Google prépare un ordinateur par agent IA : la question des permissions devient centrale

Un agent IA peut lire des fichiers, lancer du code ou manipuler un navigateur. Son utilité dépend donc autant de son environnement de travail que du modèle qui lui répond. L’annonce d’Agent Compute Engine par Google Cloud remet cette distinction au premier plan : quel ordinateur confie-t-on à un agent, avec quels accès et quelles traces de ses actions ?

Ce que Google a annoncé

Le 22 octobre 2026, lors d’AGNTCon + MCPCon, Google Cloud a présenté Agent Compute Engine. Le service repose sur des microVM, de petites machines virtuelles séparées par une frontière de virtualisation matérielle. Selon Google, cette infrastructure sert déjà les agents Gemini ; sa préversion pour les clients est annoncée dans les mois à venir. Il faut donc distinguer l’utilisation interne décrite de l’ouverture commerciale à venir.

Google met notamment en avant un environnement persistant, une identité propre à chaque agent et des accès de courte durée. L’objectif annoncé est d’accompagner des tâches qui alternent calcul, attente et nouvelles actions. Nous n’avons pas testé le service et ne tirons aucune conclusion indépendante sur ses performances.

Le modèle réfléchit, l’environnement agit

Dans sa présentation technique, Google distingue le harnais, qui organise les appels au modèle et les étapes du travail, du bac à sable, qui exécute les commandes et les interactions. Le bac à sable est un environnement dont les accès sont délimités. Cette séparation aide à comprendre pourquoi améliorer le modèle ne résout pas à lui seul les questions d’exécution.

Le dispositif décrit prévoit de suspendre un environnement inactif et de le restaurer sans abandonner son état. Les identifiants de services sont injectés au niveau des communications sortantes plutôt que conservés dans l’environnement de l’agent. Ces choix cherchent à encadrer ce que le programme peut atteindre et ce qu’il peut garder. Leur portée doit être appréciée à partir des modalités réelles du service, pas du seul mot « isolation ».

Un exemple pour une petite entreprise

Imaginons un agent chargé de préparer une réponse à un appel d’offres. Il peut avoir besoin de lire un dossier de références et de produire un document. Cela ne lui donne pas nécessairement besoin d’envoyer des emails, de consulter la comptabilité ou de publier sur le site de l’entreprise.

Notre recommandation est de décrire ces besoins séparément. Commencez par un accès en lecture au dossier utile et un emplacement réservé aux résultats. Définissez ensuite les actions qui exigent une validation : envoyer le document, modifier une source ou communiquer avec un client. Cet exemple est une méthode d’organisation proposée par la rédaction, pas une fonction particulière annoncée par Google.

Local ou cloud : deux questions à distinguer

Le lieu du calcul répond à une question : où le modèle traite-t-il la demande ? Les permissions répondent à une autre : que peut faire le logiciel qui l’entoure ? Un LLM local sur Mac peut préserver un traitement sur l’ordinateur tout en travaillant avec des outils connectés. Inversement, un environnement cloud isolé reste un environnement distant.

POP Switcher permet de travailler avec des modèles locaux et propose aussi des fonctions connectées, notamment la recherche Web ou un fournisseur distant choisi. Utiliser le moteur local ne transforme pas ces services en fonctions hors ligne. Pour une tâche confidentielle, examinez donc le parcours complet : fichiers fournis, modèle sélectionné, outils utilisés et destination du résultat.

Les bonnes questions avant de déléguer

Avant d’activer une automatisation, posez trois limites simples :

• Quels fichiers l’agent peut-il consulter et modifier ?
• Quels services peut-il contacter, et pour quelle étape ?
• Quelle preuve permet de déclarer le travail terminé ?

La troisième évite de confondre une intention avec un résultat : avoir demandé un export ne prouve pas que le fichier est lisible. Notre présentation des agents IA explique ce passage de la réponse à l’action.

La leçon pratique de cette annonce : choisissez un agent pour une mission définie, puis ajustez son espace de travail à cette mission. L’autonomie devient plus utile lorsque les accès, les validations et le résultat attendu sont compréhensibles.