Combien coûte un agent IA en entreprise

Le prix affiché n'est pas le prix payé

Quand on demande combien coûte un agent IA, la première réponse qui vient est presque toujours un abonnement mensuel. C'est incomplet. Un agent IA autonome en production additionne plusieurs postes de coût qui ne figurent jamais sur la même facture : l'inférence du modèle, l'abonnement à la plateforme, le temps d'intégration, la supervision humaine, et la maintenance dans la durée. EY, dans une analyse sur le coût des tokens en entreprise, résume bien le problème : ces coûts totaux restent structurellement invisibles, parce qu'ils se dispersent sur plusieurs budgets qui ne sont jamais consolidés au même endroit (source : EY, "Agentic AI enterprise token costs", https://www.ey.com/en_us/insights/ai/agentic-ai-token-costs, consulté le 2026-09-04).

Poste 1 : l'inférence LLM, le prix des tokens

C'est le poste le plus visible, et le plus mal compris. Chaque réflexion d'un agent (planification, décision, appel d'outil) consomme des tokens, facturés par les fournisseurs de modèles au million de tokens, avec un prix différent pour l'entrée (ce qu'on envoie au modèle) et la sortie (ce qu'il produit). Voici les tarifs publics affichés le 4 septembre 2026.

Sur l'API Anthropic (source : Claude, page tarifs, https://claude.com/pricing, consulté le 2026-09-04) : Claude Haiku 4.5 est facturé 1 dollar par million de tokens en entrée et 5 dollars en sortie. Claude Sonnet 5 est à 2 dollars en entrée et 10 dollars en sortie. Claude Opus 5, le modèle le plus capable, est à 5 dollars en entrée et 25 dollars en sortie.

Sur l'API OpenAI (source : OpenAI, documentation tarifs, https://developers.openai.com/api/docs/pricing, consulté le 2026-09-04) : GPT-5 est à 1,25 dollar en entrée et 10 dollars en sortie. GPT-5.4 est à 2,50 dollars en entrée et 15 dollars en sortie. GPT-5.5 est à 5 dollars en entrée et 30 dollars en sortie.

Ces chiffres donnent un ordre de grandeur, pas un budget final : un agent qui planifie, appelle plusieurs outils et relit ses propres résultats peut consommer plusieurs dizaines de milliers de tokens pour une seule tâche. EY illustre cette dérive avec un exemple qu'il présente lui-même comme une illustration, pas comme une moyenne de marché vérifiée : une conversation client qui coûtait 0,04 dollar en 2023 est passée à environ 1,20 dollar en 2026, une multiplication par 30 due à la complexité croissante des orchestrations d'agents (même source qu'au-dessus). C'est justement ce qui rend l'option BYOK intéressante pour les entreprises qui veulent garder la main sur ce poste : elle permet de connecter directement sa propre clé API d'un fournisseur d'inférence, l'option BYOK, avec une facturation qui suit alors le tarif du fournisseur choisi plutôt qu'un forfait de crédits.

Un point souvent oublié dans ce calcul : le prix par million de tokens ne dit rien du volume réel consommé par un agent. Un agent de support qui répond en une seule fois à une question simple consomme peu. Un agent qui planifie une tâche, appelle trois outils, relit ses résultats et corrige son propre brouillon peut multiplier ce volume par dix ou vingt sur une seule requête. C'est cette mécanique, plus que le tarif affiché par le fournisseur, qui explique pourquoi la facture d'inférence d'un agent en production surprend souvent à la hausse ceux qui n'ont chiffré leur projet qu'à partir du prix catalogue.

Poste 2 : la plateforme et les slots

À l'inférence s'ajoute le coût de la plateforme elle-même : l'environnement qui héberge l'agent, gère ses permissions, ses connexions aux outils, son historique et son observabilité. Ce n'est pas la même chose que le prix des tokens, c'est le prix de l'infrastructure qui rend l'agent utilisable et pilotable au quotidien, plutôt qu'un simple script qui appelle une API de modèle. Sur Atako, ce poste est facturé par agent actif, avec un volant de crédits d'inférence inclus chaque mois. Le détail exact des paliers est visible sur la page tarifs. C'est un modèle courant chez les plateformes d'agents : on paie la capacité, combien d'agents peuvent tourner en même temps, pas le nombre d'employés qui les utilisent.

Poste 3 : l'intégration aux outils existants

Un agent qui ne parle qu'à lui-même n'a aucune valeur. Il doit lire un CRM, écrire dans un outil de ticketing, poster dans un canal de discussion. Chaque connexion demande une configuration : créer les accès API ou OAuth, définir précisément ce que l'agent a le droit de faire, pas seulement à quoi il a accès, puis tester que ça fonctionne sur des cas réels. Ce travail est souvent sous-estimé au moment du chiffrage initial d'un projet, alors qu'il conditionne directement si l'agent est réellement utile ou s'il reste un gadget qui répond bien en démo mais ne touche jamais aux vrais systèmes de l'entreprise.

Ce poste varie énormément selon le nombre d'outils à connecter et leur complexité. Brancher un agent sur un seul système bien documenté, avec une authentification simple par clé API, prend quelques heures. Multiplier les connexions, avec des systèmes qui demandent chacun leur propre paramétrage (sous-domaine, région, droits spécifiques par objet), fait grimper ce poste beaucoup plus vite que le nombre d'outils ne le laisse penser. C'est un des arguments en faveur d'une plateforme qui a déjà industrialisé un large catalogue de connecteurs prêts à l'emploi, plutôt que de redévelopper chaque intégration en interne.

Poste 4 : la supervision humaine

Un agent autonome n'est pas un agent sans contrôle. Les actions les plus sensibles, envoyer un email à froid à un client, publier du contenu public, modifier une donnée de facturation, méritent un point de validation humaine avant exécution, au moins au démarrage. Ce temps de supervision a un coût réel, souvent en heures de collaborateurs qui relisent, valident ou corrigent le travail de l'agent. Il diminue normalement avec la confiance acquise, mais il ne disparaît jamais complètement : la gouvernance et les garde-fous font partie du coût total, pas d'un supplément optionnel. C'est aussi l'un des facteurs cités par Gartner pour expliquer pourquoi plus de 40 % des projets d'IA agentique devraient être abandonnés d'ici fin 2027 : des coûts de gouvernance et de contrôle du risque sous-estimés au départ (source : Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consulté le 2026-09-04).

Poste 5 : la maintenance dans la durée

Un agent déployé n'est jamais fini. Les instructions qu'on lui donne doivent être ajustées quand un process change. Les connecteurs cassent quand un fournisseur tiers modifie son API. Les journaux d'activité doivent être surveillés pour repérer les dérives avant qu'elles ne deviennent des incidents. Ce poste de maintenance est celui que les porteurs de projet oublient le plus systématiquement au moment de calculer un budget, parce qu'il n'apparaît pas au lancement : il se paie mois après mois, sous forme de temps d'ingénieur ou d'administrateur qui garde l'œil sur ce qui tourne.

Construire soi-même ou passer par une plateforme

Face à cette liste, deux chemins existent. Construire en interne : assembler soi-même l'appel au modèle, la gestion des permissions, l'observabilité, les connecteurs, avec une équipe technique dédiée. Ou passer par une plateforme qui a déjà industrialisé ces briques, et facture un abonnement par agent plutôt qu'un projet d'ingénierie sur mesure. Le choix dépend surtout du nombre d'agents visés et de la rareté des cas d'usage : plus les besoins sont standards (support, RH, veille), moins la construction sur mesure se justifie. Ce comparatif est développé plus en détail dans un article dédié. Dans tous les cas, avant de trancher, mieux vaut avoir un chiffrage réaliste des cinq postes ci-dessus plutôt qu'un seul prix d'abonnement affiché en gros sur une page marketing.