27 juillet 2026Mis à jour le Fathy Shalaby16 min de lecture
Produits prêts pour les agents : le modèle à deux utilisateurs pour les PM
Votre produit a désormais un second lecteur : un agent IA qui agit pour le compte d’une personne. Le modèle à deux utilisateurs et quatre questions d’audit montrent où votre produit ne fonctionne que parce qu’un humain surveille.
Un produit prêt pour les agents fonctionne de façon aussi fiable pour un agent IA agissant pour le compte d’une personne que pour la personne elle-même. Concrètement, cela tient en quatre points : une voie lisible par une machine à côté de l’écran, des garde-fous appliqués par le système plutôt que par quelqu’un qui remarque une anomalie, la même structure de réponse à chaque appel, et un responsable désigné lorsqu’un agent agit à partir d’un résultat ambigu. Le modèle à deux utilisateurs audite chaque fonctionnalité auprès de ces deux lecteurs.
À retenir
Les logiciels sont déjà majoritaires parmi les lecteurs du web. En 2024, le trafic automatisé a dépassé le trafic humain pour la première fois en dix ans, à 51 % de l’ensemble du trafic web (Imperva, 2025).
Les agents restent une pratique minoritaire, mais bien réelle. Dans l’enquête Stack Overflow 2025, 30,9 % des répondants utilisaient des agents IA au travail au moins occasionnellement et 14,1 % le faisaient tous les jours (Stack Overflow, 2025).
Les produits conçus pour les humains échouent silencieusement avec les agents. L’agent fait exactement ce que lui a dit une interface ambiguë, à la vitesse d’une machine.
Les standards existent. MCP (publié en open source en novembre 2024 par Anthropic), llms.txt (proposé en septembre 2024), les formats d’erreur de la RFC 9457 et les clés d’idempotence répondent chacun à l’une des quatre questions d’audit.
Commencez par un seul workflow, le plus répétitif et le plus régi par des règles, celui où une personne agit pour le compte de quelqu’un d’autre.
Qui est le second utilisateur de votre produit ?
Pendant vingt ans, la question « qui est l’utilisateur ? » n’a eu qu’une réponse : une personne qui regarde un écran et prend une décision. Cette hypothèse se fissure. Une part croissante de la lecture, des clics et du remplissage de formulaires dans les logiciels est assurée par un agent : un modèle doté d’outils qui agit pour un humain, appelle votre API, lit votre documentation et remplit vos formulaires.
Les chiffres montrent la direction, pas encore la destination :
Trafic : les requêtes automatisées représentaient 51 % du trafic web en 2024, et les seuls bots malveillants 37 % (Imperva, 2025). Il s’agit surtout de robots d’indexation et d’attaquants, pas d’agents utiles, mais cela signifie qu’une grande partie de ce qui lit votre produit est déjà du logiciel.
Développeurs : sur 31 877 répondants à la question sur les agents, 14,1 % utilisent des agents IA au travail tous les jours, 9 % chaque semaine et 7,8 % chaque mois ou moins ; 37,9 % n’ont pas l’intention de le faire (Stack Overflow, 2025).
Logiciels d’entreprise : Gartner s’attend à ce que 33 % des applications logicielles d’entreprise intègrent de l’IA agentique d’ici 2028, contre moins de 1 % en 2024, et à ce qu’au moins 15 % des décisions de travail quotidiennes soient prises de manière autonome (W.Media on Gartner, 2025).
Le même communiqué de Gartner apporte le contrepoids : plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027 (Gartner, 2025), et seuls quelque 130 des milliers de fournisseurs qui vendent de l’« IA agentique » proposent réellement ce qu’ils annoncent. Le basculement est réel, et bruyant. Aucun de ces deux faits ne justifie de l’ignorer.
L’idée a désormais un nom. En janvier 2025, Mathias Biilmann, de Netlify, a proposé l’expérience agent (AX), c’est-à-dire l’expérience vécue par un agent IA en tant qu’utilisateur d’un produit, dans le prolongement de l’expérience utilisateur (Don Norman, 1993) et de l’expérience développeur (Jeremiah Lee, 2011) (Biilmann, 2025).
Pourquoi les produits conçus pour les humains échouent-ils silencieusement quand des agents les utilisent ?
Ce basculement ne se manifeste pas par une panne. Il se manifeste par une érosion lente de la confiance dans les résultats de votre produit. Une fonctionnalité conçue pour le jugement humain repose sur des éléments que les agents analysent mal : un texte qui se lit bien pour une personne mais n’a pas d’interprétation unique, un état qui n’existe que dans la mise en page visuelle, et des confirmations qui supposent que quelqu’un remarquera qu’un chiffre semble faux. Un agent qui agit sur cette même surface ne s’arrête pas pour vérifier la cohérence. Il fait exactement ce que l’interface lui a dit, aussi vite qu’il le peut, que l’interface ait été claire ou non.
C’est ce mode de défaillance qu’il faut anticiper : non pas « l’agent plante », mais « l’agent fait précisément ce qu’un produit ambigu lui a dit de faire, et personne ne s’en aperçoit avant que le résultat soit faux à grande échelle ».
L’OWASP en fait l’un des principaux risques pour les applications LLM. Excessive Agency (LLM06:2025) est la vulnérabilité qui permet à des actions dommageables de se produire en réponse à des sorties de modèle inattendues, ambiguës ou manipulées ; ses causes profondes sont l’excès de fonctionnalités, l’excès de permissions et l’excès d’autonomie (OWASP, 2025). L’ambiguïté de votre produit est l’une des entrées possibles.
Les utilisateurs intensifs d’IA le ressentent déjà. Dans la même enquête Stack Overflow, 66 % des développeurs ont cité comme principale frustration des résultats d’IA presque justes, mais pas tout à fait, et ils étaient plus nombreux à douter de l’exactitude de l’IA (46 %) qu’à lui faire confiance (33 %) (Stack Overflow, 2025). Un agent qui travaille face à un produit ambigu produit précisément ce genre de résultat presque juste.
Un exemple du quotidien : l’écran d’approbation des notes de frais
Une personne chargée d’approuver jette un œil au total, remarque qu’il paraît élevé pour ce fournisseur et s’arrête pour vérifier. Un agent qui approuve selon les mêmes critères n’a pas d’entrée « semble anormalement élevé ». Il n’a que le champ que votre interface expose comme seuil d’approbation. Si ce seuil se trouve dans une infobulle qu’une personne lirait mais que l’intégration de l’agent ne touche jamais, l’agent ne dysfonctionne pas. Il suit une spécification que personne n’a écrite, parce qu’on a toujours supposé qu’un humain serait le lecteur.
Chaque workflow où une personne apporte un jugement que l’interface n’encode jamais est un endroit où cela va surgir : silencieusement, un cas limite à la fois.
Qu’est-ce que le modèle à deux utilisateurs ?
Considérez chaque fonctionnalité comme ayant deux utilisateurs possibles qui lisent la même surface, et auditez-la auprès des deux avant de la livrer.
1. Le décideur humain a besoin de comprendre pourquoi, pas seulement quoi. Il lit pour trouver du contexte, des arbitrages et la confiance nécessaire pour agir. Votre travail ici n’a pas changé : clarté, hiérarchie, le bon niveau de détail au bon moment.
2. L’opérateur agent est un système qui agit pour le compte de cet humain et exécute une tâche sans que personne ne vérifie chaque étape. Il ne lit pas pour les nuances. Il a besoin d’une interface sans ambiguïté, structurée et stable : la même entrée doit produire de façon fiable le même type de sortie.
Besoin
Décideur humain
Opérateur agent
Lit
Pages rendues, graphiques, infobulles
Réponses d’API, schémas, documentation, Markdown
Détecte les erreurs en
Remarquant que quelque chose cloche
Erreurs de validation strictes, avec un motif
Tolère l’incohérence
Oui, s’adapte sans s’en rendre compte
Non, chaque variation casse une intégration
Veut des explications sous forme de
Prose et contexte
Champs structurés plus le même raisonnement
Valeur par défaut sûre pour les actions risquées
Une boîte de dialogue de confirmation
Un état brouillon ou proposé, validation par un humain
Les recommandations d’Anthropic sur la construction d’agents disent la même chose du côté des concepteurs : prévoyez d’« investir autant d’efforts dans la création de bonnes interfaces agent-ordinateur (ACI) » que dans les interfaces homme-machine. Sur son agent SWE-bench, l’équipe a passé plus de temps à améliorer les outils que le prompt global (Anthropic, 2024).
Comment auditer une fonctionnalité pour savoir si elle est prête pour les agents ?
Posez quatre questions à une fonctionnalité. Chacune a une « bonne » réponse concrète.
1. Existe-t-il une voie lisible par une machine à côté de celle destinée aux humains ?
Si la seule façon d’extraire des informations de votre produit passe par une page rendue, un agent qui agit pour cette personne n’a aucun moyen fiable d’y entrer. Une API documentée, un export structuré ou une forme de données prévisible constituent désormais la seconde porte d’entrée.
Un paramètre de permissions qui n’existe que sous la forme d’une case à cocher sur une page de réglages, sans champ dans la réponse de l’API, est invisible pour tout agent qui travaille via cette API. Il n’est plus appliqué, sans bruit, dès qu’un humain délègue la tâche.
À quoi ressemble le bon résultat : chaque information affichée à l’écran est aussi disponible sous forme de champ, et chaque action a son équivalent d’API ou d’outil MCP avec un schéma de sortie déclaré. Les outils MCP peuvent déclarer un outputSchema et renvoyer un structuredContent conforme à ce schéma (spécification MCP).
2. L’interface suppose-t-elle qu’un humain repérera une erreur ?
Les boîtes de dialogue de confirmation, les invites « êtes-vous sûr ? » et les avertissements en rouge reposent tous sur le fait qu’une personne remarque que quelque chose cloche. Un agent ne s’arrêtera que si la vérification est structurelle : une erreur de validation stricte, pas un signal visuel. Si votre seule protection contre une action destructrice est une fenêtre modale avec un bouton rouge, cette protection n’existe pas pour tout ce qui appelle directement votre API.
À quoi ressemble le bon résultat : des erreurs qu’une machine peut exploiter. La RFC 9457 (juillet 2023) définit un format standard de « problem details » parce que « les consommateurs non humains d’API HTTP ont du mal » à lire des pages d’erreur HTML (IETF, 2023). MCP distingue les erreurs de protocole des erreurs d’exécution d’outil, qui reviennent avec isError: true et un message que le modèle peut utiliser pour se corriger et réessayer. Pour les actions à fort impact, l’OWASP recommande une validation humaine avant l’exécution de l’action.
3. La même action produit-elle garantie le même type de résultat ?
Les gens tolèrent une fonctionnalité qui se comporte un peu différemment selon l’état du compte, la charge ou un cas limite. Ils s’adaptent sans s’en apercevoir. Un agent qui effectue le même appel mille fois a besoin d’une réponse dont la forme reste cohérente même quand les valeurs changent : les mêmes champs et le même format d’erreur à chaque fois. Sinon, chaque intégration casse d’une manière légèrement différente, selon le cas limite qu’elle a rencontré en premier.
À quoi ressemble le bon résultat : des schémas stables, des changements versionnés et des relances sans risque. Les clés d’idempotence de Stripe permettent à un client de répéter une requête après une erreur de connexion sans exécuter l’opération deux fois ; elles peuvent contenir jusqu’à 255 caractères, et les clés v1 peuvent être purgées une fois qu’elles ont au moins 24 heures (Stripe). MCP propose quatre indications d’outil (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), mais le schéma précise qu’il s’agit d’indications, pas de garanties (schéma MCP). Faites respecter le comportement côté serveur.
4. Qui est responsable quand l’agent se trompe ?
C’est la question que la plupart des roadmaps éludent. Si un agent agit pour une personne à partir de la sortie de votre produit, et que cette sortie était ambiguë, la défaillance remonte à une décision produit, pas à une erreur de l’utilisateur. C’est une nouvelle catégorie de risque produit. Elle mérite la rigueur de n’importe quel incident de production : un responsable désigné, un moyen de reproduire ce qui s’est passé, et un correctif qui comble la véritable lacune plutôt que le seul cas qui a été remarqué.
À quoi ressemble le bon résultat : une piste d’audit indiquant quel agent a fait quoi, sous l’autorité de qui, à partir de quelle entrée. La spécification MCP exige que les hôtes obtiennent le consentement explicite de l’utilisateur avant d’invoquer tout outil (spécification MCP), et qu’il y ait toujours un humain dans la boucle capable de refuser un appel d’outil (outils MCP). Pour décider quelles actions une IA peut effectuer seule, voir le contrat de délégation à l’IA : demander, agir ou s’arrêter.
Quels standards rendent un produit prêt pour les agents en 2026 ?
Aucun n’est obligatoire, et aucun ne suffit seul. Chacun répond à une question d’audit précise.
Standard
De quoi il s’agit
Origine
Répond à
Model Context Protocol (MCP)
Protocole ouvert pour connecter les applications d’IA à des outils et à des données, via JSON-RPC 2.0
Publié en open source par Anthropic le 25 nov. 2024 ; spécification actuelle 2026-07-28
Q1, Q2, Q4
llms.txt
Un fichier Markdown à la racine de votre site qui donne aux agents un contexte concis et des liens vers des pages Markdown propres
Proposé par Jeremy Howard le 3 sept. 2024 ; v2 en août 2026
Q1
Description OpenAPI
Description lisible par une machine de votre API REST
Standard de l’industrie
Q1, Q3
RFC 9457 problem details
Format d’erreur JSON standard pour les API HTTP
IETF, juillet 2023 (remplace la RFC 7807)
Q2, Q3
Clés d’idempotence
Clé fournie par le client qui rend les relances sûres
Pratique courante des API (par ex. Stripe)
Q3
MCP est aujourd’hui pris en charge par des assistants comme Claude et ChatGPT et par des outils comme VS Code et Cursor (MCP). Les serveurs exposent trois types de fonctionnalités : des ressources (contexte et données), des prompts (modèles) et des outils (fonctions que le modèle peut appeler) (spécification MCP). La proposition llms.txt indique que des milliers de sites publient désormais ce fichier et que Lighthouse, dans Chrome, en recherche un dans ses audits de navigation agentique (llms.txt). Si ce qui vous importe est la manière dont les assistants IA décrivent votre produit, plutôt que la manière dont les agents le font fonctionner, c’est un autre problème, traité dans la visibilité dans la recherche IA.
À quoi ressemble un audit de préparation aux agents ? Un exemple détaillé
Exemple illustratif. Supposons qu’une entreprise de 40 personnes fasse passer 600 notes de frais par mois dans votre produit et que sa responsable financière veuille qu’un agent approuve les cas courants. Notez chaque question d’audit 0 (échec), 1 (partiel) ou 2 (réussi).
Question
Constat
Note
1. Voie lisible par une machine
Les notes et les totaux sont dans l’API ; le seuil de 2 000 € par fournisseur ne figure que dans une infobulle
1
2. Garde-fous structurels
Les approbations au-delà du seuil déclenchent une fenêtre modale ; l’API les accepte sans rien dire
0
3. Résultats cohérents
L’approbation renvoie une charge utile différente pour les notes multidevises ; pas de clé d’idempotence, donc une relance après un délai dépassé peut approuver deux fois
0
4. Responsabilité
Le journal d’audit enregistre l’utilisateur, pas l’agent ni la règle appliquée
1
Total
2 / 8
Les correctifs sont modestes : exposer le seuil sous forme de champ, rejeter dans l’API les approbations au-delà du seuil avec une erreur problem details, renvoyer une seule forme de charge utile et accepter une clé d’idempotence, et consigner l’agent qui agit à côté de l’utilisateur qui délègue. Une fois ces changements faits, la fonctionnalité atteint 8/8 sans aucune modification de l’écran destiné aux humains.
Considérez un score inférieur à 6 comme une raison de cantonner les agents au mode brouillon pour ce workflow. Ce seuil est un point de départ, pas une référence.
Checklist de préparation aux agents (à copier)
Chaque valeur affichée à l’écran est disponible sous forme de champ nommé dans l’API ou l’export.
Chaque action a un point d’accès d’API ou un outil MCP avec un schéma d’entrée et de sortie déclaré.
Les règles métier (limites, seuils, permissions) sont appliquées côté serveur, pas dans l’interface.
Les erreurs renvoient un motif lisible par une machine (RFC 9457 ou un format stable équivalent).
Les opérations d’écriture acceptent une clé d’idempotence ou peuvent être relancées sans risque.
Les réponses gardent la même forme quels que soient l’état du compte, la devise et les cas limites.
Les actions destructrices ou à fort impact exigent une validation humaine ou démarrent sous forme de brouillons.
Les journaux enregistrent l’agent, l’utilisateur qui délègue et l’entrée derrière chaque action.
La documentation existe en Markdown propre, avec un fichier llms.txt qui y renvoie.
Chaque workflow a un responsable désigné pour les incidents liés aux agents.
Ce que cela ne veut pas dire
Il ne s’agit pas de plaider pour reconstruire votre produit en plateforme API-first du jour au lendemain, ni pour abandonner l’interface humaine. La plupart des produits garderont pendant des années une personne comme public principal ; le changement s’ajoute à l’existant. Ce n’est pas non plus une raison de courir après chaque framework d’agents vu sur une page de lancement. La leçon est plus étroite : passez en revue votre surface actuelle pour repérer les hypothèses qui ne tiennent que si un humain la lit.
Quelles erreurs les équipes commettent-elles en concevant pour des agents IA ?
Deux sources de vérité. Le tableau de bord indique « 3 éléments à examiner » alors que l’API en renvoie 4. Les produits qui gèrent bien les agents génèrent l’explication pour l’humain et les données pour la machine à partir de la même source, de sorte qu’aucun des deux lecteurs ne travaille avec une image partielle.
Prendre les indications d’outil pour des contrôles. Une annotation destructiveHint: false n’empêche pas un appel destructeur. La spécification MCP demande aux clients de traiter les annotations comme non fiables, sauf si elles proviennent d’un serveur de confiance.
Accorder plus que ce dont la tâche a besoin. Les premières mesures d’atténuation de l’OWASP sont : moins d’outils, des fonctions plus étroites et le périmètre OAuth minimal. Une tâche en lecture seule doit recevoir un jeton en lecture seule.
Mesurer les appels, pas les résultats. Le trafic des agents gonfle les chiffres d’usage. Vérifiez si les tâches déléguées ont été menées à bien, et pas seulement combien ont été exécutées. Un usage massif par des agents met aussi à mal la tarification par siège ; voir comment fixer vos prix quand vos utilisateurs sont des agents IA.
Ne donner aucun contexte produit aux agents. Les agents de codage construisent ce qu’ils peuvent déduire de la base de code. Donnez-leur la spécification et le raisonnement ; voir comment donner du contexte produit à un agent IA de codage.
Par où une équipe produit doit-elle commencer ?
Choisissez la fonctionnalité où une personne fait actuellement le travail le plus répétitif et le plus régi par des règles pour quelqu’un d’autre : approuver des demandes, trier des tickets, rapprocher des enregistrements. C’est presque toujours là qu’un agent apparaît en premier, parce que c’est le workflow qui vaut le plus la peine d’être automatisé. Appliquez-lui les quatre questions avant qu’un agent n’arrive sans y avoir été invité, en s’appuyant sur des hypothèses que votre interface n’a jamais énoncées.
Les PM qui prennent de l’avance ne sont pas ceux qui construisent des agents. Ce sont ceux qui font dire clairement la vérité à leur produit existant, au point qu’une machine qui le lit obtienne la même réponse qu’une personne.
Où Specky s’inscrit
La surface agent de Specky suit elle-même le modèle à deux utilisateurs. Les agents de codage et les assistants se connectent via un serveur MCP avec OAuth, chargent le contexte produit et les briefs étayés par des preuves avant de planifier, et créent des PRD, des tickets et des décisions sous forme de brouillons. Ces brouillons arrivent dans la PM Inbox pour qu’une personne les approuve, et chaque affirmation renvoie à la preuve source dans le Product Graph, de sorte que l’humain et l’agent voient le même raisonnement. Les détails se trouvent sur la page Specky pour les agents.
Foire aux questions
Qu’est-ce qu’un produit prêt pour les agents ?
Un produit prêt pour les agents est un produit qu’un agent IA peut faire fonctionner pour le compte d’une personne aussi fiablement que la personne elle-même. Il expose données et actions via une API ou un serveur MCP, applique les règles côté serveur, renvoie des formes de réponse cohérentes et des écritures sans risque en cas de relance, et consigne quel agent a agi sous l’autorité de qui.
Qu’est-ce que l’expérience agent (AX) ?
L’expérience agent est l’expérience vécue par un agent IA en tant qu’utilisateur d’un produit ou d’une plateforme, par analogie avec l’expérience utilisateur et l’expérience développeur. Mathias Biilmann, de Netlify, a introduit le terme en janvier 2025. Une bonne AX signifie qu’un agent peut obtenir l’accès, comprendre les capacités du produit et mener à bien des tâches sans qu’un humain ne serve de traducteur.
Ai-je besoin d’un serveur MCP pour être prêt pour les agents ?
Non. Une API bien documentée, avec des schémas stables, des erreurs claires et des écritures idempotentes, répond déjà à la plupart des quatre questions d’audit. Un serveur MCP facilite le branchement de votre produit sur des assistants comme Claude, ChatGPT, VS Code et Cursor, et ajoute des conventions de consentement et de description des outils ; il vaut donc la peine d’être ajouté une fois que l’API sous-jacente est solide.
llms.txt revient-il à rendre un produit prêt pour les agents ?
Non. llms.txt, proposé par Jeremy Howard en septembre 2024, aide les agents à lire votre site web et votre documentation en les orientant vers un Markdown concis. Il répond à la première question d’audit pour le contenu. Il ne fait rien pour les actions sûres, les réponses cohérentes ou la responsabilité, qui exigent des changements dans l’API et le produit.
Comment garder un humain dans la boucle quand des agents agissent ?
Faites en sorte que les actions risquées démarrent sous forme de brouillons ou de propositions qu’une personne approuve, et appliquez cette règle côté serveur plutôt que dans une boîte de dialogue. La spécification MCP exige le consentement explicite de l’utilisateur avant les appels d’outil, et l’OWASP recommande une validation humaine pour les actions à fort impact. Consignez pour chaque action l’agent, l’utilisateur qui délègue et l’entrée.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing