Agents IA : après la course à l’autonomie, vient le contrôle de gestion

Les agents IA commencent à générer des volumes de calcul sans commune mesure avec les interactions classiques. Mais compter leurs tokens ne dit ni ce qu’ils coûtent réellement, ni ce qu’ils produisent. À mesure qu’ils entreront dans les processus de l’entreprise, leur performance devra être mesurée comme celle d’un système de travail : coût complet, taux de réussite, reprises, supervision humaine et valeur du résultat obtenu.

La distinction est structurante : le prix du modèle est un tarif ; le coût d’un agent est celui d’un système. Entre les deux se trouvent l’orchestration, les outils, les erreurs et le travail humain. Le pilotage doit donc progresser du prix du modèle vers le coût d’exécution, puis vers le coût du résultat validé et, enfin, vers la valeur de ce résultat pour l’organisation.

Cinq fois plus de tokens ne signifie ni cinq fois plus de coût ni cinq fois plus de travail

Les données OpenRouter reprises le 21 août 2026 par Andreessen Horowitz montrent un changement d’échelle, mais pas une équivalence économique. Sur une moyenne glissante de sept jours arrêtée autour du 10 août, le trafic qualifié d’agentique atteignait environ 7,3 billions de tokens, contre 1,4 billion pour les usages humains, soit un rapport proche de cinq. Depuis le 6 février, le volume agentique serait passé d’environ 0,51 à 7,3 billions de tokens, une progression voisine de 14 fois.

Ce signal doit être lu dans son périmètre. Il agrège les tokens routés par OpenRouter et ne compare pas un humain et un agent accomplissant la même tâche. OpenRouter constitue une fenêtre importante sur l’usage de nombreux modèles, mais pas une représentation exhaustive des déploiements d’IA en entreprise. Cinq fois plus de tokens ne signifie donc ni cinq fois plus de dépenses, ni cinq fois plus de ressources économiques, ni cinq fois plus de travail utile.

La publication d’a16z indique également que plus de 85 % des tokens agentiques observés bénéficiaient du cache. Cette proportion aide à comprendre pourquoi volume et facture ne progressent pas mécaniquement au même rythme. Un contexte déjà traité peut être réutilisé à un tarif et avec une latence souvent inférieurs. Le cache n’est pourtant pas gratuit par principe : ses conditions, sa durée et son prix dépendent du fournisseur et du modèle. Cette donnée décrit la structure du trafic, pas la rentabilité des résultats produits.

Un agent IA est une chaîne d’exécution, pas un simple appel à un modèle

Une tâche agentique combine souvent plusieurs opérations dont l’appel au modèle n’est qu’une composante. L’agent charge des instructions, un historique et une mémoire ; il interroge un ou plusieurs modèles ; il recherche des informations, appelle des outils ou des API, stocke un état, évalue une réponse puis décide éventuellement de relancer une étape. Une même demande peut suivre un chemin court ou déclencher une boucle longue et imprévisible.

Cette chaîne explique pourquoi coût du modèle, coût de l’agent et coût du résultat métier ne sont pas interchangeables. À l’inférence s’ajoutent les services externes, l’infrastructure d’orchestration, le stockage, la durée d’exécution et l’observabilité. Les échecs engendrent des reprises. Les sorties incertaines mobilisent une validation humaine. Une erreur tardivement détectée peut même annuler l’économie obtenue sur des milliers d’appels peu coûteux.

Mesurer uniquement les tokens revient ainsi à observer le carburant consommé sans considérer l’itinéraire, les détours, les réparations et l’arrivée à destination. Le volume reste utile pour repérer une dérive technique, attribuer une dépense ou optimiser un contexte. Il ne suffit pas pour juger la performance économique du système.

Cette évolution prolonge les enjeux abordés dans notre analyse sur le vrai coût caché de l’IA générative : dès qu’un usage devient un processus, il faut mesurer ce que l’automatisation accomplit, et non seulement la facilité apparente avec laquelle elle produit.

Le bon indicateur devient le coût par résultat métier validé

Le coût complet d’une exécution agentique additionne les modèles, les outils et API, l’infrastructure et l’orchestration, les échecs et reprises, puis la supervision et la correction humaines. Cette comptabilité devient réellement utile lorsqu’elle est divisée par le nombre de résultats que le métier accepte effectivement.

Coût par résultat validé = coût complet des exécutions / nombre de résultats réellement acceptés.

Le dénominateur change la qualité du pilotage. Un agent commercial ne crée pas de valeur parce qu’il enrichit mille fiches, mais parce qu’il qualifie correctement des prospects utilisables. Un agent documentaire n’est pas performant au nombre de fichiers générés, mais au nombre de dossiers traités et validés. Pour un service client, l’unité pertinente peut être la demande réellement résolue ; pour la qualité, l’anomalie confirmée ; pour une équipe marketing ou juridique, le livrable accepté sans reprise substantielle.

Le mot « validé » est décisif. Un système qui produit beaucoup de réponses incorrectes ne devient pas rentable parce que chaque tentative coûte peu. Son coût réel inclut les tentatives rejetées et le temps nécessaire pour les identifier. La même logique impose d’associer au coût un niveau de qualité, un délai et une estimation de la valeur créée ou préservée. Un résultat valide obtenu trop tard, ou dont la portée économique est négligeable, ne justifie pas nécessairement l’automatisation.

Le modèle le moins cher peut produire l’agent le plus cher

Le tarif unitaire le plus bas ne garantit pas le coût complet le plus faible. Un modèle plus performant, même plus cher par appel, peut terminer une tâche en moins d’étapes, utiliser moins d’outils, réduire les reprises et réclamer moins de supervision. À l’inverse, un modèle économique peut multiplier les hésitations, les validations et les erreurs jusqu’à produire une chaîne globalement plus coûteuse.

Il ne s’agit pas d’une loi universelle en faveur des grands modèles. Une tâche stable et bien bornée peut être exécutée efficacement par un modèle plus léger. Une architecture en cascade peut réserver les modèles les plus coûteux aux cas difficiles. Le principe économique est simplement que le choix doit être mesuré sur une tâche réelle, avec son taux de réussite et ses coûts périphériques, plutôt que déduit d’un tableau de prix.

Prenons un traitement de dossier. La configuration A coûte deux fois moins par appel mais réussit six dossiers sur dix sans reprise. La configuration B coûte davantage à l’inférence mais en valide neuf sur dix du premier coup. Lorsque le temps de contrôle, les appels supplémentaires et les corrections sont comptabilisés, B peut devenir la solution la moins chère par dossier accepté. Seule l’instrumentation permet de le démontrer.

L’optimisation économique doit porter sur le système agentique complet, pas uniquement sur le tarif du modèle. Cette exigence rejoint la gouvernance opérationnelle : comme nous l’expliquions à propos du risque systémique des agents IA, la traçabilité des actions et la capacité de reprise en main sont aussi des conditions de performance.

Du FinOps de l’IA au contrôle de gestion du travail agentique

Le FinOps appliqué à l’IA existe déjà et structure progressivement la consommation, l’allocation des coûts, les unit economics et le coût par résultat. La FinOps Foundation présente en 2026 les « Token Economics » comme un prolongement de la discipline : les tokens constituent une unité de consommation nécessaire, mais la décision doit remonter vers le coût par cas d’usage et la valeur obtenue. L’enjeu n’est donc pas d’inventer un nouveau vocabulaire, mais d’étendre ces méthodes au travail agentique.

Le premier niveau du tableau de bord décrit la consommation technique : tokens d’entrée et de sortie, cache, modèles appelés, outils et API, infrastructure et durée. Il sert aux équipes techniques et financières à attribuer les dépenses, repérer les boucles et comparer les architectures.

Le deuxième mesure la performance opérationnelle : nombre d’étapes, reprises, erreurs, taux de réussite, autonomie réelle et interventions humaines. Il montre comment les ressources sont transformées en exécution. Deux agents consommant le même budget peuvent présenter des profils radicalement différents si l’un réussit du premier coup et l’autre exige des corrections permanentes.

Le troisième relie le système à la valeur métier : résultat obtenu, qualité, validation, délai, coût complet et valeur créée ou préservée. Cette couche ne peut pas être déterminée par l’infrastructure seule. Le métier doit définir ce qu’est une résolution, un dossier conforme ou une qualification exploitable ; la finance doit traduire ce résultat en unité économique ; les équipes techniques doivent rendre le parcours mesurable.

Ce tableau de bord ne vise pas la minimisation aveugle des tokens. Il aide à distinguer une consommation productive d’une activité qui génère surtout des traces, des reprises et des sorties inutilisables. Après la course aux agents IA viendra vraisemblablement leur contrôle de gestion.

Influence peut devenir un terrain d’expérimentation pour cette mesure

Dans le laboratoire numérique iSDO, Influence offre un terrain pertinent pour expérimenter ce type de mesure. Il ne constitue pas, à ce stade, la preuve d’un dispositif de contrôle de gestion agentique déjà validé. Une instrumentation progressive pourrait cependant associer les données techniques de consommation aux reprises, interventions humaines et résultats métiers afin d’observer le coût réel d’une tâche automatisée.

Une trace exploitable relierait le modèle utilisé, les tokens d’entrée et de sortie, la part bénéficiant du cache, les coûts des modèles et des outils, la durée, le nombre d’appels et les reprises. Elle enregistrerait aussi le succès ou l’échec, l’intervention humaine, le résultat métier attendu et sa validation. Aucune de ces mesures n’a de sens isolément : leur intérêt réside dans la continuité entre la dépense et l’issue de la tâche.

Le laboratoire pourrait alors observer le coût complet par résultat réussi ou validé, le taux de réussite du premier coup, le taux de réussite sans intervention humaine, le coût des échecs, le nombre moyen d’appels et le temps jusqu’au résultat valide. Cette démarche ne présume aucun chiffre. Elle décrit une méthode d’instrumentation permettant de construire des références à partir de l’usage réel.

Chaque agent aura-t-il demain son propre compte d’exploitation ?

Un agent important en production pourrait progressivement être piloté comme une capacité numérique disposant de son propre compte d’exploitation. Ce n’est pas une prédiction certaine, mais une hypothèse cohérente avec l’extension des agents à des processus sensibles et récurrents.

L’organisation pourrait lui attribuer un budget, un coût moyen et des objectifs, puis suivre son taux de réussite, son autonomie et son coût de supervision. Des seuils d’escalade préciseraient quand il doit solliciter un humain. Des règles d’arrêt limiteraient les boucles, les dépenses ou les actions risquées. Un responsable clairement identifié assumerait la qualité du dispositif et déciderait de ses évolutions.

Ce mode de pilotage éviterait deux écueils. Le premier consiste à traiter l’agent comme un simple abonnement logiciel dont le prix résume l’économie. Le second serait de l’assimiler artificiellement à un salarié. Un agent reste un système technique, mais un système qui exécute une part mesurable d’un processus. Sa gouvernance économique porte sur une capacité numérique partiellement autonome, ses limites et les résultats qu’elle permet à l’organisation d’obtenir.

La rentabilité des agents se décidera sur la fiabilité du résultat

Le prochain problème des agents IA ne sera pas seulement de savoir ce qu’ils peuvent faire. Il sera de savoir combien coûte un résultat suffisamment fiable pour que l’entreprise puisse réellement leur confier du travail.

Le prix par token restera une donnée importante pour négocier, comparer et optimiser l’inférence. Il deviendra toutefois un indicateur de niveau inférieur dans une chaîne de décision plus large : prix du modèle, coût de l’exécution, coût du résultat validé, puis valeur de ce résultat pour l’organisation.

Après avoir appris à donner des outils et de l’autonomie aux agents, les entreprises devront probablement apprendre à leur donner des budgets, des seuils de performance et des règles d’arrêt. C’est à cette condition que l’autonomie technique pourra devenir une performance économique gouvernable.