Les agents IA coûtent plus cher que leur prix par jeton ne le suggère, et ils ne sont rentables que lorsqu’ils sont liés à une tâche avec un avant et un après mesurables. Un agent IA est un système où un modèle de langage planifie des étapes et utilise des outils, tels qu’une recherche, un CRM ou un navigateur, pour atteindre un objectif. La budgétisation consiste à comptabiliser l’utilisation du modèle, les frais de plateforme, le temps de construction, la maintenance et la révision humaine, puis à les comparer au temps gagné ou aux revenus générés.
Qu’est-ce qui différencie les coûts des agents des coûts des chatbots ?
Un chatbot répond à un message avec un appel de modèle. Un agent effectue une boucle : il raisonne, appelle un outil, lit le résultat, raisonne à nouveau et répète jusqu’à ce que la tâche soit terminée. Une demande utilisateur peut déclencher dix ou vingt appels de modèle, chacun transportant l’historique de conversation croissant et les sorties d’outils en tant que jetons d’entrée. Cela multiplie le coût par rapport à une simple invite.
Les agents échouent également de plus de manières. Un outil peut expirer, le modèle peut choisir une mauvaise action et une boucle peut durer plus longtemps que prévu. Chaque échec coûte des jetons et souvent du temps humain pour être corrigé.
Que doit inclure un budget d’agent ?
- Utilisation du modèle : jetons d’entrée et de sortie sur toutes les étapes, facturés au million de jetons par le fournisseur.
- Frais de plateforme ou de framework : des produits tels que Salesforce Agentforce, Microsoft Copilot Studio ou des services d’agents gérés facturent par conversation, message ou capacité.
- Coûts des outils : API de recherche, fournisseurs de données, bacs à sable de navigateur et bases de données vectorielles.
- Temps de construction : conception, intégration, rédaction d’invites et tests, généralement le coût unique le plus important.
- Maintenance : mises à jour des invites, changements d’outils, mises à niveau des modèles et surveillance.
- Révision humaine : les minutes que les personnes passent à vérifier ou à corriger les sorties.
- Réserve de risque : temps pour gérer les erreurs qui atteignent les clients.
Les équipes ne budgétisent souvent que la première ligne. Les trois dernières décident généralement si le projet est rentable.
Comment estimer l’utilisation du modèle ?
Exécutez l’agent sur vingt tâches réalistes dans un environnement de test et enregistrez les jetons par tâche. La plupart des fournisseurs renvoient le nombre de jetons dans chaque réponse API, et les frameworks d’agents tels que LangGraph, le SDK OpenAI Agents ou le SDK Claude Agent peuvent les enregistrer par exécution. Prenez la médiane et le 90e percentile ; ce dernier est important car quelques longues exécutions peuvent dominer le coût.
N’oubliez pas le coût des exécutions échouées, qui consomment toujours des jetons. Multipliez ensuite par le volume mensuel attendu et ajoutez une marge pour les tentatives. La mise en cache des invites, proposée par plusieurs fournisseurs, réduit le coût des instructions longues répétées ; des modèles plus petits pour des étapes simples le réduisent encore davantage. Les choix de conception modifient la facture plus que la négociation des prix.
Définissez des limites dans le code
Donnez à chaque agent un nombre maximum d’étapes et un budget maximum de jetons par exécution. Lorsqu’il atteint la limite, il s’arrête et passe la main à une personne. Sans limites, un agent confus peut tourner en boucle et dépenser de l’argent pour rien.
Comment mesurer le retour sur investissement d’un agent ?
Le ROI nécessite une base de référence. Avant le lancement, mesurez comment la tâche est effectuée aujourd’hui : temps par tâche, taux d’erreur, volume et tout revenu qui y est lié. Après le lancement, mesurez les mêmes choses pour la même tâche.
Temps gagné
Le temps gagné équivaut aux tâches accomplies par l’agent multipliées par les minutes gagnées par tâche, moins les minutes passées à réviser. Évaluez-le à un coût horaire chargé. Soyez honnête quant à savoir si le temps gagné est utilisé pour quelque chose d’utile ; les heures gagnées que personne ne redéploie n’apparaissent pas dans les résultats.
Effets sur les revenus
Certains agents influencent directement les revenus : réponse plus rapide aux leads, plus de suivis envoyés, plus de paniers abandonnés récupérés. Utilisez un groupe témoin si possible. Laissez l’agent gérer une part aléatoire des leads et comparez la conversion avec la part gérée de l’ancienne manière.
Qualité et risque
Suivez le taux d’erreur et le taux d’escalade. Un agent qui fait gagner du temps mais envoie de mauvaises réponses aux clients peut coûter plus cher en désabonnement ou en support qu’il n’en fait gagner. Incluez ces effets, même s’ils ne sont qu’estimés grossièrement.
Un exemple concret
Prenons une entreprise de logiciels B2B dont l’équipe de développement des ventes recherche chaque lead entrant avant le premier appel, ce qui prend environ quinze minutes par lead. Un agent lit le formulaire, recherche sur le site Web de l’entreprise, vérifie le CRM et rédige un briefing d’une page.
- Volume : 400 leads par mois.
- Ancien temps : 15 minutes chacun, soit 100 heures par mois.
- Nouveau temps : 4 minutes pour réviser chaque briefing, soit environ 27 heures.
- Temps gagné : environ 73 heures par mois.
- Coût de l’agent : utilisation du modèle et de la recherche par briefing, plus une part de construction et de maintenance répartie sur un an.
Ce sont des chiffres d’exemple pour illustrer. Mettez vos propres chiffres dans la même structure, et la décision devient arithmétique plutôt qu’une opinion.
Quand un agent n’est-il pas rentable ?
Le faible volume est la raison habituelle. Si une tâche se produit dix fois par mois, le coût de construction est rarement récupéré. La deuxième est une tâche qui nécessite un jugement à chaque fois, donc la révision prend autant de temps que de le faire. La troisième est un processus qui change souvent, donc la maintenance ne se termine jamais. Dans ces cas, un modèle d’invite plus simple ou une automatisation fixe est généralement plus rentable. Un test utile consiste à demander si la tâche pourrait être écrite sous forme de liste de contrôle qu’un nouvel employé suit le premier jour. Si c’est le cas, une automatisation ou un modèle fixe peut faire le travail pour beaucoup moins cher ; s’il faut lire, rechercher et décider à partir de plusieurs sources, un agent est un meilleur choix.
Comment Alien Road applique les agents IA et mesure leur ROI
Dans une mission typique, notre équipe de marketing IA commence par chronométrer la tâche cible avec les personnes qui l’effectuent aujourd’hui et en enregistrant le volume et le taux d’erreur. Ces chiffres forment la base de référence dans une feuille de ROI partagée avec les lignes de coûts énumérées ci-dessus.
Nous construisons l’agent avec des limites d’étapes et de jetons, une journalisation par exécution et un écran de révision pour les sorties. Un pilote fonctionne sur une partie du volume réel, souvent avec un groupe témoin pour comparaison.
Les rapports mensuels montrent le coût par tâche terminée, le temps gagné après révision, les taux d’escalade et d’erreur, et tout effet sur les revenus mesuré par rapport au groupe témoin. Si le coût par tâche augmente ou si la qualité baisse, le rapport l’indique et recommande des changements ou un arrêt.
Par où commencer cette semaine
Choisissez une tâche que votre équipe répète au moins cent fois par mois. Chronométrez cinq personnes en train de le faire, notez le taux d’erreur et écrivez ces chiffres dans une feuille avec des colonnes vides pour les coûts de l’agent. Exécutez un petit prototype d’agent sur vingt tâches, enregistrez les jetons et le temps de révision, et remplissez la feuille avant de décider de continuer à construire.
Continuer la lecture : Agence de marketing IA · Marketing IA