Le vrai coût des agents AI

Il y a quelques semaines, une société d'asset management m'a contacté avec une conviction un peu candide : "On veut tester Open Claw en interne et déployer ça à grande échelle pour renverser le marché. Combien de temps ça prend ?"

J'ai retourné la question. Trois semaines, m'ont-ils dit. Budget : quelques milliers d'euros. 

La poudre aux yeux agentique a un certain charme, il faut bien l'avouer. Alors à chaque fois, je dois expliquer la même chose : ce qui impressionne dans une démonstration et ce qui fonctionne en production dans un environnement réglementé, ce sont deux réalités radicalement différentes. Et mon boulot ne consiste pas à déployer des passoires de sécurité chez mes clients.

Le prototype, c'est facile. La production, c'est autre chose.

Un prototype d'agent IA, n'importe quel développeur compétent peut le construire en quelques jours. On a à peine besoin d'être développeur à vrai dire. On configure un LLM, on lui donne des instructions, on lui connecte quelques sources de données, et ça marche. Les boss sont impressionnés. Le comité de direction valide. On commande les pizzas.

Le problème surgit deux semaines plus tard, quand on essaie de le déployer réellement.

L'agent rate des transcriptions d'earnings calls parce que le format Bloomberg a légèrement changé, il produit des analyses incohérentes sur 8% des requêtes (parfaitement acceptable pour une démo, parfaitement inacceptable pour des décisions d'investissement), et un beau jour d'audit personne ne peut expliquer comment l'agent a produit telle recommandation.

Bienvenue dans la réalité d'un déploiement agentique. Quand on décompose le budget réel d'un agent en production, les clients sont surpris par la structure des coûts. Ce n'est pas le LLM qui coûte cher, c'est tout ce qui l'entoure. Commercialement, cela ne vous facilite pas la vie : si vous cous comportez de manière honnête, vous ne signerez rien à la fin du déjeuner.

Les intégrations systèmes : le poste le plus sous-estimé

Un agent n'existe pas dans le vide. Il doit se connecter aux systèmes existants : le système de gestion de portefeuille, les flux de données de marché, le CRM clients, les bases documentaires internes. Chaque connexion représente deux à quatre semaines de travail d'un développeur senior. Les APIs ont des conditions d'usage strictes. Les formats de données sont hétérogènes. Ici en Asie, certaines sources critiques, telles que les transcriptions en mandarin ou des publications réglementaires asiatiques, arrivent dans des formats non standardisés qui nécessitent un traitement spécifique. Multiplié par cinq à huit systèmes sources par agent, la facture monte vite.

La fiabilité en production

Un prototype qui rate vingt pour cent du temps, c'est impressionnant. Un agent en production qui rate cinq pour cent du temps dans un contexte financier, c'est une catastrophe. Atteindre ce niveau de fiabilité nécessite une gestion exhaustive des erreurs, des tests sur des centaines de cas limites réels, un système de monitoring qui alerte en cas de dérive, et une capacité de rollback si une mise à jour dégrade les performances. C'est typiquement trente à quarante pour cent du budget de développement.

La sécurité et la confidentialité

Les agents manipulent des données d'une sensibilité extrême : positions de portefeuille non publiées, thèses d'investissement propriétaires, communications avec les clients institutionnels. Tout cela doit rester dans une architecture garantissant qu'aucune donnée ne transite par les serveurs du fournisseur LLM, avec un chiffrement de bout en bout, une journalisation complète pour audit réglementaire, et une conformité avec les exigences de chaque régulateur concerné. Construire et auditer cette infrastructure de sécurité est un poste non trivial systématiquement sous-estimé.

L'explicabilité

Sous MiFID II, toute recommandation d'investissement doit pouvoir être expliquée au client et auditée par le régulateur. Un agent IA qui produit une analyse sans traçabilité du raisonnement pose un problème réglementaire direct. Il faut construire des mécanismes de citation des sources, de journalisation des raisonnements, de validation humaine avant toute transmission à un client. C'est une obligation légale.

La qualité des outputs

Un agent qui produit des mémos d'analyse ou des briefings réglementaires doit atteindre le niveau de qualité qu'un analyste senior validerait. Atteindre ce niveau nécessite des semaines de travail conjoint avec les utilisateurs finaux : comprendre exactement ce qu'ils attendent, ingénier finement les chaînes de raisonnement, évaluer systématiquement la qualité sur des centaines d'exemples réels, ajuster en continu. Le temps passé à tester avec un profil mixte IA / finance (par définition cher au vu de sa rareté) ou deux headcounts distincts est un poste de charge incontournable. 

Ce que ça donne concrètement sur quatre agents

Pour la société d'asset management dont je parlais, nous avions identifié quatre agents à haute valeur :

• un agent de veille réglementaire nocturne,

• un agent d'analyse d'earnings calls en temps réel,

• un agent de scoring ESG prédictif, 

• et un agent de reporting investisseur personnalisé.

Pas encore le conseiller virtuel, mais une valeur ajoutée certaines, avec des niveaux de complexité technique variables.

Le budget consolidé sur la première année (infrastructure IA, développement des agents, licences de données, maintenance) se situe entre quatre cent mille et neuf cent mille euros. Soit, en ordre de grandeur central, environ six cent mille euros. Ce chiffre peut sembler élevé. Mais mis en perspective, c'est le coût de recrutement de trois analystes seniors dans une grande place financière (avec charges, avantages et risque de turn-over).

Des analystes qui, contrairement aux agents, ne travaillent pas vingt-quatre heures sur vingt-quatre, ne couvrent pas simultanément des sources en mandarin, en anglais et en coréen, et ne produisent pas de mémos structurés dans les dix minutes suivant la clôture d'un earnings call.

C'est un vrai projet de transformation, dont le ROI doit être soigneusement estimé, y compris avec sa dimension de change (allo Meridian ?). On est bien loin du proto OpenClaw sur un coin de table.

La bonne nouvelle : on ne dépense pas tout en même temps

La trajectoire que nous recommandons systématiquement est une approche en phases qui gère le risque financier et génère des preuves de valeur à chaque étape.

La première phase (RAG et prompting avancé, agent de reporting) représente environ cent cinquante mille euros sur trois mois. Elle produit des résultats visibles rapidement : des reportings clients produits en trente minutes plutôt qu'en trois heures, une veille documentaire automatisée qui libère des heures analytiques chaque semaine.

La deuxième phase introduit les agents de veille et d'analyse d'earnings calls, pour un budget comparable. La troisième construit la couche prédictive (le scoring ESG, le fine-tuning sur le corpus spécialisé).

Sur tous les projets où je suis intervenu, on constate cette progressivité de la valeur ajoutée. Le ROI est donc lui aussi progressif et doit être mesuré à chaque étape avant d'aller plus loin. C'est précisément ce qui permet de convaincre les comités d'investissement internes de financer la phase suivante. Cette capacité de mesure itérative est également partie intégrante de Meridian.

La question qui change tout

La vraie question n'est pas "quel LLM choisir ?", "OpenClaw va-t-il me permettre de dominer mon marché pour trois euros cinquante" (réponse : non), ou "Claude Code va-t-il me permettre de me passer d'une équipe technique" (réponse : %@#k).

C'est "comment construire une architecture fiable, sécurisée, explicable, qui crée de la valeur réelle pour les gérants et résiste à l'audit du compliance officer ?" Cette question-là mérite une réponse honnête, une trajectoire progressive, et un partenaire qui a déjà navigué dans la complexité d'un déploiement en environnement réglementé (allo Gabriel Greenfield?).