Des modèles optimisés financièrement pour l'agentique

Rakesh Gohel met le doigt, dans son dernier AI Agent Report, sur un basculement que nous observons également : la compétition entre vendeurs d'intelligence artificielle ne se joue plus principalement sur la capacité brute des modèles, mais sur deux variables plus discrètes et plus déterminantes pour les entreprises utilisatrices, le coût d'exploitation des agents et le degré de contrôle qu'ils offrent sur leur comportement. L'arrivée de modèles comme Claude Haiku 5.5, pensés dès l'origine pour un déploiement agentique économe et maîtrisé plutôt que pour battre un record de benchmark, illustre bien ce changement d'axe.

Pendant longtemps, le discours dominant autour de l'IA générative s'est organisé autour d'une seule question : quel modèle est le plus capable. Les classements de benchmarks, les annonces de performance, les comparatifs de raisonnement ont occupé l'essentiel de l'attention.

Cette question n'a pas disparu, mais elle a cessé d'être la plus déterminante pour les entreprises qui déploient réellement de l'IA agentique à grande échelle, par opposition à celles qui se contentent d'expérimenter sur un cas d'usage isolé.

Pourquoi le coût devient central

Un agent IA qui orchestre un processus métier n'exécute pas un seul appel au modèle, il en enchaîne souvent des dizaines, voire des centaines, pour accomplir une tâche complète : chercher une information, la vérifier, la reformuler, la transmettre à un autre système, vérifier le résultat.

Multiplié par le volume d'un processus d'entreprise, ce coût d'exécution peut rapidement dépasser la valeur créée, en particulier lorsque l'on utilise systématiquement le modèle le plus puissant disponible pour des tâches qui ne le justifient pas. C'est précisément le terrain sur lequel nous accompagnons nos clients avec ce que nous appelons la FinOps de l'IA agentique : arbitrer, tâche par tâche, le modèle réellement nécessaire plutôt que le plus performant disponible, et mesurer le coût complet d'un agent sur la durée de son exploitation, pas seulement au moment du prototype.

L'arrivée de modèles explicitement positionnés sur ce segment, rapides et économes, conçus pour des tâches agentiques répétitives plutôt que pour des raisonnements complexes ponctuels, change la donne pour les architectures d'agents. Elle permet de construire des systèmes multi-agents où seule une minorité de décisions, les plus critiques, mobilise un modèle de pointe coûteux, tandis que la majorité des étapes intermédiaires s'exécute sur un modèle beaucoup moins onéreux.

C'est une architecture que nous recommandons désormais systématiquement dans nos diagnostics GAME, parce qu'elle améliore à la fois le coût et, souvent, la fiabilité du système.

Pourquoi le contrôle devient tout aussi déterminant

La seconde variable que souligne Rakesh Gohel, le contrôle, rejoint directement les enjeux de gouvernance que nous développons par ailleurs : un vendeur qui offre un contrôle fin sur le périmètre d'action d'un agent, sur ses points d'arrêt, sur sa capacité à être audité, devient plus attractif pour une entreprise qu'un vendeur qui offre un modèle plus puissant mais plus opaque. Cette évolution rejoint ce que nous constatons dans nos missions Meridian Responsible Agentic AI : les entreprises, en particulier dans la finance et l'énergie, commencent à faire du contrôle un critère d'achat à part entière, au même rang que la performance technique, parfois devant elle.

Ce basculement a une conséquence directe sur la manière dont une direction doit évaluer ses fournisseurs d'IA. La question « quel est le modèle le plus performant » doit désormais être complétée, voire précédée, par deux autres : quel est le coût réel de ce modèle à l'échelle de nos volumes d'usage, et quel niveau de contrôle opérationnel nous offre-t-il sur le comportement de nos agents. Une entreprise qui continue à choisir ses outils d'IA sur le seul critère de la capacité du modèle risque de se retrouver, dans six mois, avec une facture d'exploitation disproportionnée et une gouvernance impossible à démontrer à ses propres clients ou régulateurs.

Ce que cela signifie pour la feuille de route IA d'une entreprise

Concrètement, cela invite à revoir la manière dont les entreprises construisent leur feuille de route d'adoption de l'IA agentique. Plutôt que de partir du modèle le plus en vue du moment, nous recommandons de partir de la cartographie des tâches à automatiser, de qualifier pour chacune le niveau de criticité et le volume attendu, puis de choisir, tâche par tâche, le modèle le moins coûteux qui répond au niveau de contrôle et de fiabilité requis. C'est un changement de méthode, pas seulement un changement d'outil, et il suppose une gouvernance capable de suivre ces arbitrages dans le temps, à mesure que de nouveaux modèles, plus économes ou plus contrôlables, apparaissent sur le marché.

Le report de Rakesh Gohel confirme, à sa manière, ce que nos clients découvrent sur le terrain : la course à la capacité pure touche à sa limite d'utilité pour la majorité des cas d'usage d'entreprise. La vraie compétition, celle qui déterminera qui tire le meilleur parti de l'IA agentique dans les prochaines années, se joue désormais sur le coût maîtrisé et le contrôle démontrable. Deux variables qui, par construction, ne se règlent jamais par un seul choix de modèle, mais par une gouvernance tenue dans la durée.

Ce que cela change pour les équipes achats

Cette évolution rebat aussi les cartes du côté des équipes achats et juridiques, souvent tenues à distance des décisions technologiques liées à l'IA. Évaluer un vendeur sur le coût réel à l'échelle et sur le niveau de contrôle offert suppose des compétences différentes de celles mobilisées pour comparer des scores de benchmark : une capacité à modéliser le coût d'exploitation sur des volumes réels, et une capacité à auditer contractuellement les garanties de contrôle proposées par le fournisseur. Les directions qui intègrent déjà leurs équipes achats dans la gouvernance de leurs choix d'IA agentique, au même niveau que leurs équipes techniques, prennent une longueur d'avance que la seule performance du modèle ne suffira jamais à rattraper.