Agents, trop chers ! 

L’IA coûte cher. Très cher. L’unité de référence des projets en cours ? Le milliard. Face à cette envolée – cette bulle pour certains – des montants et donc des coûts parfois cachés de l’IA, la valeur d’usage des agents interroge.

Certes, même si nous sommes encore loin du tout processus géré par l’IA agentique, les agents interviennent désormais sur un spectre de plus en plus large de la chaine de valeur, surtout dans les grandes entreprises et plus particulièrement les plus innovantes d’entre elles. En dialoguant avec plusieurs systèmes, en traitant des volumes importants d’informations, les premiers cas d’usages se concentrent sur des flux clairement identifiés connus comme le processus de la commande à l’encaissement, l’approvisionnement, la logistique, la facturation, la comptabilité et le paiement. Mais quel est le rapport coût/efficacité réel de ces agents ? Difficile à dire contrairement aux précédentes innovations technologiques (Cloud, SaaS…). Or, quand les coûts s’enflamment, c’est toute une stratégie d’innovation qui est fragilisée. Les entreprises doivent donc en avoir le cœur net avant d’investir massivement dans l’IA.

Qui veut son agent ?

Métiers, fonctions support, profils juniors, experts, dirigeants… tous les profils pourront à terme construire et/ou posséder son propre agent. Même si tous n’auront pas le même niveau d’expérience, la même facilité à formuler des requêtes, la même compréhension des avantages et des limites de cet outil.

Très bien ! Mais la situation peut se compliquer si un cas d’usage performant auprès de quelques dizaines d’utilisateurs expérimentés est déployé auprès de plusieurs milliers de collaborateurs, dans plusieurs pays, avec des niveaux de maturité très variables. L’équilibre est rompu ! L’investissement devient trop risqué, la consommation de tokens (l’unité de base utilisée pour charger les requêtes par les modèles de langage), le besoin en capacité de calcul et le coût réel du cas d’usage pouvant potentiellement s’envoler, au risque de freiner l’innovation et de peser sur l’équilibre économique de l’entreprise.

Pour résumer, si la consommation de tokens devient trop élevée, un cas d’usage efficace sur le plan technique peut devenir un gouffre économique.

Pour une innovation rentable 

Comment permettre à ces agents d’être à la fois efficaces et rentables ? L’option la plus raisonnable consisterait à concevoir ces agents en intégrant par design la dimension d’exploitation des coûts des tokens. Concrètement, il s’agit de connaitre avec précision le nombre d’étapes réalisées, les contextes mobilisés, les outils interrogés...

Piloter le véritable coût IT est également recommandé, les agents IA ayant besoin de puissance de calcul, fournie par le cloud ou par des capacités internes, notamment des GPU. Si une entreprise investit massivement dans des capacités de calcul pour les trois prochaines années, comment répartir ce coût entre les cas d’usage déjà connus, ceux qui sont encore en test, et ceux qui n’existent pas encore ? La même question se pose pour les systèmes historiques dont le coût des mises à jour est conséquent et peu quantifiable.

Pourquoi ? Parce que le coût d’une mise à niveau de SAP, d’un outil finance ou d’un logiciel RH, parfois indispensable pour un cas d’usage, n’est pas toujours imputé au projet IA, bien qu’il conditionne sa faisabilité et sa rentabilité.

Les RH sont également concernées. Dans les grandes organisations, tout particulièrement, les budgets de formation sont souvent pensés de manière globale. Résultat, si plusieurs milliers de collaborateurs doivent être formés à l’usage d’un assistant ou d’un agent, une partie significative du budget RH peut être absorbée par l’adoption de l’IA, sans lien direct avec un cas d’usage précis. C’est la raison pour laquelle ces budgets devraient être pilotés plus précisément. Combien coûte réellement la formation liée à un agent donné ? Combien de temps faut-il consacrer à l’appropriation ? Quelle part du budget annuel de change doit être imputée à chaque projet ? Répondre à toutes ces questions est une évidence.

La chose s’avère d’autant plus complexe que le temps s’accélère. Auparavant, les projets de transformation numériques s’étalaient sur des années. Désormais, les délais imposés par l’adoption de l’IA sont si serrés que certains secteurs doivent se transformer en quelques mois. La concurrence n’attend pas !

Cherche directeur de l’économie agentique désespérément

Au regard de ces éléments, se lancer dans une course tous azimuts aux agents semble risqué. En revanche, arbitrer entre les cas d’usage à poursuivre, c’est-à-dire arrêter ceux qui s’avèrent trop peu rentables, maintenir ceux qui sont temporairement à perte mais qui permettent d’acquérir de l’expertise et industrialiser ceux qui génèrent une valeur mesurable est une stratégie cohérente. Mais ce rôle d’arbitre ne pourra pas être assumé par la seule DSI. La direction financière, les métiers, les ressources humaines, les fonctions risque et conformité doivent être associés, avec pour chef d’orchestre une nouvelle fonction dédiée à l’économie de l’IA, capable de suivre la valeur, les coûts et les risques dans une logique transverse.