Sur une instruction courte, GPT-4o répondait correctement 91 % du temps. Sur une version plus longue de la tâche strictement identique, il répondait correctement 1 % du temps. Pas 70 %. Pas 40 %. Un pour cent — du bruit statistique (PNAS Nexus, 2026).
Cet effondrement est le chiffre le plus important qu'un Head of Operations puisse emporter dans une décision d'IA agentique en 2026, car il renverse l'hypothèse sur laquelle chaque déploiement est silencieusement bâti : que si un agent IA gère bien une tâche en démo, il gérera une version légèrement plus difficile de cette tâche légèrement moins bien. Ce n'est pas le cas. Il la gérera presque parfaitement jusqu'à un seuil, puis échouera presque complètement. La question pour les Ops n'est pas s'il faut faire confiance à un agent. C'est de savoir exactement où se situe la falaise — et de placer un point de contrôle humain dans la boucle juste devant.
Le constat : une falaise, pas une pente
L'étude vient de Suketu Patel et Jin Fan, de la CUNY, publiée dans PNAS Nexus et révélée publiquement en juin 2026 (PsyPost, 2026). Leur méthode est élégante précisément parce qu'elle est ancienne. Ils ont appliqué la tâche de Stroop — le test classique de psychologie cognitive où l'on doit nommer la couleur de l'encre d'un mot alors que le mot lui-même en épelle une autre — à des modèles de langage de pointe, en augmentant la charge par l'allongement de la liste d'éléments en conflit, de quelques-uns jusqu'à quarante.
Les résultats sont saisissants. GPT-4o répondait correctement aux essais incongruents 91 % du temps sur des listes courtes de cinq éléments. Portez la liste à vingt ou quarante éléments en conflit et sa précision tombait à 1 %. Claude 3.5 Sonnet a tenu plus longtemps — mais lui aussi a fini par chuter, à environ 10 % sur des listes de quarante éléments (PNAS Nexus, 2026).
Lisez la forme de cette courbe, pas seulement les extrêmes. La performance ne s'est pas dégradée en douceur à mesure que la tâche devenait plus difficile. Elle est restée à des niveaux quasi humains, puis a plongé d'une falaise. C'est le constat qui devrait réorganiser la façon dont les Ops pensent la fiabilité des agents : la zone de danger est invisible depuis la démo. Un pilote propre sur un cas simple ne vous dit rien sur l'endroit où le modèle casse, car la casse est discontinue.
Pourquoi c'est le contrôle exécutif qui échoue — pas l'intelligence
Il serait facile de ranger cela sous « l'IA fait encore des erreurs » et de passer à autre chose. Cette lecture manque le mécanisme, et le mécanisme est tout l'enjeu.
La tâche de Stroop ne mesure pas la connaissance ni la puissance de raisonnement. Elle mesure le contrôle exécutif — précisément la capacité à garder un objectif à l'esprit (« nomme la couleur de l'encre ») et à inhiber une réponse concurrente plus forte et automatique (« lis le mot »). En neurosciences cognitives humaines, l'attention se décompose en systèmes distincts, et le contrôle exécutif est celui qui gouverne le maintien de l'objectif en situation de conflit. C'est une faculté différente de la simple reconnaissance de formes.
Voici ce que les modèles ont révélé sur eux-mêmes. Les architectures transformer sont extraordinaires pour la réponse prépotente — la réponse rapide, automatique, statistiquement probable, l'équivalent machine du fait de lire le mot au lieu de nommer la couleur. Ce qui leur manque, c'est une inhibition robuste lorsque le contexte s'allonge ou se remplit de signaux contradictoires. Les auteurs présentent cela comme une capacité manquante pour le contrôle exécutif qu'exigerait une véritable intelligence générale (PNAS Nexus, 2026).
Pour les Ops, traduisez ainsi : un agent IA n'est pas un employé junior qui se fatigue et devient négligent en proportion de la charge de travail. C'est un système qui maintient un objectif à merveille jusqu'à ce que le nombre de contraintes concurrentes franchisse une ligne, moment où le maintien de l'objectif ne se dégrade pas — il s'évapore. L'échec n'est pas « une sortie de moins bonne qualité ». C'est le modèle qui optimise silencieusement pour le mauvais objectif, plus facile, tout en produisant un texte fluide et assuré qui ressemble exactement à une réussite.
À quoi ressemble « long et contradictoire » sur votre terrain
Vingt mots en conflit dans un laboratoire, c'est abstrait. Vos flux de travail réels sont pires.
Pensez à ce que vous demandez réellement à un agent. Rapprocher une facture d'un contrat comportant trois avenants, une clause de conditions particulières et une exception envoyée par e-mail la semaine dernière. Orienter une réclamation client selon une politique qui dit une chose, une instruction permanente d'un manager qui en dit une autre et une promotion qui écrase les deux jusqu'à vendredi. Rédiger une réponse de conformité qui doit satisfaire le régulateur, la posture de risque de l'équipe juridique et la relation de l'account manager — trois objectifs qui ne s'alignent pas totalement.
Chacun de ces cas est une tâche de Stroop avec le volume poussé au maximum. Contexte long, contraintes simultanées multiples et une réponse « évidente » forte qui se révèle fausse une fois les exceptions prises en compte. Ce sont exactement les conditions qui, selon l'étude, poussent le contrôle exécutif au-delà de la falaise. Et ce sont aussi précisément les tâches que les Ops mid-market sont les plus impatientes d'automatiser, car ce sont les tâches fastidieuses, riches en jugement, qui dévorent les heures d'une équipe.
C'est là le piège. Les tâches au plus fort attrait d'automatisation recoupent largement les tâches les plus susceptibles de déclencher un effondrement silencieux. L'agent fera une démo impeccable sur la facture propre et échouera presque complètement sur celle avec trois avenants — et il échouera avec assurance, ce qui est la partie dangereuse.
Le coût pour l'entreprise d'ignorer la falaise
Ce n'est pas une préoccupation théorique, et le marché la valorise déjà. Gartner prévoit que plus de 40 % des projets d'IA agentique seront annulés d'ici la fin 2027, invoquant des coûts qui explosent, une valeur métier floue et des contrôles du risque inadéquats (Gartner, 2025).
Le constat de Stroop vous dit pourquoi tant d'entre eux échoueront. Les équipes testent un agent sur une tranche de travail sélectionnée, à faible conflit, observent une précision de style 91 %, puis la passent à l'échelle dans la réalité de production désordonnée et à fort conflit — où le même agent opère au-delà de son point d'effondrement et produit silencieusement une sortie de qualité 1 % sur les cas les plus difficiles. Les coûts qui s'ensuivent ne sont pas étiquetés « échec de l'IA ». Ils apparaissent sous forme d'erreurs de rapprochement détectées trois étapes plus en aval, de réponses de conformité à refaire entièrement à la main, et de l'érosion de la confiance qui finit par mettre toute l'initiative au placard. Le projet ne meurt pas d'un incident spectaculaire. Il meurt de l'accumulation d'échecs silencieux, précisément sur les cas censés le justifier.
Les organisations qui garderont leurs projets agentiques hors de ces 40 % ne seront pas celles dotées des meilleurs modèles. Tout le monde a accès aux mêmes modèles de pointe. Ce seront celles qui auront conçu pour la falaise au lieu de prétendre que la courbe était une pente lisse.
Où placer le point de contrôle
L'instinct, quand un agent sous-performe, est de recourir à de meilleurs prompts. Cette étude dit que le prompting est le mauvais levier. Vous ne pouvez pas sortir par un prompt d'une absence structurelle de contrôle exécutif ; vous ne pouvez que déplacer légèrement la falaise. Le levier durable est architectural : un point de contrôle humain dans la boucle (human-in-the-loop) placé avant le point d'effondrement, pas après l'incident.
Concrètement, cela signifie trois mouvements pour ce trimestre.
1. Cartographiez vos flux par charge de conflit, pas par type de tâche
Cessez de trier les tâches candidates en « simples » et « complexes ». Triez-les selon le nombre de contraintes concurrentes qu'elles portent et la longueur du contexte pertinent. Une tâche à fort volume avec une règle claire est une cible d'automatisation sûre. Une tâche à plus faible volume avec trois politiques qui se chevauchent et une pile d'exceptions, c'est là que vit la falaise — aussi routinière semble-t-elle.
2. Fixez le point de contrôle avant le seuil, empiriquement
Pour tout flux d'agent avec des contraintes en conflit ou un contexte long, insérez un point de revue humaine obligatoire. Ne devinez pas où le modèle casse — testez-le comme l'a fait l'étude. Alimentez l'agent avec des versions progressivement plus désordonnées d'une tâche réelle et observez la discontinuité. Placez le point de contrôle humain du côté proche de celle-ci.
3. Instrumentez pour l'échec silencieux, pas pour les erreurs bruyantes
L'effondrement ne s'annonce pas ; la sortie reste fluide. Vous ne pouvez donc pas compter sur l'agent pour signaler ses propres cas de faible confiance. Intégrez l'échantillonnage et l'audit ponctuel dans tout flux à fort conflit, et traitez « la démo a marché » comme le début de la validation, pas la fin.
Rien de tout cela n'exige de nouvelle technologie. Cela exige de traiter la fiabilité de l'agent comme une propriété de la conception du flux de travail, non du modèle — et d'accepter que la compétence du modèle a une limite que vous pouvez trouver mais pas contourner par un prompt.
La décision pour ce trimestre
Sortez la liste des processus que votre équipe prévoit de confier à un agent IA dans les deux prochains trimestres. À côté de chacun, notez deux choses : combien de règles ou d'exceptions en conflit il porte, et quelle est la longueur du contexte qu'un agent devrait tenir. Les tâches qui obtiennent un score élevé sur les deux ne sont pas vos victoires rapides. Ce sont vos cas-falaise — et l'étude dit qu'ils passeront le pilote et échoueront sur le travail réel.
Pour ceux-là, le mouvement n'est pas un meilleur agent. C'est un humain dans la boucle (human-in-the-loop) placé délibérément devant le point d'effondrement. Les 40 % de projets agentiques voués à l'annulation seront surtout ceux qui auront pris une démo pour une garantie. Un agent qui réussit le cas propre et s'effondre sur le cas désordonné n'est pas un outil que vous avez déployé. C'est une responsabilité que vous n'avez pas encore découverte. Allez trouver la falaise avant qu'elle ne vous trouve.
