Aller au contenu
Le journal

Notes & retours d’expérience

Tenir la facture IA : piloter les agents au coût par tâche, pas au prix du token

9 min de lecture

Le prix du token baisse, la facture IA monte. En octobre, Microsoft, Google, Vercel et une start-up piégée par ses crédits Azure ont montré la même chose : une PME qui fait tourner des agents doit mesurer le coût d'une tâche réussie. Les signaux, et le plan en quatre gestes.

Le prix du token baisse, et la facture IA monte. Google affirme que le prix par token a baissé de 98 % depuis 2024 ; dans le même temps, les dépenses qui passent par la passerelle IA de Vercel ont été multipliées par 13 entre décembre et septembre. En octobre, Microsoft a publié des mesures où un modèle aux tokens 33 % moins chers coûte 3,7 fois plus par tâche, Google a ouvert à tous des plafonds de dépense qui coupent un agent en quelques minutes, et une start-up norvégienne a découvert une facture Claude de 17 600 dollars que ses crédits Azure ne couvraient pas.

Pris un par un, ce sont des annonces de fournisseurs et un fait divers. Mis bout à bout, ils disent qu'une PME qui fait tourner des agents ne pilote plus sa dépense IA au prix catalogue, mais au coût d'une tâche menée à bien. Voici ce que montrent ces signaux, et le plan que je mettrais en place avant que la facture ne devienne un sujet de comité de direction.

Le prix baisse, la facture monte

Le paradoxe est désormais documenté par plusieurs sources indépendantes. Selon le Production Index publié par Vercel le 15 octobre, le prix moyen par token sur sa passerelle a baissé de 47 % entre décembre et septembre, pendant que la dépense mensuelle était multipliée par environ 13. Une équipe du laboratoire HEC LIFT arrive à la même conclusion à partir des données d'OpenRouter : la facture augmente à cause du volume, pas du prix.

La raison tient aux agents. Un assistant conversationnel répond à une question ; un agent enchaîne des appels, relit des fichiers, appelle des outils, recommence quand il échoue. Le nombre de tokens par tâche n'est plus maîtrisé par l'utilisateur mais par la boucle de l'agent et par le modèle lui-même. La FinOps Foundation rappelle deux mécanismes qui aggravent l'effet : les tokens de sortie coûtent souvent 3 à 5 fois plus que ceux d'entrée, et les tokens de « raisonnement » des modèles récents sont facturés comme de la sortie, même quand on ne les voit pas.

Ce que montrent les mesures de Microsoft

Le 6 octobre, l'équipe Developer Experience de Microsoft a publié une méthode qu'elle appelle Agent Experience. Le principe est simple : comparer chaque configuration d'agent à une version de base sans rien ajouter, et toujours publier le coût de la tâche à côté de sa qualité.

Les résultats sont instructifs. Sur des mises à niveau de projets SharePoint Framework dans GitHub Copilot Chat, Claude Sonnet 5, dont les tokens sont 33 % moins chers que ceux de Sonnet 4.6, a coûté 3,7 fois plus par exécution : 2,01 dollars contre 0,55. Il a terminé toutes les tâches, contre 60 % pour son prédécesseur ; même ramené aux tâches réussies, il reste plus cher. Sur un autre banc, GPT-6 Astra atteint 99 % de réussite pour 5,14 dollars, quand Sonnet 4.6 atteint 98 % pour 0,92 dollar : un point de qualité pour 5,6 fois le prix. Enfin, faire passer les entrées d'un outil en ligne de commande au format JSON a multiplié le coût par tâche par 4 à 11, sans gain de justesse.

Ce sont des mesures d'un éditeur sur ses propres cas d'usage, à prendre comme telles. Mais la leçon est générale : le prix affiché d'un modèle ne prédit pas son coût sur vos tâches. Seule la mesure le dit, et elle peut changer à chaque nouvelle version.

Les fournisseurs vendent maintenant le frein

Le deuxième signal, c'est que les grands fournisseurs commencent à vendre des outils pour dépenser moins chez eux.

Le 30 octobre, Google Cloud a rendu disponibles pour tous ses plafonds de dépense. Un plafond se règle par projet ; il s'appuie sur une estimation des coûts en quasi temps réel, qui, selon Google, déclenche la coupure en quelques minutes pour les services d'IA ; il se remet à zéro chaque mois, et des alertes sont envoyées par défaut à 50, 80 et 100 %. Google conseille de commencer par les environnements de test et les bacs à sable pour agents. Deux limites sont écrites noir sur blanc : la capacité réservée (Provisioned Throughput) n'est jamais interrompue, et la documentation de Gemini Enterprise précise que l'arrêt prend du temps, si bien que la facture peut dépasser le plafond.

Lors de Gemini at Work, Google a aussi présenté l'orchestration multi-modèles, le routage automatique vers le modèle adapté et le suivi par projet pour refacturer les équipes. Son Agent Gateway doit recevoir, en préversion ce trimestre, une gouvernance des tokens et des coûts et des règles de routage entre modèles. C'est la même logique que la passerelle MCP dont je parlais pour la sécurité : un point de passage unique par lequel on peut voir, limiter et aiguiller.

Le routage n'est plus une option

Le troisième signal vient des usages. Dans l'index de Vercel, les modèles à poids ouverts représentaient en septembre 71,5 % des tokens pour environ 23 % de la dépense, contre environ 5 % de la dépense en juin. DeepSeek-V4.1-Flash a traité près de la moitié des tokens pour 2,6 % de la dépense. Près d'une équipe sur deux a changé de modèle le plus utilisé au cours du mois, et près d'une sur trois a changé de laboratoire principal, un record pour l'index. Ces chiffres ne portent que sur le trafic de la passerelle de Vercel, valorisé aux prix catalogue.

L'étude HEC LIFT observe la même bascule sur OpenRouter : de janvier à août 2026, la part des modèles ouverts est passée de 40 % à 73 % des tokens, et de 11 % à 34 % de la dépense. Les utilisateurs rattachés à la France y consacrent 31 % de leur dépense, contre 19,3 % au niveau mondial. Les Echos décrivaient le 7 octobre des entreprises qui mélangent modèles américains et chinois pour tenir les coûts et garder la liberté de changer ; Thomson Reuters a ainsi construit un modèle sur la base de Qwen, d'Alibaba, pour une partie des tâches qu'il confiait à Claude.

Les modèles légers des grands laboratoires suivent le mouvement. Claude Haiku 5.5, annoncé le 7 octobre, est affiché à 0,10 dollar par million de tokens en entrée et 0,50 dollar en sortie pour les requêtes de moins de 100 000 tokens, avec 50 % de remise en traitement différé. La FinOps Foundation propose d'ailleurs un indicateur qui résume l'enjeu : la part des requêtes envoyées à un modèle plus puissant que nécessaire.

Router, c'est-à-dire envoyer chaque type de tâche au plus petit modèle qui passe la barre, devient donc le premier levier. Il suppose de pouvoir changer de modèle sans réécrire l'application, ce qui rejoint la question de la réversibilité et du coût de sortie.

Les crédits ne sont pas un budget

Le dernier signal est un avertissement. Selon The Register, la start-up norvégienne Vegalabs a utilisé Claude dans Microsoft Foundry en pensant consommer ses 25 060 dollars de crédits Azure pour start-ups. Les modèles achetés via la Marketplace, dont ceux d'Anthropic, n'étaient pas couverts : la facture s'est élevée à 17 600 dollars, pendant que 21 168 dollars de crédits expiraient le 8 septembre. Le support de Microsoft et celui d'Anthropic l'ont chacun renvoyée vers l'autre. L'entreprise reconnaît ne pas avoir configuré d'alerte budgétaire. La documentation de Microsoft confirme l'exclusion.

La leçon dépasse ce cas. Dans un écosystème où un même modèle est vendu par son éditeur, par trois clouds et par des passerelles, la question « qui me facture, et sur quel compte ? » n'a plus de réponse évidente. Un crédit gratuit est un avantage commercial, révocable, avec ses exclusions ; Anthropic a d'ailleurs suspendu son offre gratuite pour start-ups quelques jours après l'avoir lancée.

Schéma : piloter la facture IA en quatre gestes, attribuer, plafonner, router et mesurer le coût par tâche réussie, avec la mesure concrète en PME pour chacun

Les quatre gestes pour piloter la dépense des agents, et leur traduction concrète dans une PME.

Le plan d'action pour une PME

Une PME n'a pas besoin d'une équipe FinOps. Elle a besoin de quatre gestes, dans cet ordre, et d'une personne qui regarde le résultat une fois par mois.

1. Attribuer : savoir qui dépense quoi

  • Une clé d'API par projet et par environnement. Tant que tout passe par une seule clé, la facture est une seule ligne et personne ne peut dire quel agent coûte combien. Développement, préproduction et production doivent être séparés.
  • Faire passer les appels par un point unique : la passerelle de votre fournisseur cloud, une passerelle IA du marché ou un proxy maison. C'est là qu'on étiquette, qu'on limite et qu'on route. Si vous avez déjà mis en place une passerelle pour vos agents, c'est le même endroit.
  • Recenser les factures. Abonnements individuels, clés personnelles, Marketplace du cloud, crédits : dressez la liste de tous les comptes qui paient de l'IA, et de ce que chaque crédit couvre réellement.

2. Plafonner : éviter la facture surprise

  • Un plafond dur par projet, en commençant par les environnements de test et les bacs à sable, comme le recommande Google. Un agent en boucle ou une clé fuitée doivent se heurter à une limite, pas à une alerte lue le lundi.
  • Des alertes à 50, 80 et 100 % du budget mensuel, envoyées à quelqu'un qui peut agir.
  • Connaître les angles morts : délai de coupure, capacité réservée non interrompue, dépenses passées par un autre compte. Le plafond réduit le risque, il ne le supprime pas.

3. Router : le plus petit modèle suffisant

  • Classer les tâches : extraction, classement, résumé, code, raisonnement long. La plupart des tâches d'un agent n'ont pas besoin du modèle le plus cher.
  • Écrire les règles de routage : modèle léger ou ouvert par défaut, modèle haut de gamme sur exception ou après un échec, modèle de repli si un fournisseur tombe.
  • Utiliser les remises disponibles : traitement différé pour ce qui n'est pas urgent, cache des prompts pour les contextes répétés, sorties courtes quand c'est possible.

4. Mesurer : le coût par tâche réussie

  • Constituer un banc de 20 à 50 tâches réelles, avec un critère de réussite clair pour chacune, en suivant la logique du harness engineering.
  • Exécuter chaque tâche plusieurs fois et noter la médiane et le pire cas, comme le conseille la FinOps Foundation : un agent qui échoue coûte quand même.
  • Calculer le coût par tâche réussie, pas le prix par million de tokens, et le comparer à une version de base sans ajout.
  • Rejouer le banc à chaque changement de modèle, de prompt ou d'outil. L'exemple de Microsoft montre qu'une nouvelle version peut multiplier le coût sans prévenir.

Une revue mensuelle de trente minutes suffit ensuite : dépense par projet, coût par tâche réussie, part des requêtes envoyées au modèle le plus cher, écart au plafond.

Ce qu'il faut retenir

La baisse du prix des tokens est réelle, mais elle ne protège personne : les agents consomment plus vite que les prix ne baissent. Les fournisseurs l'ont compris et proposent enfin des plafonds et du routage ; à chaque PME d'en faire usage avant d'en avoir besoin. Le bon indicateur n'est pas le prix du token, c'est ce que coûte une tâche menée à bien, mesuré sur vos propres cas d'usage.

Si vous voulez mettre en place cette mesure, choisir vos modèles sur vos tâches réelles ou reprendre en main une facture IA qui dérive, c'est le genre de chantier que je mène en tant que CTO indépendant, et vous pouvez me contacter.

Sources

Retour au journalEn parler ensemble
Tout le journal