Prentis vise 100 M$ pour automatiser le travail sur PC

Prentis arrive dans la course aux agents capables d’agir sur un ordinateur

Un nouveau nom s’ajoute à la liste, déjà longue, des entreprises qui veulent transformer les grands modèles d’intelligence artificielle en opérateurs de logiciels. Prentis, un laboratoire d’IA cofondé par Reid Hoffman et Mark Pincus, serait en discussions pour lever 100 millions de dollars, selon les informations rapportées par TechCrunch. Le montant n’est pas présenté comme une opération finalisée : il s’agit de négociations en cours, dans un secteur où les levées de fonds, les valorisations et les alliances technologiques peuvent évoluer rapidement.

L’intérêt de cette information dépasse le seul montant envisagé. Prentis s’inscrirait dans une orientation devenue centrale pour l’industrie : faire passer l’IA générative du rôle d’assistant conversationnel à celui d’agent susceptible d’exécuter des tâches concrètes au sein d’un environnement informatique. L’objectif ne serait donc pas seulement de répondre à une question, de résumer un document ou de produire un brouillon. Il s’agirait de confier à un système des séquences d’actions répétitives effectuées depuis un poste de travail : naviguer entre des applications, renseigner des informations, traiter des procédures ou accomplir des opérations définies par un utilisateur.

Cette cible marque une évolution importante par rapport au premier grand marché des agents IA, celui du développement logiciel. Depuis l’essor des assistants de programmation, les démonstrations se sont multipliées : génération de fonctions, explication de code existant, correction de bugs, rédaction de tests ou aide à la documentation. Le code présente plusieurs avantages pour les fournisseurs d’IA. Il possède une syntaxe formelle, des outils de validation existent, et les résultats peuvent souvent être testés automatiquement. L’automatisation du travail administratif et opérationnel sur ordinateur est autrement plus complexe : les interfaces changent, les consignes sont ambiguës, les données sont parfois sensibles et les conséquences d’une erreur peuvent être immédiates.

Le positionnement attribué à Prentis par TechCrunch vise précisément cet espace plus large. La société parierait sur l’automatisation de tâches informatiques répétitives au-delà du développement logiciel. Autrement dit, la promesse n’est pas de remplacer un éditeur de code ou d’ajouter un chatbot à une suite bureautique, mais de prendre en charge une partie du travail qui consiste à manipuler quotidiennement des outils numériques. C’est un champ potentiellement immense : la plupart des métiers de bureau sont structurés autour de logiciels, de formulaires, de courriels, de bases de données, de feuilles de calcul, de systèmes de relation client et de portails métiers.

Le nom de Prentis évoque également un changement de vocabulaire. Les entreprises ne vendent plus seulement des modèles, des assistants ou des fonctions de génération. Elles cherchent à vendre une capacité d’exécution. Dans cette perspective, un agent n’est utile que s’il peut comprendre un objectif, le décomposer en étapes, utiliser des interfaces, vérifier certains résultats et signaler les situations où une intervention humaine reste nécessaire. La difficulté consiste à accomplir ces opérations de manière suffisamment fiable pour que des organisations acceptent de déléguer une partie de leurs processus.

Pour les observateurs du secteur, la présence de Reid Hoffman et de Mark Pincus apporte une visibilité immédiate au projet. Hoffman est notamment connu comme cofondateur de LinkedIn et comme investisseur dans de nombreuses entreprises technologiques. Pincus a fondé Zynga, société devenue célèbre pour ses jeux sociaux. Le premier est associé à l’histoire des réseaux professionnels, des plateformes et de l’investissement technologique ; le second à la construction de produits grand public à grande échelle et aux mécanismes d’engagement logiciel. Leur association autour d’un laboratoire d’IA est donc scrutée moins comme une simple création de startup que comme le signe d’une ambition potentiellement structurante.

Pour autant, les éléments publiés ne permettent pas de présenter Prentis comme un acteur déjà établi sur le marché. TechCrunch parle d’un nouveau laboratoire et de discussions de financement. Il convient de distinguer le projet, les intentions rapportées et les produits effectivement disponibles. Aucune conclusion ne peut être tirée, à ce stade, sur les performances techniques de ses futurs systèmes, sur leur calendrier de commercialisation, sur leur degré d’autonomie ou sur les clients qu’ils pourraient viser.

Un pari porté par deux figures de la tech américaine

Reid Hoffman occupe une place particulière dans l’histoire récente de la Silicon Valley. LinkedIn, qu’il a cofondé, a contribué à installer le réseau professionnel comme une infrastructure numérique mondiale pour le recrutement, la mise en relation et la circulation d’informations liées au travail. Son parcours est aussi associé à l’investissement dans des entreprises technologiques, ce qui lui donne une expérience des dynamiques de financement, des effets de réseau et des marchés où la croissance dépend autant du produit que de son adoption par des communautés professionnelles.

Cette expérience est particulièrement pertinente dans le domaine des agents. Un outil destiné à automatiser le travail sur ordinateur ne doit pas seulement répondre correctement à des demandes isolées. Il doit s’intégrer aux habitudes d’équipes, à des droits d’accès, à des logiciels parfois anciens et à des chaînes de validation. Dans une entreprise, un gain de productivité théorique ne suffit pas : il faut que le système soit jugé assez prévisible, que les managers puissent identifier ce qu’il fait, et que les équipes puissent reprendre la main lorsque le contexte l’exige.

Mark Pincus a, de son côté, construit Zynga dans un univers différent mais tout aussi révélateur des enjeux de produit numérique. Les jeux sociaux ont dû fonctionner à grande échelle, retenir des utilisateurs et être adaptés à des comportements changeants. Si le travail de bureau ne ressemble pas à un jeu en ligne, les deux domaines partagent un impératif : concevoir des interactions simples avec des systèmes complexes. Une technologie d’agent peut être très sophistiquée en laboratoire et échouer commercialement si l’utilisateur ne comprend pas comment lui donner une instruction, ne sait pas quand vérifier son action ou ne perçoit pas clairement la valeur obtenue.

La réunion de ces profils souligne une caractéristique de la vague actuelle de l’IA : la concurrence ne se limite plus aux grands laboratoires qui entraînent des modèles fondamentaux. Elle concerne aussi les entrepreneurs capables d’identifier un point de friction très concret dans le travail numérique. Les modèles de langage, les capacités de raisonnement, la vision par ordinateur et les mécanismes d’utilisation d’outils rendent envisageables de nouveaux produits. Mais le produit final dépend encore de choix très opérationnels : quelles actions autoriser, quelles données isoler, quelles confirmations demander et comment mesurer la qualité d’une tâche achevée.

Les 100 millions de dollars évoqués par TechCrunch, s’ils étaient effectivement réunis, placeraient Prentis dans une catégorie de jeunes sociétés dotées de moyens significatifs avant même une éventuelle diffusion large de leur produit. Un tel financement peut servir à recruter des chercheurs et des ingénieurs, à accéder à des capacités de calcul, à concevoir une infrastructure de sécurité ou à financer le temps nécessaire aux expérimentations. L’IA agentique est coûteuse non seulement parce que les modèles demandent des ressources, mais aussi parce que l’évaluation est difficile. Tester un agent dans des scénarios réels implique de mesurer ses actions sur une variété de logiciels et de situations.

Le financement ne garantit toutefois pas une avance technologique. Dans l’IA, le capital peut accélérer le recrutement et l’accès à l’infrastructure, mais il ne résout pas automatiquement les difficultés de fiabilité. Un agent qui réussit une démonstration devant un navigateur peut échouer face à une interface légèrement modifiée, à un message d’erreur inattendu, à une autorisation manquante ou à une demande mal formulée. C’est précisément pourquoi les annonces autour des agents sont suivies avec attention, mais aussi avec prudence : le passage de la démonstration au déploiement régulier reste l’enjeu décisif.

Le mot laboratoire, employé dans la présentation de Prentis, mérite également attention. Il peut renvoyer à une volonté de travailler sur la technologie sous-jacente autant que sur une application unique. Mais aucune information rapportée ne permet d’établir précisément si Prentis développera ses propres modèles, s’appuiera sur des modèles existants, ou articulera plusieurs technologies disponibles sur le marché. Cette distinction est importante économiquement. Construire des modèles fondamentaux demande des ressources considérables ; bâtir un produit spécialisé au-dessus de modèles existants pose davantage la question de l’intégration, des données, de l’expérience utilisateur et de la différenciation.

Selon TechCrunch, Prentis se situe au croisement d’une levée de fonds potentielle de 100 millions de dollars et d’un pari sur l’automatisation de tâches informatiques répétitives.

Ce cadre suffit néanmoins à expliquer la curiosité suscitée par l’entreprise. Le projet ne se présente pas dans un vide concurrentiel : il émerge au moment où les principaux fournisseurs d’IA ont commencé à afficher leur ambition de faire agir les modèles dans des environnements numériques. Prentis devra donc démontrer non seulement qu’un agent peut accomplir des tâches, mais aussi pourquoi son approche serait préférable à celles des plateformes déjà installées dans les outils de travail.

Du copilote de code à l’agent opérationnel : un déplacement de la frontière

La vague des copilotes a contribué à familiariser le public avec une idée simple : l’IA peut assister un professionnel au sein même de son outil. Dans le développement logiciel, cette approche est devenue emblématique. Un assistant intégré à l’environnement de programmation peut proposer du code, suggérer une correction ou accélérer une tâche répétitive. L’utilisateur conserve généralement un rôle de pilotage étroit, relit la production et décide de son intégration. La responsabilité reste humaine, même si l’outil réduit le temps consacré à certaines opérations.

L’agent opérationnel promet un degré supplémentaire de délégation. Au lieu de fournir uniquement du contenu ou une recommandation, il est censé effectuer une suite d’actions. L’utilisateur peut exprimer un résultat attendu, et le système doit ensuite choisir des étapes : ouvrir un logiciel, rechercher une information, saisir des données, se déplacer dans une interface ou produire un compte rendu. Cette ambition ne signifie pas nécessairement une autonomie totale. Dans de nombreux usages, le modèle le plus réaliste est celui d’une délégation encadrée, avec des seuils d’autorisation et des validations humaines pour les actions sensibles.

La différence paraît subtile, mais elle modifie profondément le niveau de risque. Un texte généré par un assistant peut être relu avant envoi. Une action accomplie dans un outil de gestion peut avoir changé une donnée, créé un dossier, déclenché une procédure ou transmis une information. L’agent doit donc savoir quand agir, quand demander confirmation et quand s’arrêter. Il doit également produire des traces compréhensibles pour que l’utilisateur puisse vérifier son raisonnement opérationnel, au moins sous la forme d’un historique des étapes exécutées.

Des concurrents de premier plan ont déjà présenté des capacités relevant de cette direction. Anthropic a annoncé en 2024 une fonction baptisée Computer Use, conçue pour permettre à Claude d’interagir avec une interface informatique. OpenAI a ensuite présenté Operator, un agent destiné à accomplir certaines tâches sur le web à partir d’un navigateur. Google a aussi montré Project Mariner, un prototype d’agent capable d’interagir avec des pages web. Ces initiatives ne sont pas identiques dans leur maturité, leur accès ou leur périmètre, mais elles témoignent toutes d’une même bataille : donner aux modèles la capacité de manipuler des interfaces plutôt que de se limiter à produire du texte.

Prentis s’insérerait donc dans un marché où les grandes plateformes disposent déjà de modèles, de ressources de calcul et de larges bases d’utilisateurs. Cela rend son pari plus exigeant, mais pas nécessairement impossible. Les nouveaux entrants peuvent viser des workflows spécialisés, une expérience plus adaptée à certains métiers, des garanties de contrôle plus fortes ou des intégrations spécifiques. Dans les logiciels d’entreprise, l’avantage ne provient pas toujours du modèle le plus généraliste. Il peut venir de la compréhension d’un processus métier précis et de la capacité à être déployé dans un environnement contraint.

L’automatisation des tâches ordinaires sur PC est également différente de l’automatisation industrielle classique. Les outils de robotisation des processus, souvent désignés par l’acronyme RPA, ont été conçus pour reproduire des séquences très structurées : cliquer à des emplacements prévisibles, copier des champs, déplacer des fichiers ou exécuter des règles définies. Leur limite apparaît lorsque le contexte varie, lorsqu’un document ne suit pas le modèle attendu ou lorsqu’une interface est modifiée. Les modèles d’IA pourraient apporter davantage de flexibilité, en interprétant le langage, les images et des situations moins rigides.

Mais cette flexibilité introduit aussi de l’incertitude. Un outil déterministe appliquera la même règle à la même entrée ; un système fondé sur un modèle génératif peut interpréter différemment une instruction ou produire une action non prévue. Pour une entreprise, l’enjeu est donc de combiner l’adaptabilité de l’IA avec les garde-fous de l’automatisation traditionnelle. C’est l’un des défis centraux du secteur : il ne suffit pas qu’un agent réussisse souvent. Il faut déterminer quel taux d’erreur est acceptable selon le type de tâche, et quelles procédures permettent de limiter l’impact d’un échec.

Les tâches les plus accessibles sont probablement celles qui sont répétitives, réversibles et faciles à vérifier. À l’inverse, les opérations impliquant des paiements, des décisions juridiques, des données de santé ou des informations personnelles exigent des protections beaucoup plus strictes. Le projet attribué à Prentis s’inscrit ainsi dans un continuum : entre l’assistant qui aide un employé à accomplir son travail et le système qui réalise, sous supervision, une partie d’un processus. La ligne séparant ces deux modèles déterminera largement la vitesse d’adoption.

Fiabilité, sécurité et gouvernance : les conditions d’un déploiement en entreprise

La capacité d’un agent à utiliser un ordinateur ouvre des possibilités, mais elle étend aussi la surface de risque. Un chatbot qui n’a accès qu’à un texte fourni par son utilisateur peut se tromper dans une réponse. Un agent connecté à des applications professionnelles peut potentiellement rencontrer des données confidentielles, des identifiants, des documents internes ou des outils ayant des effets sur l’activité de l’entreprise. La sécurité ne peut donc pas être traitée comme une fonctionnalité annexe. Elle devient une condition de l’usage.

Cette question est particulièrement importante lorsque le système lit du contenu provenant de l’extérieur. Une page web, un courriel ou un document peut contenir des instructions destinées à perturber le comportement du modèle. Les spécialistes parlent notamment d’injection de consignes : le système peut être exposé à du texte qui cherche à lui faire ignorer ses objectifs ou à réaliser une action indésirable. Pour un agent chargé de naviguer sur le web ou de traiter des communications, la capacité à distinguer une information utile d’une instruction non autorisée est fondamentale.

La gestion des autorisations constitue un autre enjeu. Dans une organisation, les employés n’ont pas tous les mêmes droits dans les logiciels. Un agent ne devrait pas devenir un moyen de contourner ces règles. Son accès doit être limité à ce qui est nécessaire pour accomplir la tâche demandée, et les actions à fort impact doivent pouvoir être restreintes ou soumises à validation. La promesse d’automatisation peut perdre tout son intérêt si elle impose, en contrepartie, de donner à un système des privilèges excessifs.

La traçabilité est tout aussi essentielle. Lorsqu’un employé effectue une opération, les systèmes d’entreprise enregistrent souvent son compte, l’heure et la modification réalisée. Avec un agent, il devient nécessaire de savoir quel objectif avait été donné, quelles étapes ont été tentées, quelles données ont été utilisées et quelle action finale a été engagée. Ces éléments servent à corriger les erreurs, mais aussi à répondre à des obligations internes de contrôle. Dans les secteurs réglementés, ils peuvent conditionner la possibilité même d’utiliser la technologie.

Pour Prentis comme pour ses concurrents, la mesure de la performance ne pourra pas se réduire à des démonstrations spectaculaires. Les entreprises demanderont des preuves sur des cas de figure ordinaires : que se passe-t-il si une page charge lentement, si une donnée est absente, si un formulaire présente un champ nouveau, si un utilisateur donne une instruction incomplète ? La robustesse se joue souvent dans ces situations peu visibles. Un agent utile doit savoir reconnaître ses limites, demander une clarification et éviter de masquer une incertitude derrière une action irréversible.

Le coût est également un paramètre opérationnel. Un agent qui consulte de nombreuses pages, interprète des captures d’écran ou effectue de multiples appels à un modèle peut mobiliser davantage de ressources qu’un simple outil de recherche ou qu’une automatisation par règles. Pour être adopté à grande échelle, il devra démontrer une valeur économique nette : temps économisé, baisse des erreurs, amélioration du délai de traitement ou capacité à absorber une hausse de volume. Le débat ne portera donc pas seulement sur ce que l’IA peut faire, mais sur ce qu’elle peut faire de manière rentable et stable.

La question sociale ne peut pas non plus être évacuée. Automatiser des tâches répétitives ne signifie pas automatiquement supprimer des métiers entiers. Dans de nombreuses organisations, ces tâches sont imbriquées dans des responsabilités plus larges : répondre à des exceptions, comprendre un client, coordonner des équipes, appliquer un jugement ou assumer une décision. En revanche, l’automatisation peut modifier la composition du travail. Les salariés pourraient consacrer moins de temps à la saisie, à la recherche ou au passage d’un outil à l’autre, et davantage au contrôle, à la relation, à l’analyse et au traitement des situations non standard.

Cette transformation dépendra aussi de la formation. Un agent ne remplace pas nécessairement la compétence ; il déplace la compétence vers l’art de formuler une demande, de vérifier une sortie et de détecter une erreur. Les entreprises qui déploieront de tels outils devront définir des règles d’usage et éviter de présenter une automatisation comme une garantie de justesse. Le discours commercial autour de l’autonomie devra être confronté à la réalité des responsabilités professionnelles.

Ce que l’émergence de Prentis peut signifier pour la France et l’Europe

Pour les organisations françaises et européennes, l’arrivée de nouveaux laboratoires orientés vers les agents intervient dans un contexte particulier. L’IA générative est déjà largement discutée dans les grandes entreprises, les administrations et les PME, mais le passage des expérimentations aux déploiements structurés soulève des questions de souveraineté, de protection des données et d’intégration aux systèmes existants. Un agent capable d’agir sur un ordinateur ne traite pas seulement des requêtes abstraites : il peut se retrouver au contact direct des outils où circulent des informations stratégiques ou personnelles.

Le cadre européen de protection des données est donc immédiatement pertinent. Lorsqu’un système traite des données personnelles, les organisations doivent se demander quelles données sont envoyées, où elles sont hébergées, combien de temps elles sont conservées et qui peut y accéder. Ces interrogations ne sont pas propres à Prentis, dont l’offre n’est pas détaillée dans les informations rapportées, mais elles s’appliqueront à tout fournisseur voulant proposer des agents dans les entreprises européennes. La localisation des données, les contrats de sous-traitance et les mécanismes de sécurité feront partie de l’évaluation autant que les capacités du modèle.

L’AI Act européen ajoute un autre niveau de contexte. Le règlement européen sur l’intelligence artificielle met en place une approche fondée sur les risques, avec des obligations variables selon les usages. Tous les agents de bureau ne relèveront pas nécessairement des mêmes catégories, mais l’utilisation de systèmes d’IA dans des domaines sensibles, notamment lorsqu’ils influencent des décisions relatives aux personnes, appelle une vigilance accrue. Les fournisseurs devront clarifier les limites de leurs produits et les utilisateurs devront éviter de confondre assistance opérationnelle et délégation de décisions à enjeu.

La langue constitue également un sujet concret. Un agent utilisé dans une entreprise française doit pouvoir comprendre les formulations, les documents et les interfaces en français, y compris les abréviations professionnelles et les particularités de chaque organisation. Mais la maîtrise linguistique ne suffit pas. Les processus de travail varient selon les pays, les secteurs et les outils utilisés. Une solution conçue pour des procédures américaines ne peut pas être supposée adaptée sans effort aux pratiques administratives, comptables ou réglementaires françaises. C’est là que les intégrateurs, les éditeurs locaux et les équipes métier peuvent conserver un rôle important.

Le marché européen ne se limite pas à l’achat de produits conçus aux États-Unis. Des acteurs locaux travaillent sur les modèles, la cybersécurité, l’automatisation et les logiciels métier. L’essor des agents pourrait créer de nouvelles opportunités pour ces entreprises, notamment dans les domaines où la proximité avec les clients, les contraintes réglementaires et la connaissance des processus locaux comptent davantage que la seule taille du modèle. Les sociétés françaises spécialisées dans les progiciels de gestion, la relation client, les ressources humaines ou les services publics auront intérêt à observer la manière dont les interfaces agentiques changent les attentes des utilisateurs.

Pour les entreprises utilisatrices, l’enjeu sera d’éviter deux erreurs opposées. La première serait d’ignorer ces technologies au motif qu’elles sont imparfaites. Les agents peuvent déjà pousser les organisations à cartographier leurs tâches répétitives et à identifier les procédures mal documentées. La seconde serait de les déployer trop vite, en accordant des accès larges à des systèmes critiques sans tests ni supervision. Entre ces deux extrêmes, une adoption progressive paraît plus cohérente : sélectionner des processus limités, définir des critères de réussite, conserver une validation humaine et mesurer les incidents aussi attentivement que les gains de temps.

Le cas Prentis rappelle en outre que la compétition se joue désormais à plusieurs niveaux. Les modèles fondamentaux restent essentiels, mais l’accès au marché dépendra de la couche applicative : connecteurs avec les logiciels existants, gestion des identités, journalisation, interfaces pour les administrateurs et adaptation à des cas d’usage. Pour l’Europe, la question n’est donc pas seulement de disposer de modèles compétitifs. Elle est aussi de maîtriser les outils qui permettront aux agents d’entrer dans les environnements de travail sans créer de nouvelles dépendances incontrôlées.

Une bataille encore ouverte pour la maîtrise du travail numérique

La levée de fonds de 100 millions de dollars discutée par Prentis, si elle se concrétise, illustrerait l’intensité du capital mobilisé autour des agents IA. Les investisseurs ne misent plus uniquement sur la génération de textes ou d’images. Ils cherchent les entreprises susceptibles de capter une part du budget aujourd’hui consacré aux logiciels de productivité, aux services externalisés, à l’automatisation et aux opérations de support. La perspective est immense parce que le travail numérique comporte une multitude de micro-tâches, souvent peu valorisées individuellement mais considérables lorsqu’elles sont répétées à l’échelle d’une organisation.

La difficulté est que cette opportunité est convoitée par des acteurs très différents. Les grands laboratoires disposent de modèles généralistes et de capacités de recherche. Les fournisseurs de logiciels d’entreprise possèdent déjà les données, les utilisateurs et les points d’intégration. Les spécialistes de l’automatisation connaissent les processus structurés. Les jeunes startups peuvent, elles, tenter de construire une expérience plus directe ou de se concentrer sur des cas d’usage délaissés par les plateformes généralistes. Prentis devra trouver sa place dans cette chaîne de valeur.

La question stratégique sera celle de la couche qui conservera le plus de valeur. Si les modèles deviennent largement interchangeables, l’avantage pourrait se déplacer vers les données métier, les intégrations et la confiance des entreprises. Si, au contraire, certaines capacités d’agent restent fortement liées à des modèles propriétaires et à une infrastructure de calcul spécifique, les grands laboratoires pourraient renforcer leur position. Dans les deux cas, l’utilisateur final cherchera probablement moins un modèle qu’un résultat : une tâche terminée, contrôlée, documentée et réalisée sans multiplier les étapes manuelles.

Il est encore trop tôt pour savoir si l’expression agent IA décrira demain un produit autonome universel ou une collection d’outils très spécialisés. La seconde hypothèse paraît compatible avec la diversité réelle du travail de bureau. Une équipe financière, un service client, une direction juridique ou une administration ne manipulent pas les mêmes informations et n’acceptent pas les mêmes marges d’erreur. Les systèmes les plus utiles pourraient donc être ceux qui combinent une intelligence généraliste avec des règles, des autorisations et des connaissances propres à chaque contexte.

Prentis mérite ainsi l’attention non parce que son succès serait acquis, mais parce que le projet cristallise un changement de cible. Après les copilotes qui proposent et rédigent, les entreprises tentent de bâtir des systèmes qui exécutent. Selon le récit rapporté par TechCrunch, les fondateurs de Prentis misent sur les tâches informatiques répétitives, un territoire beaucoup plus vaste que le seul code et beaucoup plus difficile à automatiser de manière sûre.

À long terme, le véritable test pour cette nouvelle génération d’entreprises ne sera pas de montrer qu’un agent sait cliquer sur un écran. Il sera de démontrer qu’il peut devenir un composant fiable du travail quotidien : capable d’agir dans un périmètre clair, de respecter des règles, de signaler ses incertitudes et de laisser aux humains le contrôle des décisions importantes. C’est sur cette capacité à transformer l’automatisation spectaculaire en infrastructure professionnelle que se jouera la prochaine étape du marché des agents, en Amérique du Nord comme en France et dans le reste de l’Europe.