Le 24 juin 2026, KPMG a publié son Global AI Pulse du deuxième trimestre 2026. Dans cette étude, 49% des dirigeants déclarent avoir réduit leurs déploiements d'agents IA, car les coûts d'exploitation dépassaient les bénéfices. L'enquête porte sur 2 145 dirigeants dans 20 pays, au sein d'organisations réalisant plus de 50 millions de dollars de chiffre d'affaires.
Ce que KPMG a constaté
L'enquête américaine de KPMG a interrogé 204 dirigeants d'entreprises à plus d'un milliard de dollars de chiffre d'affaires. Seuls 26% d'entre eux voient en temps réel et en totalité ce que coûte l'exploitation de l'IA à grande échelle. Pour 35% de plus, la gestion des coûts de l'IA et la culture économique qui va avec, c'est-à-dire la tarification des tokens et de l'inférence, constituent un frein. Par ailleurs, 54% ont intégré des revues de coûts à leurs processus de validation des projets d'IA. KPMG note aussi que la résistance des salariés est passée de 5% à 20% d'un trimestre à l'autre. Forbes a relayé ces résultats le 9 août 2026.
Pourquoi le coût des agents est un sujet d'ingénierie
Un agent en production appelle le modèle à plusieurs reprises, et chaque appel est facturé en tokens. Sans evals, votre équipe ne peut pas savoir si un modèle moins cher ou un prompt plus court donne encore un résultat acceptable. Les dépenses augmentent alors sans arbitrage clair à présenter. Le budget de tokens par workflow et la mise en cache des appels répétés sont des décisions que les ingénieurs prennent dans le code. Il en va de même pour l'orientation des étapes simples vers du code déterministe. Certaines étapes n'ont pas besoin de modèle. Un moteur de règles ou une simple requête coûte moins cher à exécuter et se teste plus facilement.
Ce que cela change pour les équipes d'ingénierie
Le chiffre de 26% de KPMG laisse penser que la plupart des grandes entreprises ne voient pas ce que coûte chaque workflow. Il est alors difficile de défendre un agent en comité de validation. Avec 54% des entreprises qui intègrent désormais des revues de coûts à leurs validations, on vous demandera probablement le coût par tâche menée à terme, le taux d'échec et l'évolution de ces deux chiffres quand le modèle ou le prompt change. Pour les produire, il faut journaliser la consommation de tokens à chaque exécution, étiqueter les appels par workflow et maintenir des suites d'evals qui suivent la qualité en regard des dépenses. Les équipes qui peuvent présenter ces données gardent les agents là où ils sont rentables et arrêtent les autres.
Ce que cela change quand vous recrutez des ingénieurs
Lorsque vous recrutez des ingénieurs pour construire ou maintenir des agents, demandez-leur comment ils mesureraient le coût par workflow, quand ils mettraient des données en cache et quand ils retireraient complètement un modèle d'une étape. Savoir rédiger des prompts ne suffit pas à combler l'écart que KPMG décrit autour de la tarification des tokens et de l'inférence. Les ingénieurs qui rejoignent des équipes clientes via Miyagami passent deux évaluations de 60 minutes dans une vraie base de code, la première sans outils d'IA, la seconde avec leurs propres agents. Les deux scorecards vous sont transmises, ce qui vous permet de voir comment un ingénieur travaille avec et sans agents avant son arrivée dans votre équipe.
Pour en savoir plus sur notre méthode d'évaluation des ingénieurs, y compris le contenu de chaque session, consultez cette page.
