Concevoir des agents IA adaptés aux limites de l’attention humaine

« Documenté avec l’appui de l’IA générative, cet article a été intégralement structuré, remanié et relu par son auteur. »

Comme beaucoup, j’ai plongé tête la première dans l’IA agentique. Grisé par les capacités de ces modèles et bien décidé à rentabiliser mes abonnements, j’ai passé des nuits entières à configurer et recadrer des LLM, pour leur déléguer des tâches que j’exécutais jusqu’alors « à la main ». Très vite, je me suis retrouvé à lancer cinq, six, parfois sept projets d’automatisation de front. Puis j’ai ressenti une forme d’épuisement inédite. Je me suis senti complètement vidé après ces heures passées à lire et arbitrer les réponses produites par l’IA… et c’est comme ça que j’ai eu le déclic. Le véritable goulot d’étranglement de cette révolution ne sera pas la puissance des modèles ou de l’IA agentique, mais nos propres limites mentales. Si ces agents deviennent nos outils quotidiens le grand chantier à venir est donc de les adapter au capacités et aux limites des utilisateurs c’est à dire de les rendre ergonomiques du point de vue de l’ergonomie cognitive.

Herbert Simon l’avait anticipé dès 1971 en rappelant qu’une abondance d’information engendre une rareté d’attention. Douze ans plus tard, Lisanne Bainbridge démontrait que plus un système s’automatise, plus la tâche laissée à l’opérateur (surveiller et reprendre la main) devient ingrate et complexe. Face aux agents, ces deux lois changent simplement d’échelle.

Cet article fait le point sur les études récentes consacrées à l’attention humaine face aux agents IA, et apporte les premières solutions pour faire de l’ergonomie des agents IA.

De quoi parle-t-on quand on parle d’attention ?

L’attention est une ressource limitée

Herbert Simon, prix Nobel d’économie, l’a formulé dans une conférence de 1971 : « a wealth of information creates a poverty of attention ». Pour lui, le problème d’une organisation est de filtrer l’information qu’elle reçoit. Le Nielsen Norman Group (NN/g), cabinet de recherche en UX fondé par Jakob Nielsen et Don Norman, a repris l’idée en 2019 pour décrire l’économie de l’attention : les services numériques gratuits se paient en temps d’attention, et chaque produit se bat pour en obtenir un peu plus.

Chercheuse à l’université de Californie à Irvine, Gloria Mark documente cette fragmentation du travail depuis deux décennies. Dans son ouvrage Attention Span (2023), elle chiffre la chute : le temps moyen consacré à un écran avant de basculer vers un autre est tombé de deux minutes et demie en 2004 à seulement 47 secondes aujourd’hui. Cette mesure traduit l’éclatement de nos environnements numériques plutôt qu’un déclin cognitif biologique, loin du cliché sans fondement scientifique du « cerveau de poisson rouge ».

Charge cognitive, interruption et vigilance

On mélange souvent ces trois notions alors qu’elles n’appellent pas les mêmes solutions.

• La charge cognitive est l’effort mental qu’il faut pour comprendre ce qu’on a sous les yeux. On la réduit en désencombrant l’écran, en s’appuyant sur ce que l’utilisateur connaît déjà et en lui évitant de mémoriser.
• L’interruption coûte au moment de changer de tâche et au moment de reprendre une tâche. Gloria Mark, Daniela Gudith et Ulrich Klocke ont montré en 2008 que les personnes interrompues compensent en allant plus vite, mais avec plus de stress et de frustration. Sophie Leroy, chercheuse en comportement organisationnel, parle de « résidu d’attention » : une partie de l’esprit reste accrochée à la tâche précédente.
• La vigilance La vigilance consiste à repérer l’anomalie rare au milieu d’un flux sans accroc. C’est toute la difficulté de la supervision.

Avec l’IA, on vérifie plus qu’on ne produit

Auste Simkute, Lev Tankelevitch et leurs collègues de Microsoft Research ont transposé en 2024 le texte de Bainbridge à l’IA générative. Leur premier constat : le travail glisse de la production vers l’évaluation. Avant, on écrivait le texte. Maintenant, on relit celui de la machine, on décide s’il est juste et on l’intègre au reste.

Une enquête de Microsoft Research et de Carnegie Mellon, présentée à la conférence CHI en 2025 auprès de 319 travailleurs du savoir, va dans le même sens : l’effort se déplace vers la vérification et l’intégration des réponses. Nous avions abordé ce glissement dans notre article sur le métier d’UX designer face à l’IA.

80% : c’est le temps que Claude passe par session à attendre une réponse humaine

Les chiffres

L’équipe économie d’Anthropic (Nathan Wilmers, Regina Catipon, Maxim Massenkoff et Peter McCrory) a croisé les données internes de l’entreprise : usage de Claude, messagerie, agendas, enquêtes et 17 entretiens. Quatre chiffres concernent directement l’attention :

• environ 80 % du temps des sessions interactives correspond à l’attente d’une entrée humaine ;
• en août 2026, les heures de travail des agents dépassaient celles des salariés dans un rapport de 6 pour 1 ;
• lire tout ce que rédigent les agents prendrait plus de la moitié de la semaine d’un salarié non technique ;
• le « méta-travail » (configurer les agents, relire leur travail, construire des tableaux de bord pour les surveiller) est passé de 10 % à 22 % des sessions.

Analysant des millions de sessions sur son outil Claude Code en février 2026, Anthropic a mis en évidence la vraie nature de la supervision experte. Les utilisateurs chevronnés approuvent automatiquement deux fois plus d’actions que les débutants, mais ils interrompent l’agent bien plus vite dès que la trajectoire dévie. Avec la pratique, le contrôle continu s’efface au profit d’une intervention ciblée sur les seuls dérapages.

Les limites de l’étude

Il s’agit d’une seule entreprise, très en avance, dont les salariés ont choisi d’adopter ces outils. Les auteurs le disent eux-mêmes. On ne peut pas en tirer une norme pour votre équipe produit.

En 2025, l’organisme de recherche METR a mené un essai randomisé auprès de 16 développeurs open source expérimentés : avec l’IA, ils mettaient 19 % de temps en plus pour finir leurs tâches, alors qu’ils s’estimaient 20 % plus rapides. Si on ne peut pas se fier à son ressenti sur la vitesse, on peut encore moins s’y fier pour savoir si son attention est bien dépensée.

Pour le moment, ces chiffres valent comme un signal précoce. Mais toutes les équipes qui conçoivent des produits avec des agents peuvent se poser la question : combien d’attention humaine mon produit consomme-t-il ?

Pourquoi superviser des agents épuise l’attention

Le paradoxe de l’automatisation

L’article de Lisanne Bainbridge, publié en 1983 dans la revue Automatica, portait sur les salles de contrôle industrielles. Son idée : on automatise les tâches simples et on laisse à l’opérateur la surveillance et les cas difficiles. Sauf qu’à force de ne plus pratiquer, l’opérateur perd justement les compétences qui lui permettraient de traiter ces cas difficiles.

Les chercheurs en facteurs humains Raja Parasuraman et Dietrich Manzey ont précisé en 2010, dans la revue Human Factors, que la complaisance face à l’automatisation (le fait de ne plus vérifier) et le biais d’automatisation (le fait de suivre la machine même quand elle se trompe) sont des phénomènes attentionnels. Ce n’est pas de la paresse : l’attention va là où elle semble le plus utile, et un système qui a toujours eu raison par le passé n’attire plus l’attention de l’utilisateur. Jakob Nielsen, cofondateur du Nielsen Norman Group, l’applique aux agents : plus l’agent est fiable, plus l’expertise de l’utilisateur s’érode.

Tous les agents interrompent le même humain

Jakob Nielsen distingue trois façons de travailler avec une IA dans un article publié en octobre 2026 sur son site UX Tigers :

• Ask (demander) : on pose une question, l’IA répond, on est « dans la boucle » (in the loop) ;
• Assign (confier) : on confie une tâche qui dure des minutes ou des jours, on approuve des étapes, on supervise un processus que l’on fait avancer décision après décision (on the loop) ;
• Appoint (déléguer) : on confie une responsabilité et un rôle permanent, l’agent décide quand nous solliciter, on est « d’astreinte » (on call).

Le capital d’attention est une ressource quotidienne finie. Tous les agents en service consomment le même quota disponible. Isolée, une sollicitation paraît anodine ; cumulée, elle asphyxie les équipes sous un défilé d’alertes. Cette friction porte un nom : le résidu d’attention, documenté par Sophie Leroy. Quitter une tâche pour vérifier un outil laisse une trace cognitive qui rend le pilotage de cinq agents infiniment plus lourd.

Valider à la chaîne réduit la vigilance

Toujours sur UX Tigers, Jakob Nielsen décrit deux échecs de la vigilance. Quand on surveille un flux où il ne se passe presque rien, on finit par rater le signal rare. Quand on valide des demandes à la chaîne, chaque approbation de routine rend la suivante plus automatique, jusqu’au jour où l’utilisateur ne dissocie plus la demande de décision rare mais importante du flux de décision traditionnel. Sa conclusion : « Exhortation has a perfect record of failure, so redesign the system. » Demander aux gens d’être plus attentifs n’a jamais marché. C’est aux outils numériques de préserver l’attention.

Le secteur médical a documenté ce piège sous le nom de « fatigue de l’alerte » : à force d’être submergés de notifications d’aide à la prescription, les médecins finissent par les ignorer. Les travaux de la chercheuse Jessica Ancker l’ont prouvé en 2017 : la répétition d’un signal entraîne mécaniquement sa perte d’efficacité. Les réglages par défaut aggravent le phénomène : Jakob Nielsen rappelle, études à l’appui, que la grande majorité des utilisateurs ne changent jamais le réglage livré. Si l’agent est configuré en verbosité maximale, active l’auto-approbation par défaut, alors l’utilisateur commetra des erreurs.

L’utilisateur devient superviseur

Shipi Dhanorkar, Samir Passi et Mihaela Vorvoreanu, chercheurs chez Microsoft, ont publié en juin 2026 une étude menée auprès de dix-sept développeurs qui utilisent des agents de code au quotidien. La revue après coup domine, le suivi en temps réel est rare, et quatre raccourcis s’installent :

• le plan affiché par l’agent est pris pour le travail réellement fait ;
• si les tests passent, le code est considéré comme juste ;
• un coup d’œil aux résumés suffit pour repérer un problème ;
• on fait confiance à l’agent sur un sujet qu’on ne connaît pas, précisément parce qu’on ne le connaît pas.

Pour les auteurs, ce sont des compromis rationnels : les développeurs visent une supervision « efficace plutôt que parfaite ». Samir Passi et Ranjit Singh vont plus loin dans un rapport publié en juillet 2026 par l’institut de recherche Data & Society. Mettre un humain dans la boucle ne garantit rien si cet humain ne peut pas :

• comprendre ce que fait l’agent ;
• l’observer ;
• le contrôler ;
• intervenir à temps.

Sinon, il devient ce qu’ils appellent une « zone tampon morale » (moral crumple zone) : celui qui porte la faute sans avoir eu les moyens d’éviter l’erreur.

Il y a enfin une limite très physique : la cécité d’inattention. Quand l’attention est ailleurs, on ne voit pas ce qui est pourtant sous nos yeux. C’est exactement ce qui arrive à l’erreur glissée dans la quarantième sortie d’un agent. Le corpus que l’agent utilise joue aussi : un agent qui travaille sur un corpus mal organisé produit des erreurs plus nombreuses et plus difficiles à repérer.

Surconfiance et pensée critique

Montrer ses sources ne suffit pas

Une explication fournie par l’IA ne combat l’excès de confiance que si elle réduit l’effort de contrôle. Comme l’a démontré l’équipe d’Helena Vasconcelos (Stanford) en 2023, personne ne prend la peine d’éplucher un long pavé justificatif : face à l’effort demandé, l’utilisateur valide par défaut.

Le Nielsen Norman Group observe la même chose sur le terrain dans une étude publiée fin 2025 : les utilisateurs cliquent rarement sur les sources affichées par un chatbot, et leur simple présence suffit à augmenter la confiance. Les avertissements, eux, sont survolés. Pour Caleb Sponheim, du NN/g, vérifier a un coût, et ce coût peut annuler le temps gagné.

Nous avons détaillé dans notre article sur la conception d’un produit IA comment viser une confiance calibrée, ni aveugle ni méfiante.

Le coût de la supervision

Olivier Oullier, spécialiste des neurosciences comportementales, chiffre désormais ce coût de la supervision. Son calcul intègre :

• le temps de surveillance ;
• les reprises lors des transferts de tâches ;
• l’effort d’audit ;
• la récupération après une erreur.

Selon la synthèse de ses travaux dévoilée à NeurIPS sur plus de cent expériences, le temps consacré par l’opérateur à ces quatre tâches dépasse les gains promis par l’automatisation. Ces conclusions restent toutefois préliminaires, l’étude complète n’ayant pas encore été publiée.

Notre position

Le “Human in the loop” reste un humain

Présenter le maintien d’un regard humain comme un gage absolu de sécurité relève de l’illusion. Les recherches le prouvent : ce contrôle n’existe que si les agents sont conçus pour préserver l’attention et demander une validation au bon moment. Se contenter d’un bouton « Valider » à la fin d’une tâche n’assure aucune surveillance réelle.

Concevoir pour l’attention devient donc une part centrale du design d’agents. Pour chaque sollicitation il faut définir :

• le niveau d’attention requis ;
• le bon niveau de détail pour permettre à l’utilisateur de décider ;
• une formulation qui facilite la prise de décision ;

L’effort ne réside plus dans la production, mais dans la relecture. Dès lors que la machine génère des textes en quelques secondes, l’attention nécessaire pour vérifier chaque ligne devient la véritable ressource rare. Les organisations qui ignorent cette bascule s’exposent à un piège simple : noyer leurs collaborateurs sous des rapports, des synthèses et des alertes que personne n’a le temps d’ouvrir.

Ce plafond de verre n’est plus théorique. En observant l’usage de ses propres agents en interne, le laboratoire Anthropic a constaté un paradoxe frappant. Si un employé devait relire et vérifier l’intégralité des documents et des suggestions générés par ses outils sur une semaine, cette tâche absorberait plus de 20 heures de son temps, soit la moitié de sa semaine de travail.

Quand un agent doit-il solliciter un humain ? Faire émerger la notion de « degré de confiance » de l’agent.

La grille suivante croise deux questions : quelle est la conséquence de l’action, et l’agent est-il sûr de lui ?

• Action réversible, faible impact : si l’agent est confiant, il agit et trace son action dans un journal consultable ; s’il est incertain, il agit avec un choix par défaut et le signale dans le récapitulatif.
• Action réversible, impact fort : si l’agent est confiant, il agit, avec un indicateur discret et une ligne dans le récapitulatif ; s’il est incertain, il envoie une notification passive et continue avec un choix par défaut.
• Action irréversible ou sortante (paiement, envoi, suppression) : si l’agent est confiant, l’action passe dans une file d’approbation priorisée ; s’il est incertain, il se bloque et formule une demande contextualisée.

Quelques règles accompagnent ce tableau :

• Un seul canal d’approbation pour tous les agents, trié par criticité, par type et par échéance, plutôt d’avoir un systeme de notification par agent. Il faut aggréger.
• Plusieurs niveaux de notification. Kim Flaherty, du NN/g, distingue les indicateurs passifs, les notifications discrètes et les notifications qui exigent une action : ces dernières doivent rester rares.
• Trois niveaux pour les tâches longues. Jakob Nielsen propose une alerte immédiate pour un blocage critique, une notification sans urgence quand l’agent peut continuer avec un choix par défaut, et un récapitulatif pour l’achèvement.
• Montrer signe de vie, restituer clairement l’état courant. Pour les tâches longues : affichez un indicateur d’état en temps réel et programmez un point de situation quotidien à heure fixe.
• Pas d’approbation systématique. Comme l’écrit l’équipe d’Anthropic dans son étude de février 2026, « effective oversight doesn’t require approving every action » (une supervision efficace ne suppose pas d’approuver chaque action).

Si vous travaillez sur ce sujet à l’échelle d’une organisation, c’est typiquement une question à poser au moment de cadrer votre stratégie UX.

Par où commencer pour configurer vos agents ?

1. Comptez et typez les sollicitations. Calculez le volume de demandes approuvées sans modification. Un score proche de 100 % prouve que le contrôle de l’utilisateur sur ce type de tâche agentique n’a plus d’importance : automatisez ces cas sans friction pour préserver l’attention de vos utilisateurs.
2. Résumez avant de détailler. Placez la conclusion et la décision en tête de réponse, les détails ensuite. Liez chaque source directement à l’affirmation concernée au lieu de la renvoyer en pied de page.
3. Remplacez l’approbation systématique par la gestion d’exceptions. Sollicitez l’opérateur uniquement face à une action critique ou une incertitude de l’IA, selon les critères établis plus haut.
4. Après une absence de réponse proposez une reprise et un récapitulatif. Quand l’utilisateur revient, montrez-lui un récapitulatif « depuis votre absence » : ce qui a été fait, les décisions prises sans lui, les éléments en attentes de réponse. Restaurez l’état exact de son travail.
5. Préserver la compétence humaine. Maintenez les compétences de l’utilisateur intactes. Donnez-lui accès aux données brutes plutôt qu’aux seuls résumés de l’IA. Sur les choix critiques, sollicitez son propre jugement avant d’afficher la recommandation de la machine

Vous concevez un produit qui fait travailler des agents ? Nous vous accompagnons pour le concevoir en partant de l’attention de ceux qui les supervisent, dans le cadre de notre accompagnement en product design.