Ingénierie de la maîtrise : pourquoi les coûts des agents IA augmentent de façon exponentielle

Pendant deux ans, les gros titres ont tous dit la même chose : les ingénieurs coûtent cher, les agents d’IA coûtent peu, et un travailleur numérique qui ne dort jamais ni ne se plaint pour une fraction du salaire rendrait leur remplacement inévitable. Récemment, lors des réunions de planification de certaines entreprises très innovantes dans le domaine technologique, les tableurs ont commencé à contredire ce récit.

Deux entreprises, deux appels à la prudence

Microsoft a mis Claude Code à disposition de ses équipes d’ingénierie internes à la fin de 2025. Il a été intégré profondément aux workflows quotidiens et les développeurs l’ont apprécié. À mi-2026, l’entreprise a commencé à retirer ces licences et à orienter les employés vers des solutions internes moins chères comme GitHub Copilot CLI.

Le cas d’Uber était encore plus marqué. En avril 2026, son CTO a admis que tout le budget alloué en 2026 aux outils de codage basés sur l’IA avait été épuisé en seulement quatre mois. L’adoption avait atteint 84 % des ingénieurs, l’utilisation s’était transformée en une sorte de compétition entre les équipes de l’entreprise, et un responsable technique avait dépensé 1 200 dollars en tokens lors d’une seule démonstration de deux heures.

L’IA n’a jamais cessé de fonctionner. Elle est simplement devenue excessivement chère à maintenir. Pour quiconque développe des systèmes autonomes, cette situation correspond à un plafond facile à atteindre : la facture de calcul d’un travailleur numérique autonome peut dépasser le salaire de la personne qu’il est censé remplacer.

La solution réside dans une discipline qui deviendra bientôt obligatoire, appelée ingénierie de contention.

Pourquoi les agents coûtent-ils beaucoup plus cher que les chatbots

Un prompt pour chat et un agent autonome sont deux choses distinctes. Lorsque l’on pose une question à un modèle de langage standard, le processus s’effectue en une seule étape : on pose la question, il répond, et l’opération est terminée.

Un agent, quant à lui, s’attaque à un objectif ouvert. Lorsqu’on lui demande de corriger une erreur, il lit des fichiers, élabore un plan, rédige des modifications, exécute des tests et évalue ses propres résultats. En cas d’échec, le cycle recommence : il réfléchit à nouveau, réécrit son travail et teste à nouveau. Chaque étape est facturée.

Le travail réel sur le logiciel fait de cela une exposition financière sérieuse. SWE-bench est un test standard de l’industrie composé d’erreurs présentes dans du code en production réel, et les meilleurs agents actuels ne parviennent à résoudre que moins de la moitié de ses tâches. Ainsi, pour plus de la moitié des erreurs, l’agent tente sa chance, échoue, réessaie, échoue à nouveau et finit par abandonner.

Imaginez un plombier qui facture le tarif horaire plein chaque fois qu’il laisse tomber sa clé à molette, qui facture pour chaque déplacement jusqu’à son camion et qui part avec le tuyau qui fuit toujours. À l’échelle d’une entreprise, une tâche d’agent échouée, c’est ce plombier : il est payé intégralement malgré l’échec.

La consommation de tokens ne double pas simplement face à une fenêtre de chat. En moyenne, un agent en utilise de 5 à 30 fois plus, et un agent qui échappe au contrôle dans un scénario de débogage difficile peut faire grimper la consommation à plus de 1 000 fois le coût d’une demande ordinaire.

Deux courbes de coûts qui divergent

L’économie humaine et l’économie de l’IA suivent des courbes différentes. À mesure qu’un développeur junior s’améliore, sa productivité augmente tandis que son salaire reste globalement stable pendant cette période. Il devient simplement plus rapide et plus efficace.

Un agent confronté à un problème difficile a besoin de bien plus d’étapes de raisonnement, de tentatives répétées et d’utilisation de la fenêtre de contexte, ce qui fait exploser la facture liée aux tokens. Plus le problème est difficile, plus le coût est élevé.

Les améliorations matérielles ne suffisent pas à résoudre la situation, car la demande en logiciels dépasse les économies réalisées. Les puces Maia 200 de Microsoft, actuellement utilisées dans ses data centers, offrent clairement plus de tokens par dollar que les matériaux plus anciens. Cependant, les charges de travail des agents qui s’y ajoutent absorbent d’un coup toutes ces économies. Des tokens moins chers signifient simplement que les agents en demandent de manière exponentielle davantage.

Ainsi, l’idée de lancer un agent sur l’ensemble d’un codebase d’entreprise et de le laisser agir seul est abandonnée, car les calculs ne tiennent pas. Les agents ne sont pas inutiles pour autant ; l’architecture qui les entoure doit changer, et rapidement.

Ingénierie de confinement

Pour quiconque développe des applications d’IA, l’ingénierie des prompts n’est plus la seule tâche à accomplir. La véritable mission est désormais l’ingénierie de confinement : établir des limites strictes, des contrôles sur l’état des modèles ainsi que des mécanismes de sécurité financière, afin que la machine prouve sa valeur avant de générer des frais importants.

La préoccupation est concrète. Imaginez un système de gestion des stocks basé sur Next.js 16, TypeScript et Azure OpenAI : la latence et les hallucinations y sont presque insignifiantes par rapport à la peur qu’un agent autonome ne se retrouve piégé dans une boucle de raisonnement, épuisant ainsi les crédits cloud en une nuit. Une inquiétude similaire existe pour une tâche de traitement génomique sur la plateforme Modal, qui analyse des milliers de séquences de référence ClinVar et atteint une limite d’exécution stricte après exactement deux heures. C’était un calcul classique facturé par seconde. Un agent récursif facturé par token dans la même situation aurait engendré des coûts exorbitants.

Quatre pratiques rendent le confinement pratique.

1. Diriger les requêtes en fonction de la difficulté

La erreur la plus fréquente consiste à diriger chaque appel API vers un modèle phare comme GPT-5 ou Claude 4.5 Opus. C’est une approche par la force brute qui épuise rapidement les ressources. En revanche, une couche de routage devrait se trouver en tête de la pile. Un routeur est un modèle léger et extrêmement peu coûteux qui examine chaque tâche entrante et détermine quel LLM est réellement qualifié pour la gérer.

[ Incoming User Request ]
           |
      [ Router ]
      /        \
[ Simple ]  [ Complex ]
      |          |
[ Llama 3 ] [ Flagship LLM ]

Une extraction de données simple ou un formatage de base peut être effectuée avec un modèle open source de 8 milliards de paramètres ou un mini-modèle optimisé. Les tâches nécessitant une logique avancée exigent l’utilisation du modèle haut de gamme et coûteux. Ce seul changement peut réduire les dépenses liées à l’API de jusqu’à 80 % sans nuire à la qualité de l’application.

2. Ne permettez jamais un cycle de tentatives illimité

Un agent autorisé à écrire du code, à le tester et à réessayer en cas d’échec doit disposer d’une limite de tentatives prédéfinie. Cependant, un simple entier ne suffit pas, car le contexte s’enrichit à chaque tentative. La troisième tentative coûte nettement plus cher que la première, car le prompt contient désormais les informations des deux échecs précédents.

Instaurez un seuil de budget. Avant que l’agent ne commence l’étape récursive suivante, une fonction de middleware estime le coût en tokens de la requête en cours. Si la somme totale de la session dépasse une limite stricte et prédéfinie, le processus est immédiatement arrêté et signalé à un développeur humain pour examen.

3. Élaguer le contexte

Après une tentative infructueuse, un agent ajoute généralement le journal d’erreurs brut à sa requête précédente avant de réessayer. C’est là que provient la courbe de coût exponentielle. L’élagage du contexte y remédie. Plutôt que de transmettre toute l’histoire détaillée de l’échec au modèle principal, le modèle routage moins coûteux condense l’état d’échec.

On alimente le modèle peu coûteux avec ce volumineux journal d’erreurs en lui donnant une instruction du type "Extraitez la raison technique exacte de cet échec en deux phrases courtes." Seules ces deux phrases sont renvoyées à l’agent principal pour sa prochaine tentative. La fenêtre de contexte est élaguée délibérément, de sorte que le nombre de tokens augmente de manière linéaire et non exponentielle.

4. Conserver un humain en tant que mécanisme d’arrêt d’urgence

Pendant longtemps, la présence d’un humain dans le processus a été considérée comme une mesure de sécurité temporaire. Aujourd’hui, c’est une exigence financière stricte. Le rôle d’un développeur consiste désormais à surveiller l’agent et à intervenir dès qu’il entre dans un état de défaillance coûteux : vérifier les résultats, confirmer la direction technique et arrêter un processus hors contrôle avant qu’il ne ruine le budget du sprint.

Que signifie ce changement

Duolingo a récemment assoupli sa position publique concernant le remplacement des travailleurs par l’IA. Tout comme Microsoft et Uber, l’entreprise a dû faire face à un fait évident : les humains sont les moteurs de réflexion les moins chers qui existent. L’esprit flexible d’un développeur fonctionne avec un sandwich et une bonne nuit de sommeil, et il ne facture jamais l’entreprise mille fois de plus simplement pour s’arrêter et réfléchir.

La bulle des agents infinis et bon marché a éclaté à cause d’un simple tableau de bord. Cela rassure les développeurs qui entrent dans le secteur, car les postes restent stables malgré les changements dans les responsabilités quotidiennes. Le travail évolue de l’écriture manuelle de chaque ligne vers la conception et la gestion des systèmes qui les génèrent.

Le conseil pratique est bref : intégrez des routeurs stricts dans les architectures d’IA, appliquez des mesures de confinement rigoureuses aux agents et traitez le budget de tokens avec le même respect que la mémoire vive. L’avenir de l’ingénierie logicielle appartient à ceux qui savent contrôler la machine, maîtriser ses coûts et l’arrêter lorsqu’elle cesse de fonctionner correctement.