Que s'est-il passé
Cohere Labs a publié l'Agentic Task Ecosystem, un ensemble de données construit à partir de 696 291 outils répertoriés sur 123 069 serveurs publics Model Context Protocol. L’analyse qui l’accompagne examine les tâches professionnelles que les développeurs doivent accomplir pour les agents d’IA et constate que les outils agentiques sont concentrés, inégalement répartis et ne font pas encore preuve d’une adoption généralisée.
Cohere Labs affirme avoir collecté 696 291 outils à partir de 123 069 listes de serveurs MCP publics répartis dans sept répertoires en mai 2026 et des serveurs dédupliqués répertoriés à plusieurs endroits. La société décrit l'écosystème de tâches agentiques qui en résulte comme le plus grand ensemble de données ouvertes de ce type, mais la source ne fournit pas d'emplacement de téléchargement, de licence ou de conditions d'accès. Le prix n’est pas documenté.
En utilisant un modèle de langage pour faire correspondre les outils avec les énoncés de tâches O*NET, les chercheurs ont appliqué un test strict : un outil devait exécuter une tâche professionnelle reconnue de bout en bout, plutôt que de fournir des informations ou d'effectuer une seule étape qu'une personne coordonne encore. Dans le cadre de ce test, 2,6 % des outils étaient qualifiés. Cohere rapporte que 419 des 923 professions n'avaient aucune activité d'outil agent représentée.
L'analyse regroupe les outils les plus inégalés en petits morceaux de travail existant, en combinaisons de plusieurs tâches enregistrées ou en infrastructure nécessaire au fonctionnement des agents. Cohere identifie 35 catégories (environ 3 % des catégories examinées) comme étant des travaux apparemment nouveaux sans contrepartie professionnelle plausible, impliquant principalement la gestion des agents, comme la sélection de voix synthétiques, le changement de personnage d'IA et l'évaluation de la fiabilité d'un agent.
Cohere rapporte que les outils réalisés sont en corrélation avec l'exposition théorique à l'IA dans 178 professions, mais l'exposition ne permet pas de prédire si les outils atteignent des tâches de routine ou un travail spécialisé. La source affirme que les outils s'étendent aux travaux spécialisés dans les soins de santé et l'informatique, tandis qu'ils se regroupent vers les domaines de routine dans les professions juridiques, de production et de vente. Ce sont des résultats rapportés par les auteurs ; la source n’établit pas d’effets économiques en aval.
Détails de la source: cohere.com ↗
Pourquoi c'est important
La recherche offre une première vision de l’automatisation de l’IA du côté de l’offre : ce que les développeurs ont préparé pour les agents, plutôt que ce que les entreprises ont déployé ou que les travailleurs utilisent actuellement. L’analyse de Cohere suggère que les mesures globales d’exposition ne révèlent pas quelles parties des emplois sont affectées. Cette distinction pourrait avoir une incidence sur les salaires, l’embauche, la formation et la manière dont les travailleurs acquièrent une expertise, en particulier lorsque l’IA atteint un travail spécialisé basé sur des logiciels.
L’ensemble de données mesure l’offre, et non l’adoption, la fiabilité ou l’impact économique. Un outil public montre qu'un développeur a considéré une tâche suffisamment concrète pour la proposer à un agent, mais il ne montre pas qu'une entreprise utilise l'outil, qu'il fonctionne de manière fiable en production ou que des travailleurs ont été déplacés.
La source affirme que l’emplacement de l’automatisation au sein d’un emploi peut avoir plus de conséquences que la part totale du travail exposé. La suppression du travail de routine pourrait confier aux employés des responsabilités plus spécialisées, tandis que l'automatisation du travail spécialisé pourrait réduire l'expertise requise pour le travail restant. L’une ou l’autre tendance pourrait affecter différemment les salaires et l’emploi.
Cohere rapporte également que les jugements d’experts sur la faisabilité technique permettaient de prédire quelles professions recevraient des outils, alors que les préférences déclarées des travailleurs quant à ce qu’ils souhaitaient automatiser ne le faisaient pas. Cette découverte soulève une question pratique de gouvernance : le développement de l’IA suivra-t-il ce que les travailleurs et les communautés concernées apprécient, ou s’il suivra principalement ce que les développeurs jugent techniquement réalisable.
La recherche présente une limitation de visibilité importante. Il couvre les répertoires publics et omet les serveurs MCP internes sur mesure, qui, selon Cohere, pourraient être concentrés dans les processus de back-office. La part déclarée de 2,6 % est donc présentée par les auteurs comme un plancher et non comme une mesure complète de l’automatisation.
Mécanisme interactif : comment cela fonctionne réellement
Explorez de manière interactive la technologie sous-jacente à ce développement.
crm_get_transaction(id='4092').An agent must create a draft calendar event for Tuesday at 2 p.m. Which evidence would establish the requested result?
Que regarder ensuite
Les chercheurs, les employeurs et les décideurs politiques devront comparer l’ensemble de données avec les déploiements d’entreprises privées, l’utilisation réelle, les données sur l’emploi et les salaires. La question non résolue la plus importante est de savoir si les outils qui suppriment les tâches routinières de débutant réduisent également les possibilités pour les travailleurs de développer une expertise.
L’utilité de l’ensemble de données dépendra de la possibilité pour d’autres chercheurs d’y accéder et de l’inspecter, de reproduire les classifications et de tester la rapidité avec laquelle le paysage des outils publics évolue. La source ne mentionne pas la licence de la version, la documentation au-delà de l’article ou le calendrier de maintenance.
Les futures preuves devraient relier les outils publics aux déploiements privés, à l’utilisation par les travailleurs et aux résultats mesurables sur le marché du travail. Sans ces liens, les résultats de l’ATE ne peuvent pas montrer si une profession est économiquement menacée ou si un outil améliore la productivité.
La source souligne un risque particulier concernant le travail de débutant : si les tâches de routine sont automatisées, les travailleurs peuvent avoir moins de possibilités d'apprendre grâce à ces tâches avant d'assumer des responsabilités spécialisées. La question de savoir si les organisations repensent la formation et les parcours de carrière reste ouverte.
L'analyse mérite également un examen minutieux, car les correspondances professionnelles et les regroupements de catégories reposent en partie sur des jugements fondés sur des modèles linguistiques. Cohere rapporte une vérification humaine aveugle de 120 catégories qui allaient dans la même direction, mais la source ne fournit pas ici suffisamment de détails pour évaluer le processus de validation complet ou le taux d'erreur.