Agents IA : le prix au token masque le vrai coût du travail

Les grilles des éditeurs montrent déjà la diversité des composantes de coût. Au 10 octobre 2026, la tarification Enterprise d’OpenAI distingue les jetons d’entrée, les entrées mises en cache et les sorties. Elle ajoute aussi des multiplicateurs pour le contexte long et pour les modes accélérés. Deux agents utilisant le même modèle peuvent donc présenter des coûts très différents selon la taille de leur contexte, le nombre d’étapes, le recours au cache et le niveau de vitesse demandé.

Cette complexité ne relève pas d’un détail technique. Elle transforme la manière d’arbitrer. Acheter le modèle au jeton le moins cher peut produire une fausse économie si l’agent multiplie les tentatives, génère des sorties inutiles ou transfère trop de cas à un humain. À l’inverse, un modèle plus coûteux peut être préférable s’il termine davantage de dossiers correctement dès le premier passage.

La bonne unité de pilotage n’est donc pas le million de jetons. C’est le coût d’un résultat métier accepté.

L’Anthropic Economic Index publié en juin 2026 observe que les usages deviennent plus longs et plus agentiques. Pour la production d’un article, la médiane relevée était de treize allers-retours dans les conversations Chat et Cowork, contre une seule instruction humaine dans Claude Code. L’étude souligne surtout une corrélation positive entre autonomie déléguée et consommation de jetons : les productions qui laissent le plus de latitude au système sont aussi celles qui mobilisent le plus de calcul.

Ce constat déplace le débat. L’autonomie n’est pas seulement une question de confiance ou de sécurité ; elle devient une variable économique. Chaque boucle de réflexion, appel d’outil, récupération de contexte et tentative de correction consomme des ressources. Un agent peut réduire fortement le temps humain tout en augmentant le coût informatique. Cela peut rester une excellente décision, mais seulement si les deux dimensions sont suivies ensemble.

Le produit compte également autant que le modèle. Anthropic constate que l’écart d’autonomie demeure lorsque l’on compare des sessions servies par le même modèle. L’interface, les outils disponibles et la manière dont le processus est découpé influencent donc directement le coût final.

Imaginons une entreprise B2B qui déploie un agent pour préparer les renouvellements de contrats. Le pilote est convaincant : l’agent rassemble l’historique client, repère les écarts de consommation, prépare une proposition et rédige le message commercial.

Sur quelques dizaines de dossiers, l’équipe voit surtout le temps gagné. À l’échelle, quatre coûts apparaissent : les lectures répétées du CRM, les appels à plusieurs modèles, les reprises après données incomplètes et le contrôle humain des cas sensibles. La facture technique progresse, mais le vrai problème est ailleurs : personne ne sait combien coûte un renouvellement effectivement prêt à envoyer.

Comparer uniquement le prix des modèles conduirait à choisir une IA moins chère. La décision utile consiste plutôt à comparer trois architectures : un modèle puissant utilisé partout ; un modèle économique pour les étapes simples avec escalade vers un modèle supérieur ; ou un workflow plus déterministe dans lequel l’IA intervient seulement sur les moments nécessitant interprétation et rédaction.

Le meilleur choix n’est pas universel. Il dépend du taux de dossiers terminés, du niveau d’erreur acceptable, du temps de contrôle conservé et de la valeur d’un renouvellement réussi.

Le premier indicateur est le coût par processus terminé. Il additionne les modèles, les outils, le stockage, les recherches, les appels externes et l’infrastructure nécessaires pour obtenir un résultat utilisable. Un dossier abandonné ou renvoyé intégralement à un humain ne doit pas être compté comme un succès bon marché.

Le deuxième est le taux de réussite au premier passage. Il mesure la part des dossiers terminés sans nouvelle exécution ni correction substantielle. Une baisse de ce taux peut annuler l’avantage d’un modèle moins cher.

Le troisième est le temps humain par exception. L’agent n’a de valeur économique que s’il réduit l’effort total. Dix minutes de calcul économisées ne compensent pas nécessairement vingt minutes de diagnostic humain sur une trace illisible.

Ces trois indicateurs doivent être lus ensemble avec la latence et le niveau de risque. Ils permettent de distinguer un agent techniquement impressionnant d’un système économiquement performant.

Les plateformes convergent déjà vers cette logique. Google recommande de collecter journaux, métriques et traces pour suivre les erreurs, la latence, l’usage des jetons, les appels de modèles et les chemins d’exécution. En août 2026, Google Cloud a ajouté des plafonds mensuels, des estimations de coût d’exécution et des alertes sur les hausses de budget pour les workloads agentiques.

Microsoft fait le même constat : les abonnements par utilisateur restent adaptés aux usages réguliers et prévisibles, tandis que les agents longs et multitâches basculent vers une tarification à l’usage. Son approche Agent 365 associe désormais le suivi des dépenses à la gouvernance et à la sécurité.

Le sujet ne peut donc plus rester uniquement entre les mains des équipes techniques. La finance doit définir l’unité économique. Les métiers doivent qualifier le résultat attendu. L’IT doit instrumenter les étapes. La direction doit fixer le niveau de service et le risque acceptable.

La question n’est plus de savoir quel modèle affiche le meilleur tarif. Elle est de choisir combien l’entreprise accepte de payer pour qu’un processus soit exécuté correctement, dans un délai défini et avec un niveau de contrôle adapté.

Les coûts unitaires de l’IA continueront probablement de baisser. Mais des agents plus autonomes absorberont des tâches plus longues, utiliseront davantage d’outils et déplaceront la dépense des licences fixes vers la consommation variable. L’entreprise qui attend la facture pour comprendre cette économie pilotera trop tard.

L’avantage reviendra aux dirigeants capables de relier trois disciplines : la conception du processus, l’architecture technique et l’unité économique. C’est à cette condition que l’agent IA cesse d’être une démonstration prometteuse pour devenir un actif productif.