
En bref
|
Point clé : un agent décide de la quantité de travail nécessaire pour une tâche au fur et à mesure qu’il l’effectue ; ainsi, deux tâches qui semblent identiques peuvent coûter des montants très différents.
Hier, un agent IA a examiné une pull request et a dépensé environ cinquante centimes. Aujourd’hui, il en a examiné une qui semblait à peu près identique et a dépensé cinq dollars. Même processus, même dépôt, même modèle.
Si tu demandes à l’ingénieur qui a mis tout ça en place ce qui s’est passé, il se contentera généralement de hausser les épaules. L’agent a fait son boulot les deux fois. C’est juste qu’il en a fait beaucoup plus la deuxième fois.
C’est difficile à budgétiser, car la plupart des dépenses des responsables informatiques sont fixes. Un serveur réservé ou une licence logicielle coûte ce que tu as accepté de payer. Même une infrastructure facturée à l’utilisation suit généralement un trafic que tu peux anticiper. Un tableur et quelques mois d’historique suffisent à prévoir l’essentiel.
Un agent s’adapte au fur et à mesure. Il lit le code, décide ce qu’il doit examiner d’autre, appelle le modèle, vérifie la réponse et, parfois, réessaie. Chacun de ces choix coûte des jetons et du temps, et aucun n’est connu au début de la tâche. Tu ne découvres le coût d’une tâche qu’une fois qu’elle est terminée.
Cette imprévisibilité va de pair avec un poste de dépenses en forte croissance. Gartner prévoit que les dépenses mondiales consacrées aux agents et assistants IA atteindront 29,2 milliards de dollars en 2026, contre 16,5 milliards en 2025.
Point clé : les nouvelles tentatives, l’élargissement du contexte et l’exploration font tous partie du comportement normal d’un agent, et n’importe lequel de ces éléments peut multiplier le coût d’une seule exécution.
La cause la plus simple, c’est la nouvelle tentative. Un agent qui obtient une réponse inutilisable interroge à nouveau le modèle. Une seule nouvelle tentative passe presque inaperçue. Mais une boucle de nouvelles tentatives, où la réponse reste insuffisante et où l’agent continue de poser la question, peut transformer une tâche à cinq centimes en une tâche à quarante dollars avant même que quelqu’un ne s’en rende compte.
Le contexte s’accumule plus discrètement. Chaque étape franchie par un agent s’ajoute à ce qu’il renvoie au modèle : les fichiers qu’il a lus, les résultats qu’il a produits, les erreurs qu’il a rencontrées. Les étapes suivantes reprennent généralement ce qui les a précédées, donc les exécutions longues ont tendance à coûter plus cher à chaque étape au fur et à mesure qu’elles avancent.
Et puis, il y a l’exploration. Lorsqu’on lui demande de corriger un bug, un agent peut ouvrir cinq fichiers pour le comprendre et dix autres pour vérifier que rien d’autre ne dépend de cette modification. C’est souvent exactement ce que tu attends de lui. Ça signifie aussi que deux tickets qui semblent identiques peuvent impliquer des charges de travail très différentes.
Le ticket ne te dira pas quel type d’exécution tu vas avoir. « Corrige le format de la date sur la page de facturation » peut nécessiter trois étapes ou trente.
Point clé : un montant total examiné a posteriori t’indique combien tu as dépensé, mais ne te permet pas de comprendre pourquoi.
Les dépenses liées à l’IA apparaissent généralement sous forme de montant total fourni par le fournisseur du modèle, consulté a posteriori, sans aucun lien avec le processus qui a généré ces coûts. Au moment où quelqu’un l’examine, les exécutions à l’origine de ce montant sont terminées depuis des jours, voire des semaines.
À ce stade, l’équipe d’ingénierie a peu de chances de pouvoir l’expliquer. Personne ne se souvient quelle exécution s’est mise en boucle, quel processus a vu son contexte exploser, ni quel dépôt a envoyé des agents lire la moitié de la base de code. Sans ce lien, il n’y a rien d’évident à corriger.
Le service financier se retrouve avec un chiffre qui a bondi le mois dernier pour des raisons que personne ne peut expliquer, et on lui demande d’en approuver davantage pour le trimestre prochain. Sans ventilation par équipe ou par processus, les dépenses liées à l’IA deviennent un poste budgétaire que le service financier doit accepter sur la foi, et les équipes financières n’aiment pas faire ça très longtemps. Dans le rapport Flexera 2026 sur l’état de l’ITAM, 59 % des entreprises ont déclaré que le gaspillage lié aux dépenses d’IA avait augmenté au cours de l’année écoulée.
Point clé : chaque exécution variera toujours, donc la prévisibilité passe par le suivi du coût de chaque exécution au fur et à mesure et par la définition du budget avant que les dépenses ne commencent.
Ce que tu peux changer, c’est le délai avec lequel tu t’en rends compte, et qui fixe le plafond. Les acheteurs le réclament déjà : dans ses dernières prévisions sur les dépenses en IA, Gartner indique que les entreprises veulent que leurs fournisseurs les aident à gérer les coûts et à intégrer un suivi de l’utilisation dans leurs processus.
Chaque jeton et chaque minute d’agent doivent être associés à l’exécution et au processus qui les ont consommés, pour que, lorsqu’un chiffre semble anormal, quelqu’un puisse ouvrir l’exécution et voir ce que l’agent a fait. Le coût doit être visible pendant que l’exécution est encore en cours, pour qu’une exécution coûteuse soit repérée le jour même, tant que les personnes concernées se souviennent encore du contexte. Et le budget fonctionne mieux sous forme de fonds que tu mets de côté à l’avance et que tu utilises au fur et à mesure, ce qui donne au service financier un montant à approuver avant le début du mois.
C’est ainsi que le coût fonctionne dans Upsun Dispatch™. Chaque exécution enregistre le temps d’agent qu’elle a utilisé et une estimation de son coût en jetons ; ainsi, les dépenses sont directement associées au processus qui les a générées au fur et à mesure que le travail avance. Le temps d’agent est prélevé sur le crédit que tu recharges à l’avance, et tu reçois une notification avant que le solde ne soit trop bas. Les jetons de modèle sont facturés directement par ton fournisseur d’IA, sans aucune majoration de la part d’Upsun. Le service financier peut consulter les dépenses ventilées par processus et par modèle, et l’équipe d’ingénierie peut examiner chaque exécution individuellement pour expliquer une valeur aberrante.
Prêt à chiffrer tes dépenses en IA de manière à ce que le service financier puisse les justifier ? Lis le guide sur le coût par processus
Pourquoi une même tâche d’agent IA coûte-t-elle des montants différents selon les jours ?
Les agents IA décident eux-mêmes de la charge de travail à effectuer pendant leur exécution. Les tentatives de réexécution, l’enrichissement du contexte et le nombre de fichiers qu’un agent choisit de lire varient d’une exécution à l’autre, même lorsque deux tâches semblent identiques. Le coût dépend de la charge de travail effectuée par l’agent, il varie donc lui aussi.
Qu’est-ce que l’attribution des coûts par processus ?
Chaque unité de dépense IA, qu’il s’agisse de jetons ou de temps d’agent, est enregistrée en fonction du processus et de l’exécution spécifiques qui l’ont utilisée. Au lieu d’un simple total mensuel, tu peux voir quels processus, équipes et exécutions ont généré tes coûts.
Peux-tu limiter les dépenses liées aux agents IA ?
En partie. Dans Upsun Dispatch, le temps d’agent est payé à partir d’un crédit que tu alimentes à l’avance. Lorsque le solde est épuisé, aucune nouvelle exécution ne démarre tant que tu n’as pas rechargé ton compte, ce qui signifie également qu’aucune nouvelle dépense en jetons n’est engagée. Les exécutions déjà en cours sont autorisées à se terminer ; le solde peut donc descendre légèrement en dessous de zéro, et la prochaine recharge le rééquilibre. Les jetons de modèle sont facturés par ton fournisseur d’IA ; ton solde de crédit ne limite donc pas directement les dépenses en jetons. Tu reçois également une notification avant que ton solde ne soit trop bas.
Comment budgétiser les dépenses liées aux agents IA si les coûts varient d’une exécution à l’autre ?
Fixe le budget au niveau global et suis les dépenses au niveau de chaque exécution. Financer les dépenses d’IA à l’avance permet de fixer le plafond pour la période. L’attribution en temps réel par équipe et par processus montre où va ce budget, ce qui permet d’examiner les valeurs aberrantes tant qu’elles sont encore récentes.