La fin de la course Agent n'est pas celle de celui qui est le plus intelligent, mais celle de celui qui permet à le plus grand nombre de posséder un Agent.

Titre : Réfléchir à fond à propos du cercle

Avez-vous remarqué un phénomène étrange : à chaque fois que vous demandez à une IA de faire le même travail, vous devez tout recommencer et tout lui réexpliquer ? Aujourd’hui, elle doit trier des données ; demain, pour la même tâche, il faudra encore repartir de zéro pour expliquer une nouvelle fois. L’IA devient pourtant de plus en plus intelligente. Alors pourquoi continuons-nous à faire un travail répétitif ?

Le 30 mars 2026, une société d’IA de la Silicon Valley, CREAO, a publié un produit qui donne une réponse différente. Une fois sorti, son produit s’est hissé en tête du classement des tendances mondiales du Top 3 sur la plateforme X pendant 5 heures consécutives, déclenchant des discussions spontanées en masse de la part de créateurs et développeurs technologiques de nombreuses régions, dont l’Amérique du Nord, l’Europe, l’Asie du Sud-Est et l’Amérique latine. Après avoir étudié en profondeur ce produit, j’ai découvert que ce qu’ils font n’est pas du tout la même chose que tous les produits d’AI Agent du marché. Cette équipe sino-américaine, issue de grands acteurs de premier plan de la Silicon Valley comme Google et Meta, a trouvé une voie que tout le monde a ignorée.

Les vraies difficultés actuelles des AI Agent

Je dois d’abord clarifier un fait : dans la période 2025–2026, le secteur des AI Agent est effectivement devenu très en vogue. OpenClaw, Claude Code, Devin, ainsi que DeepSeek en Chine : ces produits ont permis à beaucoup de personnes de découvrir et d’utiliser pour la première fois de véritables AI Agent. Mais une fois qu’on les a utilisés, de nouveaux problèmes apparaissent—et ce problème est bien plus grave qu’on ne l’imaginait.

Il m’est arrivé de vivre ce genre de situation. La semaine dernière, j’ai demandé à Claude Code de m’aider à écrire un script de récupération de données ; cela a nécessité environ vingt minutes d’échanges, l’ajustement des détails, puis j’ai réussi à le faire fonctionner. Cette semaine, je veux récupérer les données d’un autre site en utilisant la même logique. En théorie, il suffirait de modifier quelques paramètres. Mais j’ai constaté que je devais rouvrir une fenêtre de dialogue, réexpliquer ma demande, puis réajuster les détails. L’IA ne se souvient pas de la façon dont nous avons coopéré la fois précédente ; elle ne peut que repartir de zéro. Cette expérience m’a fait comprendre que le problème central auquel les AI Agent font face n’est pas un manque de capacités : c’est que chaque utilisation est à usage unique, et une fois consommée, c’est fini.

Ce qui me trouble encore plus, c’est que ces puissants AI Agent se mettent souvent à « trouver du travail pour faire du travail ». Je ne voulais qu’une chose : qu’il récupère des données de prix depuis trois sites et les enregistre dans un tableau. Pourtant, il commence à m’analyser les tendances des prix, à générer des graphiques de visualisation, et même à proposer activement de m’aider à rédiger un rapport d’analyse de la concurrence. Ces fonctions ont l’air super, mais je n’en ai pas besoin. L’IA met en avant ses limites et ses capacités, au lieu de se concentrer sur mon problème précis. Cette capacité de généralisation est impressionnante lors des démonstrations, mais en usage réel, elle apporte une charge cognitive énorme : je dois passer du temps à l’empêcher de faire ce dont je n’ai pas besoin, et à répéter encore et encore que je veux uniquement la récupération de données la plus simple.

La rentabilité est aussi un gros problème. Quand vous demandez à un AI Agent généraliste d’exécuter une tâche simple et répétitive, à chaque fois il doit comprendre à nouveau votre intention, planifier à nouveau le chemin d’exécution, et rappeler divers outils. Ce processus prend non seulement du temps, mais si l’on utilise une API facturée au token, les coûts s’accumulent rapidement. J’ai fait le calcul : si j’utilise Claude ou GPT-4 pour exécuter une tâche simple de synchronisation de données planifiée chaque jour, les coûts d’appels API sur un mois peuvent être plus élevés que de simplement engager un stagiaire pour le faire manuellement. Ce n’est tout simplement pas raisonnable.

J’ai discuté de ce problème avec quelques amis développeurs : les ressentis sont tous très cohérents. Les capacités des AI Agent évoluent rapidement, mais la facilité d’utilisation, elle, se dégrade dans une certaine mesure. Avant, avec Zapier ou n8n, la configuration était pénible, mais une fois configurés, ils pouvaient fonctionner de manière stable sans qu’il faille y réinvestir à répétition. Aujourd’hui, avec des AI Agent, la configuration devient plus simple ; mais à chaque fois, il faut reconfigurer. Ce n’est pas un progrès : on remplace une complexité ancienne par une complexité nouvelle. Le nœud de la contradiction, c’est que ce ne sont pas les utilisateurs « normaux » qui n’arrivent pas à utiliser les AI Agent : c’est qu’on ne peut pas s’y fier, qu’on ne peut pas les garder, et qu’on ne peut pas transformer une conversation réussie en un système automatisé réutilisable.

La philosophie de « l’apprivoisement » de CREAO

Quand j’ai vu pour la première fois la démonstration produit de CREAO, ma première réaction a été : c’est exactement la chose que je cherchais depuis longtemps. Ils ont donné au produit une positionnement très intéressant : Agent Harness, que l’on peut comprendre en chinois comme « apprivoiser des Agents ». Ce mot décrit très précisément ce qu’ils font : ce n’est pas rendre l’IA plus puissante, c’est rendre ses capacités figées, domptées, et maîtrisables par des personnes ordinaires.

L’expérience principale de CREAO est très directe. Vous décrivez en langage naturel un workflow de travail : par exemple « chaque lundi matin à 9 h, scannez les variations de prix sur trois sites de concurrents, enregistrez-les dans Google Sheets, et si l’amplitude dépasse 10 %, avertissez-moi sur Slack ». Le système fait alors plusieurs choses : comprendre votre intention, écrire automatiquement le code d’exécution, connecter les outils dont vous avez besoin (Gmail, Google Sheets, Slack, Feishu, etc. — ils ont déjà intégré plus de 300 plateformes), puis surtout, la dernière étape—vous pouvez enregistrer tout ce processus en un seul Agent en une touche, définir un planning d’exécution programmé, puis à partir de là il exécute automatiquement selon l’horaire que vous avez défini, sans nécessiter l’intervention de l’IA. L’exécution devient entièrement déterministe.

Cette dernière étape est l’âme du produit. Après la fin de la conversation, le système continue à tourner. Cette phrase semble simple, mais elle résout un problème que toute l’industrie évite. Avec des produits d’IA conversationnelle comme ChatGPT ou Claude, une fois la fenêtre fermée, il ne reste plus rien. Avec des outils pour développeurs comme OpenClaw ou Claude Code, ils peuvent exécuter des tâches complexes, mais il faut que vous les déployiez et les mainteniez vous-même. Ce que CREAO fait, c’est combiner la flexibilité de l’IA et le caractère déterministe des outils d’automatisation traditionnels, afin qu’une conversation IA réussie puisse se transformer en un système d’automatisation durable.

J’apprécie particulièrement les compromis techniques qu’ils ont faits. Beaucoup de produits d’AI Agent visent à rendre l’IA plus intelligente, plus généraliste, capable de traiter des tâches plus complexes. Le chemin choisi par CREAO est l’inverse : leur objectif est de permettre aux workflows générés par l’IA de fonctionner indépendamment, sans IA. Cela signifie qu’ils doivent résoudre le problème de déterminisme de la génération de code : le code généré par l’IA doit être suffisamment stable pour pouvoir s’exécuter en continu sans intervention de l’IA. Ils doivent aussi résoudre le problème de stabilité de l’orchestration de plusieurs outils : lorsqu’un workflow implique plusieurs plateformes comme Gmail, Sheets et Slack, comment s’assurer que le transfert des données entre elles ne se trompe pas. Ce sont là des problèmes que les outils d’automatisation traditionnels ont déjà résolus. Mais dans le contexte des AI Agent, ces questions doivent être redéfinies et à nouveau résolues, car le workflow n’est plus configuré manuellement : il est généré par l’IA à partir de langage naturel.

J’ai essayé moi-même, et l’expérience réelle est effectivement différente des autres produits. J’ai décrit en langage naturel un besoin : « tous les jours à 17 h, consolidez automatiquement les e-mails marqués comme importants dans ma boîte de réception Gmail ; extrayez l’expéditeur et l’objet, écrivez-les dans un tableau Google Sheets ; et s’il y a des e-mails clients, @moi dans le groupe Feishu. » L’ensemble de la configuration prend moins de 5 minutes. Je peux voir en temps réel CREAO générer le code, tester les connexions et valider la logique. Une fois la configuration terminée, j’ai cliqué sur un bouton « enregistrer en tant qu’Agent », j’ai réglé l’exécution quotidienne à 17 h, puis je n’ai plus eu à m’en occuper. Le lendemain à 17 h, j’ai vraiment reçu une notification dans le groupe Feishu. En ouvrant Google Sheets, j’ai vu que les données avaient déjà été organisées selon ma demande. L’élément clé de cette expérience, c’est que je n’ai pas besoin d’ouvrir la fenêtre de dialogue de CREAO tous les jours à 16 h 55 et de réexpliquer ma demande. C’est comme un assistant apprivoisé : il sait ce qu’il doit faire chaque jour, et il le fait tout seul.

L’intégration native de plus de 300 plateformes est aussi un avantage produit important. Cela signifie que, dans la plupart des scénarios de workflows courants, CREAO a déjà préparé les connecteurs ; les utilisateurs n’ont pas besoin de chercher eux-mêmes la documentation API, de configurer l’authentification, ou de gérer des détails de niveau bas comme la conversion de formats de données. Vous dites « écrire les données dans Google Sheets » : le système sait comment faire. Vous dites « envoyer un message sur Slack » : le système sait aussi comment faire. La fluidité de cette expérience est incomparable à celle qu’on peut obtenir en écrivant du code soi-même ou en utilisant des outils d’automatisation traditionnels. Je pense que c’est précisément la compréhension de CREAO des produits destinés aux consommateurs : réduire le coût de configuration pour permettre aux gens ordinaires de bâtir rapidement leur propre système d’automatisation.

Ne pas faire le plus puissant, mais faire le plus apprivoisable

Pendant mes recherches sur CREAO, je me suis toujours posé une question : pourquoi les autres entreprises qui font des AI Agent n’ont-elles pas choisi cette voie ? Plus tard, j’ai compris qu’il s’agissait de deux philosophies de produit complètement différentes en compétition.

Regardez par exemple Claude Code de Anthropic, ou Devin de Cognition : leurs objectifs sont de construire les Agents universels les plus puissants. Ces produits espèrent que l’IA pourra comprendre n’importe quel besoin, exécuter n’importe quelle tâche, et même prendre des décisions de manière autonome sans instructions explicites. C’est une trajectoire consistant à « rendre les Agents plus intelligents ». Dans cette voie, la valeur du produit vient de la capacité de généralisation de l’IA : elle peut traiter des problèmes plus complexes, prendre des décisions correctes face à davantage d’incertitudes, et s’approcher davantage du mode de travail des développeurs humains. Cette direction a évidemment de la valeur, mais elle est naturellement tournée vers les développeurs et les utilisateurs professionnels : seuls eux ont besoin de ce niveau de flexibilité et savent le maîtriser.

CREAO choisit une autre voie : ne pas faire l’Agent le plus puissant, mais l’Agent le plus facile à apprivoiser par des personnes ordinaires. La valeur de leur produit ne réside pas dans la question de savoir à quel point l’IA est intelligente, mais dans la facilité avec laquelle les utilisateurs ordinaires peuvent figer les capacités de l’IA en leurs propres outils dédiés. Dans la philosophie produit de CREAO, un bon Agent n’est pas un Agent capable de tout faire, mais un Agent qui fait stablement une chose, et qui peut être réutilisé. Cette convergence est précisément une caractéristique dont les produits destinés aux consommateurs ont le plus besoin.

Je pense à une analogie pertinente. Un AI Agent généraliste ressemble à un conseiller polyvalent. À chaque fois que vous avez un problème, vous pouvez le consulter : il peut vous donner beaucoup de conseils, mais à chaque fois vous devez lui expliquer le contexte, décrire le besoin, discuter des solutions. Ce que CREAO crée, c’est un assistant entraînable : vous lui montrez une fois comment faire quelque chose, puis ensuite il le fera régulièrement de lui-même, sans que vous ayez à le guider à répétition. Le premier met en avant l’étendue des capacités ; le second apporte l’efficacité d’utilisation. Pour les utilisateurs ordinaires, l’efficacité est bien plus importante que la capacité.

Cette différence de philosophie produit a déjà été validée par l’écho du marché. Le jour même de la sortie de CREAO, plus de 50 KOL tech de premier plan à l’échelle mondiale ont publié en parallèle des contenus d’expérience approfondie, couvrant des marchés de plusieurs langues, notamment l’anglais, l’espagnol, le portugais et le coréen. Une propagation spontanée multilingue de cette ampleur est très rare. Cela montre que le problème que CREAO résout est mondial et transculturel. Que vous soyez en Amérique du Nord, en Europe, en Asie du Sud-Est ou en Amérique latine, dès lors que vous êtes un utilisateur ordinaire qui doit traiter des workflows répétitifs, vous serez attiré par ce produit. Le marché a déjà voté avec ses pieds : les gens n’ont pas besoin d’une IA plus puissante, ils ont besoin d’une IA plus facile à maîtriser.

J’ai aussi remarqué une comparaison intéressante. Si vous regardez les produits qui visent des Agents généralistes, leurs cas de démonstration sont généralement « l’IA t’aide à accomplir une tâche de développement complexe » ou « l’IA analyse de manière autonome un problème business et propose une solution ». Ces cas sont impressionnants, mais difficiles à reproduire. Les utilisateurs ordinaires, une fois la démonstration terminée, se disent « wow, c’est super fort », mais ils ne savent pas comment l’appliquer à leur propre travail. Les cas d’usage de CREAO, eux, sont très concrets : surveiller les prix des concurrents, synchroniser des données vers des tableaux, envoyer des rapports à horaires fixes, trier des e-mails, gérer des tâches à accomplir. Ce sont des choses que tout le monde fait chaque jour—sauf qu’à présent, elles peuvent être automatisées. Cette différence de positionnement produit rend CREAO naturellement capable d’attirer un public plus large.

Entre l’IA conversationnelle et les systèmes d’automatisation traditionnels, CREAO a trouvé un équilibre ingénieux. Il conserve la facilité d’utilisation de l’IA conversationnelle : exprimer les besoins en langage naturel, sans apprendre à programmer ni étudier des interfaces de configuration complexes. Il hérite aussi de la fiabilité des systèmes d’automatisation : une fois configuré, il exécute de façon déterministe, sans produire de résultats inattendus à cause de la nature aléatoire de l’IA. Cet équilibre est très rare, parce que la plupart des produits oscillent entre ces deux extrêmes : soit trop flexible et donc instable, soit trop fixe et donc pas assez intelligent. CREAO permet aux utilisateurs de profiter de la flexibilité de l’IA pendant la phase de configuration, puis d’obtenir la déterminisme de l’automatisation pendant la phase d’exécution.

L’intelligence produit de l’équipe de la Silicon Valley

Je me demande quel type d’équipe peut produire un produit comme celui-ci. Après une analyse approfondie, j’ai constaté que le siège de CREAO se trouve dans la Silicon Valley aux États-Unis. L’équipe principale rassemble des élites IA chinoises issues de grandes entreprises de premier plan comme Google et Meta, ainsi que des ingénieurs techniques provenant de sociétés de modèles de langage à un stade précoce en Chine et d’entreprises Internet stars. C’est une équipe vraiment hybride sino-américaine au sens propre.

Je pense que le contexte de cette équipe est très important. Les ingénieurs sortis des grandes entreprises de la Silicon Valley comprennent très profondément les technologies de base : ils savent comment construire des systèmes stables et fiables. Les chefs produit et ingénieurs des entreprises Internet et IA en Chine, eux, ont une forte sensibilité à l’expérience utilisateur C-end : ils savent quel design produit réduit réellement le seuil d’utilisation pour les utilisateurs. La combinaison de ces deux « gènes » donne naissance à un projet comme CREAO : à la fois riche en profondeur technique et porté par une vraie chaleur produit.

D’après ce que je sais, l’équipe de CREAO a passé des mois à résoudre un problème spécifique : comment faire en sorte que la sortie de l’IA continue d’exister après la fin de la conversation. Ce problème semble simple, mais en coulisse, les défis techniques sont nombreux. Le code généré par l’IA a naturellement un caractère aléatoire : deux fois, pour une même description de besoin, le code généré peut être complètement différent. Comment s’assurer que ces codes soient suffisamment stables, afin de pouvoir s’exécuter en continu sans intervention humaine ? Comment gérer les situations exceptionnelles : si un appel API échoue, le système doit-il réessayer, dégrader le service, ou notifier l’utilisateur ? Comment garantir que le transfert de données entre plusieurs outils ne soit pas interrompu à cause de problèmes de format ? Tous ces éléments sont des problèmes d’ingénierie que les outils d’automatisation traditionnels ont déjà résolus au cours des décennies passées, mais dans le contexte des AI Agent, ces questions doivent être reconsidérées et résolues à nouveau, car la manière de générer les workflows a changé.

Ce que je respecte particulièrement, c’est que l’équipe de CREAO n’a pas choisi la solution la plus simple. Ils auraient pu, comme beaucoup d’autres produits IA, enregistrer les workflows générés pour que les utilisateurs déclenchent manuellement l’exécution à chaque fois. Cela aurait réduit considérablement la difficulté technique, mais l’expérience utilisateur aurait été fortement dégradée. CREAO a choisi une véritable automatisation : exécution planifiée, exécution autonome, traitement des exceptions, enregistrement des logs. Toutes ces fonctions standard des systèmes d’automatisation traditionnels existent dans CREAO, et elles sont construites à partir de workflows générés par l’IA. Cela exige de trouver un équilibre précis entre flexibilité de l’IA et stabilité du système, ainsi qu’une accumulation importante d’efforts d’ingénierie et un long travail d’optimisation produit.

Un autre point qui m’a marqué, c’est que l’architecture de base de CREAO, le moteur d’exécution et les protocoles d’intégration sont tous développés en interne. Dans l’environnement actuel des startups IA, beaucoup d’entreprises choisissent de faire du « rapide habillage » : utiliser les API d’OpenAI ou d’Anthropic, ajouter une interface front-end, et lancer un produit. Cette approche permet de valider rapidement le marché, mais il est difficile de construire de véritables barrières technologiques. L’équipe de CREAO a choisi la voie plus difficile : partir de la couche la plus basse et construire le système, afin de garantir que chaque maillon reste sous leur contrôle. Cet investissement technique peut ne pas sembler avantageux à court terme, mais à long terme, c’est la seule manière de construire des barrières de concurrence.

À noter également : en un an, CREAO a déjà réalisé trois tours de levées de fonds, chacun portant sur des dizaines de millions de dollars américains et plus. Après la publication du produit, il a suscité une large attention sur les marchés financiers. Cela montre que les investisseurs ont aussi vu la valeur de cette direction : dans le secteur des AI Agent, ce n’est pas le fait que le modèle de quelqu’un soit le plus grand ou que l’Agent de quelqu’un soit le plus intelligent qui fasse gagner ; c’est plutôt qui peut réellement transformer les capacités de l’IA en un produit utilisable par des personnes ordinaires. Celui qui le fera occupera la position dominante sur le marché.

La vraie phase finale du secteur des Agents

Après avoir étudié CREAO, j’ai de nouvelles réflexions sur le secteur des AI Agent. Je pense que la fin de ce secteur ne dépend pas de qui a l’Agent le plus intelligent, mais de qui permet au plus grand nombre de personnes d’avoir leur propre Agent. C’est un changement fondamental de perspective.

Au cours des deux dernières années, toute l’industrie s’est lancée dans la surenchère : sur les capacités des modèles, sur les frameworks d’Agents, sur les outils développeurs. On compare qui peut faire accomplir à l’IA des tâches plus complexes, et qui peut atteindre une plus grande autonomie avec moins d’interventions humaines. Cette logique de compétition a un fort marché dans les milieux techniques, car elle correspond à l’esthétique des ingénieurs : chercher le maximum, repousser les limites, dépasser l’impossible. Mais du point de vue business et produit, ce n’est peut-être pas le champ de bataille le plus important. Le vrai champ de bataille est : comment réduire le seuil d’utilisation, comment améliorer la réutilisabilité, et comment permettre aux gens ordinaires de profiter aussi des gains d’efficacité apportés par les AI Agent.

La voie représentée par CREAO cherche, dans l’essence, à « réduire le seuil d’apprivoisement » plutôt qu’à « améliorer la capacité généraliste ». Ces deux orientations ne s’opposent pas : elles servent des marchés différents. Pour les développeurs et les utilisateurs professionnels, ils ont effectivement besoin d’Agents généralistes plus puissants, car leurs besoins sont intrinsèquement complexes et changeants. Mais pour les gens ordinaires qui représentent plus de 90 % des utilisateurs, ils ont besoin d’Agents dédiés capables de résoudre de manière stable des problèmes spécifiques, et non d’un assistant polyvalent qui peut tout faire mais qu’il faut rééduquer à chaque fois. CREAO vise précisément ces 90 % de marché.

Je suis particulièrement d’accord avec une idée : la réutilisabilité est le prochain champ de bataille des IA grand public. Les produits d’IA disponibles aujourd’hui—qu’il s’agisse de ChatGPT, Claude ou de divers outils d’Agent—sont essentiellement à usage unique. L’utilisateur pose une question, l’IA donne une réponse, et la valeur de cette conversation s’arrête là. Même si l’IA a fourni une très bonne solution, quand un problème similaire se présente la prochaine fois, l’utilisateur doit encore poser la question, attendre à nouveau, et vérifier à nouveau. Dans ce modèle, la valeur de l’IA croît de manière linéaire : utiliser 10 fois ou 100 fois revient simplement à additionner la valeur obtenue. Mais si la sortie de l’IA peut être réutilisée, par exemple en continu après une seule configuration, la valeur croît de façon exponentielle : configurer une fois, puis l’utiliser cent fois, sans devoir réinvestir à chaque occurrence. Ce que fait CREAO, c’est transformer une consommation à usage unique en un actif réutilisable.

Cela me rappelle une transformation classique dans l’industrie logicielle. Au début du développement de logiciels, chaque fonctionnalité devait être écrite à partir de zéro. Puis l’on a vu des bibliothèques de fonctions, des frameworks, des composants : les développeurs pouvaient réutiliser du code écrit par d’autres, et l’efficacité a augmenté considérablement. Plus tard, avec les plateformes low-code et no-code, même les personnes qui ne savaient pas programmer pouvaient construire des applications. Le parcours d’évolution des AI Agent pourrait être similaire : au départ, chaque conversation doit repartir de zéro ; ensuite apparaissent des Agents qu’on peut sauvegarder et réutiliser ; et finalement, un marché d’Agents pourrait émerger, où chacun partagerait et échangerait les Agents qu’il a apprivoisés. Ce que fait CREAO, c’est précisément le saut clé de la première étape vers la deuxième.

Mon jugement est que les AI Agent vont se diviser en plusieurs formes de produits distinctes, chacune servant différents groupes d’utilisateurs et différents scénarios d’usage. Il y aura des Agents qui poursuivent l’extrême généralité, pour les développeurs et les utilisateurs professionnels ; il y aura des Agents spécialisés dans des domaines verticaux spécifiques, comme le droit, la médecine ou la finance ; et il y aura des plateformes d’Agents orientées automatisation grand public comme CREAO. Ces directions ne sont pas en concurrence directe : elles sont en synergie et se complètent, formant ensemble un écosystème complet d’AI Agent. Et au sein de cet écosystème, la voie grand public choisie par CREAO est probablement celle qui a le plus grand bassin d’utilisateurs et le potentiel business le plus large.

Du « Agent le plus puissant » au « Agent pour le plus grand nombre », ce n’est pas seulement un changement de positionnement produit : c’est aussi une redéfinition de la valeur de l’IA. La valeur de l’IA ne devrait pas se limiter au fait qu’elle puisse accomplir des tâches difficiles : elle devrait aussi se mesurer au nombre de personnes qu’elle aide à améliorer leur efficacité, résoudre leurs problèmes et améliorer leur vie. Des produits comme CREAO me montrent la possibilité réelle que l’IA aille vers le grand public. Quand chacun peut avoir son propre Agent dédié, et que les tâches répétitives, fastidieuses et chronophages du quotidien peuvent être automatisées, alors seulement l’IA accomplit vraiment sa mission : non pas remplacer les humains, mais libérer l’être humain du travail mécanique, pour qu’il fasse des choses plus créatives et plus valorisantes.