Les conversations d’entreprise au sujet de l’Agentic AI deviennent de plus en plus concrètes. Les premières questions portaient sur la capacité d’un agent à résoudre un problème client ou à automatiser une tâche de back-office. Aujourd’hui, la discussion s’étend à l’autonomie, à la prise en charge et au coût de gestion de flux de travaux entiers.

C’était le thème central d’un épisode récent de notre balado HCLTech Trends & Insights, mettant en vedette Padmaja Enjeti, responsable du portefeuille de développement d’applications modernes chez nous.

Padma a décrit un changement dans la façon dont les entreprises perçoivent l’Agentic AI, alors que les organisations envisagent de plus en plus comment redessiner leurs façons de travailler en fonction de ses capacités.

« Où plaçons-nous l’autonomie? Que se passe-t-il lorsqu’un agent évolue? Qui régit ces agents? Quel est le coût d’exécution d’un flux de travail de bout en bout? » a-t-elle demandé.

Le coût d’un flux de travail est plus difficile à prédire

L’automatisation traditionnelle suit généralement un chemin connu. Les entreprises peuvent estimer les volumes de transactions et les ressources informatiques impliquées. Avec l’Agentic AI, le travail peut emprunter des parcours différents selon sa complexité.

« Un agent peut raisonner. Il peut appeler un outil. Il peut récupérer de l’information. Il peut invoquer un autre agent. Il peut vérifier son propre travail, » a dit Padma.

Chaque étape consomme des ressources. Un agent peut récupérer plus d’informations, effectuer des appels de modèle additionnels ou revenir pour vérifier une réponse. Cela change la dynamique économique lorsqu’un assistant unique devient une suite d’agents coordonnant un processus d’affaires.

Padma a évoqué la question que lui posent les responsables financiers : « Je comprends la proposition de valeur, mais puis-je prédire le coût pour atteindre ce résultat? »

Bien que le prix des jetons individuels ait diminué, une plus grande consommation dans des flux de travaux complexes peut augmenter les coûts totaux. La différence entre l’efficacité du modèle et l’efficacité du flux de travail est facile à négliger. Un modèle peut devenir 50 % moins cher, explique Padma, mais un agent qui fait trois fois plus d’appels peut quand même coûter davantage pour accomplir sa tâche.

La facture de jetons n’est qu’un aspect. L’orchestration, les API, l’infrastructure de données, l’observabilité et l’intervention humaine contribuent aussi à l’ensemble des coûts.

Comprendre où va la consommation

Selon Padma, les problèmes commencent souvent lorsque les équipes démarrent avec la technologie et ne se demandent que plus tard quel résultat d’affaires elle doit livrer. L’expérimentation peut générer beaucoup d’activité sans moyen clair de mesurer sa valeur.

Les coûts peuvent aussi être difficiles à discerner. Les redirections entre modèles, les transferts entre agents et les tentatives répétées pour terminer une tâche créent une consommation qui n’est peut-être pas visible sur un tableau de bord affichant seulement l’utilisation globale.

« Personne ne veut découvrir le coût en recevant la facture, » dit Padma.

Elle préconise de suivre à la fois ce que les agents consomment et ce qu’ils produisent. Cela implique de comprendre les appels de modèles, le comportement des flux de travail et les indicateurs de performance clés d’affaires, plutôt que de considérer le nombre d’agents déployés comme une preuve de succès. Même si les coûts exacts sont incertains, les organisations doivent disposer d’une vue raisonnable sur la fourchette probable avant d’élargir l’utilisation.

Apprendre des FinOps cloud

Padma voit un parallèle utile avec les opérations financières (FinOps) cloud. La gestion des coûts du cloud a évolué, passant de la recherche d’une infrastructure moins coûteuse à une compréhension de l’architecture, des habitudes de consommation et de la propriété des dépenses.

Pour l’AI, les mêmes questions se posent, avec une complication supplémentaire : la consommation en Agentic AI est probabiliste. Le nombre d’appels ou de recherches requis pour atteindre un résultat n’est pas toujours prévisible.

« Que consommons-nous? Qui consomme? Quel résultat cela produit-il? Et aurions-nous pu avoir le même résultat avec moins d’intelligence? » a-t-elle demandé.

Cette dernière question conduit au routage des modèles. Plutôt que d’acheminer chaque tâche vers le même modèle, les entreprises pourraient attribuer le travail au niveau d’intelligence approprié à sa complexité et à son coût.

Padma décrit cela comme « acheminer intelligemment le travail au bon niveau d’intelligence pour le bon niveau de coût ».

Elle croit que la tokenomique doit devenir une discipline d’ingénierie et d’affaires, où les décisions sur l’architecture et la consommation sont directement liées à la valeur créée par un flux de travail.

Ce que les dirigeants devraient se demander avant de passer à l’échelle

Pour Padma, le point de départ est le résultat mesurable que l’entreprise souhaite obtenir. Les dirigeants devraient ensuite comprendre le coût de réalisation d’une transaction et se demander ce qui se passe lorsque le volume passe de 1 000 à 10 000, voire un million.

Ils ont aussi besoin d’une visibilité sur le comportement des agents : Quels modèles sont sollicités, quels outils sont utilisés, où les reprises surviennent et à quel moment l’humain intervient. Les scénarios d’échec méritent une attention particulière lorsqu’un agent est intégré dans un flux d’affaires principal.

« La gouvernance ne peut pas être greffée après le déploiement », selon Padma.

L’autonomie encadrée, l’escalade, l’auditabilité et des droits de décision clairs doivent être pris en compte dès le départ. À mesure que les flux de travail agentiques deviennent partie intégrante des processus d’affaires, ces contrôles deviennent essentiels à la gestion des opérations organisationnelles.

Son test ultime pour toute initiative est simple : « Pouvons-nous passer à l’échelle économiquement et pas seulement techniquement? »

À mesure que l’Agentic AI s’intègre dans les flux de travail d’entreprise, la réponse ne dépend pas que des capacités du modèle. Padma insiste sur l’importance de rendre la consommation compréhensible, d’attribuer la responsabilité et de démontrer la valeur d’affaires générée par l’intelligence utilisée.

Dans la deuxième partie de cette série de balados HCLTech Trends & Insights, Venkatraman Natarajan, qui dirige notre pratique du développement d’applications AI-native, explorera la tokenomique sous l’angle de la modernisation des applications, en examinant ce que l’économie de l’Agentic AI implique pour la modernisation des applications d’entreprise.