Le coût de l'intelligence agentique se mesure en air et en code

L'infrastructure qui rend possibles les agents autonomes a commencé à générer des factures qui n'apparaissent sur aucune facture cloud. L'une arrive sous forme de particules fines. L'autre sous forme de vulnérabilité critique dans du code partagé par des millions de sites. Aucune n'était intégrée dans le discours initial sur l'IA agentique, et les deux retombent aujourd'hui sur ceux qui construisent avec ces systèmes.

La demande en électricité des datacenters pourrait, d'ici cinq ans, effacer des décennies de progrès en qualité de l'air [1]. Ce n'est pas un lointain problème réglementaire. C'est une contrainte qui va peser sur la sélection de modèles, le routage d'inférence et la décision même de justifier un agent pour une tâche donnée. L'hypothèse selon laquelle plus de calcul est toujours la réponse s'effritait déjà sous la pression des coûts. Les données sur la qualité de l'air la transforment en quelque chose qui s'approche d'un principe de conception : l'inférence la moins chère est celle que tu ne lances pas.

Le problème de la découverte à double tranchant

Les systèmes agentiques sont désormais assez bons pour trouver des failles que la revue humaine a manquées pendant des années. Une vulnérabilité PHP critique affectant des millions de sites web a été découverte par GPT-5.6 Sol d'OpenAI dans le cadre de l'initiative Patch the Planet, et indépendamment par la firme de sécurité Wiz utilisant Gemini 4 Argon de Google [3]. C'est un gain de capacité réel. C'est aussi un avertissement. La déclaration d'OpenAI elle-même note que les mêmes capacités qui trouvent des vulnérabilités peuvent aider des attaquants à les exploiter [3].

Pour les builders, cela réduit la distance entre l'offensif et le défensif. Un agent qui audite vos dépendances est aussi un agent qui peut cartographier votre surface d'attaque. L'outillage est symétrique. La seule asymétrie réside dans qui agit le premier. Les équipes qui traitent la revue de sécurité assistée par IA comme un processus continu patcheront avant l'exploitation. Celles qui la traitent comme un audit périodique feront la course avec les mêmes modèles qu'elles utilisent.

Le retour au réel de la trésorerie

Le trimestre de Tesla offre un contrepoint utile au catastrophisme. L'entreprise a publié 1,53 milliard de dollars de free cash flow, contre un chiffre négatif le trimestre précédent, tout en citant explicitement les investissements en IA et robotique comme partie intégrante de son positionnement dans ces secteurs [2]. La leçon n'est pas que l'investissement dans l'IA est sûr. C'est que la discipline de trésorerie et la dépense en IA ne s'excluent pas mutuellement, même pour une entreprise qui déverse de l'argent dans les modèles et le hardware.

Pour les créateurs d'agents, l'enseignement pratique est plus étroit. Vous pouvez investir dans la capacité agentique sans traiter le calcul comme gratuit. Vous pouvez exécuter des agents focalisés sur la sécurité sans présumer qu'ils ne seront utilisés que par votre équipe. Et vous pouvez mesurer le coût d'une tâche au-delà des tokens et de la latence. Les données sur la qualité de l'air et la vulnérabilité PHP racontent la même histoire sous deux angles : les externalités de l'intelligence agentique deviennent visibles, et elles deviennent votre problème.

Ce qui reste pragmatique, c'est ceci : auditez votre volume d'inférence comme vous auditez vos dépendances. Traitez chaque déploiement d'agent comme une surface de sécurité, pas seulement comme un outil de productivité. Et quand un modèle trouve une vulnérabilité dans votre stack, partez du principe que le modèle de quelqu'un d'autre est déjà en train de la chercher aussi.