EY prévoit une nouvelle unité pour maîtriser les coûts de l’IA en entreprise

EY a atteint google news avec un projet annoncé de création d’une unité dédiée destinée à aider les entreprises à contenir la hausse des coûts de l’intelligence artificielle. Cette initiative comporte une tension évidente. Les entreprises veulent davantage de systèmes d’IA autonomes, tout en ne disposant pas de moyens fiables pour mesurer les ressources consommées par chaque tâche achevée.

Bloomberg a fait état de l’unité envisagée le 11 août 2026. Les informations publiques sur son nom, sa direction, ses effectifs et son calendrier de lancement restent limitées. EY n’a pas publié d’annonce détaillée confirmant de manière indépendante tous les éléments du reportage.

L’orientation correspond toutefois à un cadre publié par EY en juillet. Ce cadre soutient que les entreprises ont besoin d’un responsable clairement identifié pour les dépenses liées aux agents, ainsi que de limites empêchant les flux de travail incontrôlés.

Il ne s’agit pas simplement d’un nouveau service de conseil associé à une technologie populaire. EY remet en question l’hypothèse selon laquelle la baisse des prix des modèles rend automatiquement l’IA d’entreprise abordable.

Son principal adversaire est la responsabilité fragmentée. Les équipes d’ingénierie surveillent les tokens, les équipes cloud gèrent l’infrastructure, les responsables des risques suivent les contrôles et les dirigeants opérationnels approuvent les projets. Personne ne voit nécessairement la facture complète ni ne la compare à un résultat effectivement obtenu.

Les concurrents ont déjà identifié cette opportunité. Harness et Flexera ont lancé en 2026 des produits reliant la consommation d’IA aux coûts cloud, aux unités opérationnelles, aux agents et aux résultats. EY aborde le même problème sous l’angle de la gouvernance, des décisions d’investissement et de la conception opérationnelle.

Il en résulte une opposition entre une adoption de l’IA mesurée par l’activité et un investissement dans l’IA mesuré par la valeur. Davantage d’utilisateurs, de prompts, d’agents et de tokens peuvent démontrer l’adoption. Ils ne peuvent pas établir qu’un système améliore les revenus, la qualité, la rapidité ou le risque.

Ce que le rapport EY de Google News change réellement

EY transformerait le contrôle des coûts de l’IA, jusqu’ici une activité ponctuelle de conseil, en un domaine distinct de responsabilité organisationnelle.

Le titre de google news indique qu’EY lance une unité visant à maintenir les dépenses d’intelligence artificielle sous contrôle. Le reportage sous-jacent de Bloomberg fournit l’élément déclencheur, mais les informations publiques ne présentent toujours pas un modèle opérationnel complet.

Cette absence de précisions est importante. Une unité dédiée peut recouvrir plusieurs structures différentes. Il peut s’agir d’une équipe interne, d’une activité de conseil auprès des clients ou d’un service plus large réunissant des spécialistes de la finance, de la technologie et du risque.

Tant qu’EY ne publie pas ces détails, les lecteurs devraient considérer la structure précise comme rapportée, plutôt que comme entièrement documentée. La stratégie sous-jacente est plus facile à vérifier à travers les récents travaux d’EY sur l’économie des agents.

Le document de juillet d’EY, agentic value, recommande de nommer un Head of Agent Economics ou un Agent FinOps Lead. Le FinOps est une discipline de gestion qui relie les dépenses technologiques aux décisions d’ingénierie et à la valeur opérationnelle.

Ce responsable proposé superviserait l’utilisation des modèles, les fuites de coûts et la réalisation de valeur à travers plusieurs budgets. EY recommande également des plafonds de dépenses, des limites de volume d’appels et des arrêts automatiques aux niveaux de l’agent, du flux de travail et de l’unité opérationnelle.

Ces contrôles répondent à un changement architectural précis. Un chatbot conventionnel reçoit généralement une demande et renvoie une réponse. Un agent d’IA peut planifier, récupérer des documents, appeler des logiciels, consulter des sous-agents, réessayer des étapes défaillantes et affiner sa sortie.

Chaque action supplémentaire consomme des ressources. La réponse finale peut sembler simple, même lorsque le parcours qui y mène comprend de nombreux appels de modèles et opérations d’outils.

EY indique que le coût total dépasse les tokens et les appels d’interface de programmation d’applications. Il comprend également les abonnements logiciels, l’infrastructure de plateforme, la gouvernance, le changement organisationnel, la reprise après défaillance et d’éventuelles obligations réglementaires.

Cette définition plus large donne à l’unité annoncée sa raison d’être stratégique. Elle fournit à EY un cadre pour examiner des dépenses réparties entre la finance, la technologie, le juridique, les ressources humaines et les différentes unités opérationnelles.

Cette initiative s’inscrit également dans l’expansion plus large d’EY dans l’IA. EY et Microsoft ont annoncé en mai une initiative conjointe conçue pour faire passer les projets clients des pilotes à des déploiements plus vastes. Les entreprises ont indiqué que leur priorité initiale incluait la finance, la fiscalité, les ressources humaines et les chaînes d’approvisionnement.

Le passage à l’échelle crée le besoin d’une discipline des coûts. Un petit pilote peut tolérer une supervision manuelle et une comptabilité imprécise. Un système de production au service de milliers d’employés ou de clients ne peut pas reposer sur les mêmes hypothèses.

L’unité annoncée d’EY marque donc une transition de l’expérimentation en IA vers la responsabilité opérationnelle. Le changement important n’est pas un tableau de bord de plus. C’est la tentative de rendre quelqu’un responsable de l’économie des logiciels autonomes.

Pourquoi l’IA agentique rend le contrôle des coûts plus difficile

Le problème central des coûts provient du comportement variable, et pas simplement de modèles onéreux.

Les logiciels d’entreprise traditionnels reposent souvent sur des licences, des sièges ou des contrats de capacité. Ces dispositifs sont imparfaits, mais les équipes financières peuvent généralement les prévoir à l’aide d’éléments familiers.

Les systèmes agentiques se comportent différemment. Leur consommation dépend de la tâche, du modèle sélectionné, de la taille du contexte, du nombre d’outils, du comportement de relance et des conditions d’arrêt. Deux demandes apparemment similaires peuvent créer des parcours d’exécution différents.

Cette variabilité fragilise les estimations budgétaires fondées sur un appel moyen à un modèle. La facture du modèle capture la consommation visible, mais l’orchestration et le support opérationnel peuvent apparaître ailleurs.

Le cadre d’EY répartit le coût total d’un agent en sept catégories. Les catégories visibles comprennent les tokens, les abonnements et l’infrastructure. Les catégories moins visibles comprennent la gouvernance, les changements de main-d’œuvre, les défaillances et les coûts réglementaires potentiels.

Ces catégories relèvent souvent de dirigeants différents. Un responsable technologique peut voir l’utilisation des modèles, tandis qu’une équipe de gestion des risques finance les évaluations et les contrôles. Les ressources humaines peuvent payer la formation, et les opérations peuvent absorber le travail de remédiation.

Cette fragmentation peut faire paraître moins coûteux qu’il ne l’est un agent apparemment efficace. Elle rend également les comparaisons avec le travail humain peu fiables lorsque l’organisation exclut les dépenses de supervision et de reprise.

Le coût par token ne peut pas résoudre ce problème comptable. Les tokens mesurent des fragments de texte traités par un modèle, mais ils n’indiquent pas si l’agent a accompli une tâche utile.

Un agent qui utilise moins de tokens peut tout de même échouer plus souvent. Un autre peut consommer davantage de ressources tout en résolvant un cas important sans escalade. L’entreprise a besoin à la fois de données de consommation technique et de données sur les résultats.

Harness a concrétisé cet argument lorsqu’il a lancé en mai des capacités de cost per outcome. Son système attribue les dépenses aux agents, aux sessions, aux exécutions, aux étapes et aux résultats opérationnels.

Le produit peut identifier une conversation qui devient coûteuse parce qu’un agent entre à plusieurs reprises dans une chaîne d’outils inutile. Cela transforme une anomalie financière en problème logiciel que les ingénieurs peuvent examiner.

Flexera a adopté une approche plus large de l’infrastructure. Sa publication de juin sur l’AI cost management relie la consommation à travers les applications, les agents, les modèles, les plateformes de données et le calcul.

Ces lancements montrent que la gestion des coûts de l’IA devient une catégorie de produits, et non plus seulement un thème de conseil. Ils mettent également en lumière le défi auquel EY est confronté.

Les plateformes logicielles peuvent collecter la télémétrie en continu. La télémétrie correspond aux données opérationnelles montrant le comportement d’un système pendant son exécution. EY doit démontrer pourquoi la conception organisationnelle apporte une valeur au-delà de ces tableaux de bord.

La réponse la plus solide est que la mesure seule ne crée pas de responsabilité. Un tableau de bord peut montrer qu’un agent a consommé davantage de ressources, mais il ne peut pas décider si le résultat les justifiait.

Cette décision exige un responsable opérationnel, une métrique de valeur convenue et l’autorité de réduire ou d’arrêter l’utilisation. Elle exige également des enregistrements clairs des informations récupérées par un agent et des actions qu’il a tenté d’exécuter.

Les équipes exploitant des flux de travail d’IA ont besoin de sources traçables. Une base de connaissances consultable peut aider les ingénieurs à déterminer quel contexte a façonné une exécution coûteuse ou défaillante.

L’opportunité d’EY se situe entre les couches financières et techniques. Si l’unité annoncée réussit, elle reliera les contrôles de consommation à l’allocation de capital, à la tolérance au risque et aux résultats opérationnels.

Le véritable adversaire est la responsabilité fragmentée

EY parie que les dépenses d’IA incontrôlées sont avant tout un échec de gouvernance.

Les entreprises achètent rarement l’intelligence artificielle par un canal unique et clairement défini. Les employés utilisent des assistants inclus dans des offres groupées, les équipes achètent un accès direct aux modèles et les développeurs consomment des services gérés via des fournisseurs cloud.

Les agents peuvent également appeler des services de recherche externes, des bases de données, des outils de codage et des applications métier. Chaque dépendance peut avoir ses propres relevés d’utilisation et responsables budgétaires.

La finance voit les factures après la consommation. L’ingénierie voit les traces techniques sans disposer du contexte opérationnel complet. Les équipes de sécurité et juridiques peuvent n’intervenir que lorsqu’un système traite des données sensibles ou provoque un incident.

Cette organisation a mal fonctionné lors des débuts de l’adoption du cloud. Les équipes pouvaient provisionner rapidement des ressources, tandis que les contrôles de dépenses et les pratiques d’allocation arrivaient plus tard.

Le FinOps a émergé pour relier les équipes finance, ingénierie et produit autour de données de consommation communes. L’IA prolonge désormais ce défi parce que ses charges de travail sont moins prévisibles et plus étroitement liées au comportement des utilisateurs.

Le Head of Agent Economics proposé par EY concentre la responsabilité sous un même dirigeant. Cette personne ne remplacerait pas les responsables de l’ingénierie, de la finance ou du risque. Ce rôle donnerait à leurs décisions distinctes un cadre économique commun.

Le modèle proposé dépend de l’économie unitaire. L’économie unitaire mesure le coût et la valeur associés à une unité utile, comme un dossier résolu ou un flux de travail achevé.

Choisir cette unité est difficile. Un agent de recherche interne peut faire gagner du temps aux employés, améliorer la qualité des décisions ou réduire les informations manquées. Ces bénéfices ne s’intègrent pas facilement dans une seule mesure financière.

Le service client offre un exemple plus clair. Une entreprise peut comparer le coût total de l’agent au nombre de demandes résolues, aux taux d’escalade, à la satisfaction client et au travail de correction.

Le développement logiciel est plus difficile. Un agent peut générer du code rapidement tout en créant des obligations de revue, de sécurité ou de maintenance qui apparaissent plus tard.

C’est là qu’un responsable centralisé peut devenir utile. Il peut exiger que chaque agent dispose d’une métrique de résultat avant son déploiement et d’une règle d’arrêt après son lancement.

Une règle d’arrêt définit le moment où le système doit se mettre en pause parce que les dépenses, les erreurs ou le volume d’appels dépassent une limite approuvée. Elle empêche une boucle autonome de se poursuivre jusqu’à ce que quelqu’un remarque une facture plus importante.

Pourtant, la centralisation comporte ses propres risques. Un nouveau titre de dirigeant peut ajouter une couche d’approbation sans améliorer la visibilité technique. Il peut également orienter l’attention vers les coûts faciles à mesurer tout en sous-évaluant la qualité.

EY doit éviter de transformer l’économie des agents en bureau de réduction budgétaire. Son propre cadre indique que les organisations devraient orienter les dépenses vers une valeur mesurable, et non simplement minimiser la consommation.

Cette distinction influe sur le choix du modèle. Un modèle moins performant peut réduire la consommation d’inférence tout en augmentant les échecs, les nouvelles tentatives et les examens humains. L’appel au modèle, moins cher, peut aboutir à une tâche achevée plus coûteuse.

La même tension s’applique à la récupération d’informations. Un contexte plus court peut réduire le traitement, mais l’absence d’éléments de preuve peut affaiblir une réponse. Un contexte plus long peut améliorer la couverture tout en augmentant la consommation et la latence.

La gestion des coûts des agents nécessite donc plus que des plafonds. Elle exige des systèmes d’évaluation qui mesurent la réussite, l’échec et les conséquences des interventions.

La fragmentation des responsabilités reste le principal obstacle, car chaque optimisation crée des compromis ailleurs. Une fonction unique et responsable peut rendre ces compromis visibles avant que les équipes ne déplacent les coûts d’un budget à l’autre.

Ce que l’argumentaire de maîtrise des coûts ne prouve pas

Une nouvelle unité ne peut pas garantir des économies, une attribution précise ou de meilleurs résultats en matière d’IA.

Le titre de Bloomberg a placé le projet rapporté d’EY dans google news, mais les éléments publics laissent plusieurs questions sans réponse. EY n’a pas divulgué la liste des clients de l’unité, ses objectifs de performance ni son autorité en matière de gouvernance.

On ignore également si le groupe déploiera des logiciels propriétaires, intégrera des plateformes tierces ou se concentrera sur des services de conseil. Ces choix déterminent si EY peut observer les flux de travail assez profondément pour les contrôler.

Les données de facturation seules offrent une vision incomplète. Une attribution efficace exige des identifiants qui relient les appels aux modèles aux utilisateurs, agents, sessions, outils, produits et résultats achevés.

Les organisations ne collectent pas toujours ces identifiants de manière cohérente. Les applications plus anciennes peuvent regrouper les requêtes, tandis que les fournisseurs externes peuvent proposer des formats de facturation et de télémétrie différents.

La mesure des résultats introduit un autre problème. Les équipes pourraient optimiser la métrique qui retient l’attention des dirigeants, même si elle ne représente qu’une partie de la valeur du système.

Un agent évalué sur les tickets finalisés pourrait clôturer les dossiers trop agressivement. Un assistant de programmation mesuré selon le volume de résultats générés pourrait encourager des changements inutiles. Un outil de recherche jugé sur sa rapidité pourrait omettre des éléments de preuve importants.

L’unité rapportée entre aussi sur un marché où existent déjà des fournisseurs établis de gestion des coûts. Harness combine déjà allocation cloud et IA, gouvernance, détection d’anomalies et données détaillées sur les flux de travail.

Flexera affirme que sa plateforme couvre les modèles, les applications, les données et la capacité de calcul. Les fournisseurs cloud et les passerelles de modèles peuvent également ajouter des contrôles natifs qui réduisent la nécessité d’une couche de conseil distincte.

L’avantage d’EY réside dans son accès aux décideurs de la finance, des opérations, du risque et de la direction. Sa faiblesse tient au fait que les recommandations de conseil peuvent se détacher du comportement technique réel.

L’entreprise doit prouver que son cadre modifie les déploiements une fois qu’un rapport ou un atelier est terminé. Des éléments utiles comprendraient moins de boucles non contrôlées, une attribution des résultats plus solide et l’arrêt plus rapide des projets faibles.

La propre analyse d’EY cite une prévision de Gartner selon laquelle plus de 40 % des projets d’IA agentique seront annulés d’ici la fin de 2027. Gartner attribue ces annulations attendues à la hausse des coûts, à une valeur peu claire ou à des contrôles des risques insuffisants.

La prévision d’annulation des agents étaye le sentiment d’urgence d’EY. Elle ne prouve pas qu’une unité économique centralisée empêche ces échecs.

Les entreprises peuvent aussi confondre annulation et échec. Mettre fin à un agent peu performant avant un déploiement plus large peut représenter une gouvernance réussie et un investissement discipliné.

Une autre incertitude concerne la tarification des fournisseurs. Les coûts des modèles peuvent baisser tandis que la consommation totale des flux de travail augmente, car les agents exécutent davantage d’étapes et atteignent plus d’utilisateurs.

Les entreprises peuvent réagir en orientant les tâches plus simples vers des modèles plus petits. Cela peut améliorer l’économie, à condition que les évaluations confirment que la qualité reste acceptable.

La supervision humaine doit rester intégrée au modèle de coûts. Un agent qui semble peu coûteux avant examen peut devenir onéreux lorsque des spécialistes vérifient ses résultats et corrigent ses erreurs.

Les coûts liés aux risques sont encore plus difficiles à prévoir. La plupart des jours peuvent se dérouler sans incident, alors qu’un seul échec de confidentialité, de sécurité ou de conformité peut créer un vaste travail de remédiation.

La proposition d’EY est crédible parce que ces coûts sont dispersés. Son efficacité reste non vérifiée, car l’entreprise n’a pas encore publié de résultats mesurables issus de l’unité rapportée.

Ce que les lecteurs de Google News devraient surveiller ensuite

Trois signaux montreront si EY a créé un véritable modèle opérationnel ou une nouvelle étiquette de conseil.

Le premier signal sera une annonce détaillée d’EY. Elle devrait identifier le responsable de l’unité, son périmètre, ses effectifs, ses capacités techniques et sa relation avec les pratiques EY existantes.

Un cadre public devrait aussi expliquer si l’unité sert EY en interne, conseille des clients ou fait les deux. Cette distinction influe sur les éléments de preuve que les lecteurs devraient attendre.

Une utilisation interne donnerait à EY la possibilité de tester les contrôles sur ses propres systèmes d’IA. Le travail auprès des clients exigerait des méthodes reproductibles fonctionnant sur différents clouds, modèles et processus métier.

Une autorité claire renforcerait l’argument. Une unité qui peut recommander des limites de dépenses a moins d’influence qu’une unité capable d’imposer des seuils ou d’exiger des métriques de résultats.

Le silence ou une image de marque vague affaiblirait l’interprétation du rapport de Bloomberg. Cela suggérerait que le concept en est à un stade plus précoce que ne le laisse entendre le titre de google news.

Le deuxième signal sera constitué d’éléments de preuve au niveau des flux de travail. EY devrait montrer comment un client relie la consommation totale à un résultat métier achevé.

Des exemples utiles incluraient le support client, le développement logiciel, la finance ou la chaîne d’approvisionnement. Chaque exemple devrait inclure l’usage technique, la supervision humaine, les échecs et la mesure de valeur retenue.

Les lecteurs devraient rechercher des comparaisons avant et après l’introduction des contrôles. Les résultats les plus crédibles indiqueront si une baisse des dépenses a modifié la qualité, la latence ou les taux d’escalade.

Les affirmations d’économies en pourcentage méritent la prudence sans référence de base définie. Un système peut réduire la consommation de modèles tout en transférant le travail vers les employés ou d’autres logiciels.

Des preuves d’une baisse du coût total par résultat réussi renforceraient la thèse d’EY. Des réductions de tokens sans données sur les résultats l’affaibliraient.

Le troisième signal sera la réponse de la concurrence. Harness, Flexera, les fournisseurs cloud, les passerelles de modèles et les fournisseurs d’observabilité développent des capacités qui se recoupent.

Des partenariats pourraient aider EY à obtenir une télémétrie détaillée sans construire elle-même chaque composant technique. Ils pourraient aussi révéler que le facteur de différenciation de l’entreprise réside dans la gouvernance et la conception opérationnelle.

La concurrence pourrait pousser EY à expliquer où s’arrête le conseil et où commence le logiciel. Les acheteurs doivent savoir qui détient les données, configure les contrôles et intervient lorsqu’un agent dépasse une limite.

Le marché plus large testera également si le poste de Head of Agent Economics devient une fonction durable. Des nominations généralisées valideraient l’argument d’EY selon lequel l’IA nécessite une responsabilité financière distincte.

Un résultat plus faible serait que les responsables FinOps, finance ou technologie existants absorbent ces responsabilités. Cela n’éliminerait pas le problème, mais réduirait le besoin d’une nouvelle catégorie organisationnelle.

Pour les développeurs, la leçon immédiate est simple. Instrumentez les agents avant leur montée en charge, enregistrez les appels d’outils et les nouvelles tentatives, et reliez chaque exécution à un résultat.

Les acheteurs d’entreprise devraient exiger davantage que des tableaux de bord d’utilisation. Ils ont besoin de règles d’allocation, de contrôles d’arrêt, de données d’évaluation et de responsabilités claires en cas d’échec.

Les travailleurs du savoir doivent s’attendre à ce que les organisations examinent de près quelles tâches d’IA génèrent une valeur mesurable. Une activité élevée, à elle seule, deviendra une justification plus faible pour poursuivre les dépenses.

L’apparition d’EY dans google news reflète une évolution plus large de l’IA en entreprise. L’adoption n’est plus la seule métrique phare. Les entreprises doivent de plus en plus expliquer ce que produisent leurs agents, ce que coûtent les échecs et qui peut les arrêter.

L’unité rapportée mérite l’attention parce qu’elle place cette responsabilité près du centre de la stratégie d’IA. Elle ne mérite pas encore un tour d’honneur.

Surveillez la structure officielle d’EY, les preuves au niveau des flux de travail et les partenariats concurrentiels au cours des trois prochains mois. Ces signaux montreront si l’économie des agents devient une discipline opérationnelle ou reste un nom séduisant.

Si votre organisation exploite déjà des agents d’IA, posez une question directe : qui peut indiquer le coût total d’une tâche réussie et défendre ce calcul ? Si personne ne le peut, le problème de contrôle est déjà arrivé.