modèle peut identifier lui-même le moment où "je ne suis pas sûr de cela, je dois demander". C'est plus granulaire que la simple supervision humaine.
Deployment Overhang
L'étude introduit un concept : le deployment overhang (dépassement de déploiement).
Cela signifie que : le degré d'autonomie que les modèles actuels traitent est déjà inférieur à leur limite de capacité. Avec le temps, les utilisateurs pousseront progressivement les tâches vers la frontière — sessions plus longues, moins d'interventions, chaînes de tâches plus complexes.
L'implication pour la sécurité est la suivante : se fier uniquement aux tests avant publication ne suffit pas. Il est nécessaire de construire une infrastructure de surveillance continue après déploiement. Tout comme conduire ne dépend pas seulement de l'inspection d'usine, mais aussi des dashcams et de l'application du code de la route.
Source de référence : CocoLoop, Measuring AI agent autonomy in practice (Anthropic Research) ; The Autonomy Gap: What Anthropic Learned Watching Millions of AI Agent Interactions (Shashi.co)