FinOps de l'IA agentique : la facture avant la gouvernance ?

98 % des équipes FinOps pilotent aujourd'hui des dépenses IA, contre 31 % il y a deux ans à peine. Ce chiffre, à lui seul, raconte la vitesse à laquelle l'IA générative est passée du pilote au poste budgétaire structurant. Mais un second chiffre, moins connu, devrait inquiéter davantage les directions financières : le coût réel d'une fonctionnalité GenAI en production représente en moyenne deux à quatre fois la seule facture du modèle de fondation. Et pour l'agentique, la situation est encore plus abrupte : un week-end suffit à une boucle d'agents mal configurée pour brûler un budget trimestriel entier.

Cette semaine encore, deux signaux du même ordre sont remontés dans nos veilles sectorielles : des architectures d'agents qui craquent sous des tempêtes de retry mal maîtrisées, et des erreurs de routage qui transforment un déploiement d'agents autonomes en gouffre de dépense incontrôlée. C'est le symptôme d'un problème structurel : le playbook FinOps classique n'a tout simplement pas été conçu pour ce que l'IA agentique produit comme régime de coût.

Trois régimes de coût, un seul playbook

Le cloud classique repose sur une logique provisionnée et prévisible : le coût suit la capacité réservée, facturée à l'heure. L'IA générative a déjà rompu cette prévisibilité en substituant une consommation à l'usage, où le coût suit le token consommé, imprévisible mais au moins traçable jusqu'à l'appel de modèle. L'IA agentique rompt une seconde fois la logique : boucles d'appels, orchestration multi-modèles, décisions en cascade prises par l'agent lui-même. Le coût ne suit plus un volume d'usage, il suit une décision autonome, potentiellement récursive, que personne n'a validée en temps réel.

Appliquer un tableau de bord FinOps pensé pour le cloud provisionné à une architecture agentique revient à piloter un système non-déterministe avec des outils construits pour un système parfaitement prévisible. C'est exactement ce qui explique l'écart de deux à quatre fois entre la facture du modèle et le coût réel observé en production : tout ce qui se passe entre l'appel de modèle facturé et la tâche métier réellement accomplie, orchestration, retries, appels redondants entre agents, reste hors du champ de vision du contrôle de gestion classique.

Le bon indicateur n'est pas le coût par token

Le cœur du problème est un problème de métrique. Le coût par token ne dit rigoureusement rien de la valeur produite : deux cas d'usage peuvent consommer le même volume de tokens pour des résultats métier radicalement différents. L'indicateur qui compte, et qui manque dans la quasi-totalité des dispositifs FinOps IA actuels, est le coût par tâche accomplie. C'est la seule unité qui relie directement la dépense au résultat métier, et qui permet d'arbitrer, sur une base commune, entre plusieurs modèles, plusieurs architectures et plusieurs niveaux d'automatisation pour un même cas d'usage.

C'est la raison pour laquelle Gabriel Greenfield intègre désormais cette métrique directement dans le référentiel GAME, sous la forme d'une nouvelle dimension, Économie & Valeur, alignée sur les exigences ISO 42001 et le NIST AI RMF. Un score de maturité IA qui ignore la dimension économique de l'agentique laisse un angle mort exactement au moment où les COMEX ont le plus besoin d'objectiver la valeur créée face à des dépenses qui s'envolent.

Prenons un exemple simple. Deux cas d'usage de traitement de réclamations client consomment exactement le même volume de tokens sur un mois donné. Le premier, mal orchestré, multiplie les allers-retours entre trois modèles avant de produire une réponse exploitable une fois sur deux, obligeant un agent humain à reprendre la moitié des dossiers. Le second, mieux architecturé, résout la réclamation en un seul passage dans neuf cas sur dix. Un pilotage au coût par token conclurait, à tort, que les deux cas d'usage sont économiquement équivalents. Un pilotage au coût par tâche accomplie révèle immédiatement que le second cas d'usage coûte, à volume de tokens identique, près de deux fois moins cher par réclamation réellement traitée, et fournit l'argument chiffré pour arbitrer en faveur de son architecture sur l'ensemble du portefeuille.

L'offre : le FinOps IA & Agentique de Gabriel Greenfield

C'est dans ce contexte que Gabriel Greenfield lance son offre FinOps IA & Agentique, qui applique la méthode Meridian, ses trois postures Suggérer, Faciliter, Accompagner, directement au pilotage économique de l'intelligence artificielle.

La phase Suggérer, sur trois semaines, cartographie les dépenses IA par cas d'usage, jusqu'aux factures fournisseurs et à la consommation de tokens réelle, établit un diagnostic technique et d'architecture de chaque cas d'usage agentique, et produit un score de maturité GAME sur la nouvelle dimension Économie & Valeur. La phase Faciliter, sur cinq semaines, déploie la métrique coût par tâche accomplie, les budgets-enveloppes et les garde-fous agentiques, un tableau de bord opérationnel, et installe un comité FinOps IA doté d'une gouvernance et d'une cadence propres. La phase Accompagner, en régie à partir de trois mois, ancre la discipline dans la durée par des revues trimestrielles de rightsizing des modèles, un support continu, et surtout un kit de preuve d'audit directement exploitable face aux obligations de transparence de l'AI Act et à la certification ISO 42001.

Six livrables concrets structurent la mission : la cartographie des dépenses IA par cas d'usage, le score de maturité GAME sur la dimension Économie & Valeur, un tableau de bord de coût par tâche accomplie, la politique de budgets-enveloppes et de garde-fous agentiques, une feuille de route de rightsizing des modèles, et un kit de preuve de gouvernance ISO 42001 et AI Act.

Pourquoi cette offre, et pourquoi maintenant

La plupart des acteurs qui se positionnent aujourd'hui sur le FinOps de l'IA viennent de l'outillage cloud classique, et découvrent l'agentique en marchant, souvent au prix d'un premier incident budgétaire chez leurs clients. Gabriel Greenfield part d'une convergence plus rare, construite sur trois compétences réunies dans une même mission : la gouvernance responsable de l'IA, ISO 42001 et AI Act, l'architecture réelle des systèmes agentiques, boucles, orchestration, niveaux d'autonomie, et l'économie des tokens et des modèles.

Cette convergence n'est pas un argument marketing, c'est une nécessité opérationnelle. Un dispositif FinOps qui ignore l'architecture agentique sous-jacente ne peut pas expliquer pourquoi une boucle d'agents mal configurée a multiplié un budget par trois en un week-end. Un dispositif d'architecture agentique qui ignore la gouvernance ne peut pas produire le kit de preuve qu'un auditeur AI Act exigera demain. Et un dispositif de gouvernance qui ignore l'économie réelle des modèles reste un exercice de conformité déconnecté de ce qui préoccupe réellement un directeur financier.

La facture de l'IA agentique est déjà arrivée dans la plupart des organisations. La question n'est plus de savoir si elle continuera à grimper, mais si elle grimpera avec ou sans la gouvernance économique qui permet de l'expliquer, de l'arbitrer et d'en démontrer la valeur. Parlons-en.

À propos de Gabriel Greenfield

Gabriel Greenfield est un cabinet de conseil en transformation IA fondé par François Rivard. Son approche repose sur Meridian, une méthodologie propriétaire de transformation intelligente à l'ère de l'IA proactive. Le cabinet accompagne les banques, les assureurs, les entreprises énergétiques, ainsi que les groupes de distribution et de luxe dans la concrétisation de leurs ambitions en matière d'IA en résultats maîtrisés et mesurables, couvrant la stratégie, les données, les systèmes, les processus et l'organisation. Son outil de diagnostic, GAME (Greenfield AI Maturity Evaluation), offre aux comités de direction une analyse objective et détaillée de la situation réelle de leur organisation, et non une simple estimation.