Les agents de codage IA coûtent cher et font exploser la facture. Les workloads agentiques peuvent solliciter plusieurs agents et leurs modèles de consommation imprévisibles diffèrent considérablement des simples interactions questions-réponses des humains. Pour toutes ces raisons, les coûts sont difficiles à comprendre et à attribuer, même lorsque la facture arrive. À l’heure où les organisations prennent conscience de cette réalité, une autre se profile : le ROI des dépenses en IA est loin d’être automatique.

Depuis l’avènement du cloud, les équipes informatiques n’ont jamais eu à faire face à des coûts aussi imprévisibles pour un service pourtant stratégique. Certains dépassements ont été spectaculaires.

Dans un effort pour stimuler l’adoption et la productivité des agents, certains dirigeants ont encouragé le « tokenmaxxing », pensant que l’hyperactivité de l’IA était synonyme d’impact métier et de rentabilité. D’autres responsables ont, quant à eux, plafonné la consommation générale bien en deçà des seuils de productivité afin de maîtriser les dépenses.

En l’absence de visibilité, impossible de savoir quels agents, workflows, modèles ou utilisateurs sont responsables de ces coûts. Les équipes ont donc toutes les peines du monde à savoir si leur consommation génère réellement de la valeur et un impact pour l’entreprise. Conséquence de cette situation, les organisations en quête de sécurité financière sont contraintes d’imposer des limites de dépenses arbitraires à leurs équipes et leurs talents les plus performants. Ces limites sont rarement le reflet fidèle de l’utilisation, de la valeur métier ou du retour sur investissement.

D’où l’introduction de Tokenomics dans Splunk Agent Observability, un outil conçu pour aider les équipes à justifier le ROI de leurs dépenses en IA à grande échelle. Tokenomics offre aux responsables financiers et techniques une visibilité complète sur l’utilisation et le coût des agents de codage et les métriques de productivité. Ce tableau de bord centralisé délivre toutes les informations nécessaires pour allouer correctement le budget et reprendre la main sur les coûts incontrôlables sans attendre la facture.

Ses prévisions précises limitent le recours aux plafonnements et évitent les factures surprises. En ayant accès à toutes ces données de dépenses dans Splunk Agent Observability, les équipes peuvent corréler les coûts avec les indicateurs de qualité et d’impact pour évaluer le ROI de l’IA à tous les niveaux.

Non seulement les entreprises savent où vont leurs dépenses en IA, mais elles comprennent quelles équipes et quels outils en sont à l’origine, et si ces usages sont rentables. Cette visibilité permet aux équipes d’optimiser la consommation avant de perdre le contrôle sur les dépenses et de déterminer si la valeur réellement générée par les investissements en IA justifie leur coût.

Cette fonctionnalité sera disponible sur site, dans Observability Cloud et dans Cisco Cloud Control à la fin du mois. Les principales intégrations couvriront Claude Code, Codex, Cursor, Windsurf et GitHub Copilot.

Regarder la démo de Navattic

Visualisez la consommation et le coût des agents au même endroit

L’adoption de l’IA concerne le plus souvent une pluralité d’outils, de fournisseurs et d’équipes. Lorsque les entreprises déploient des agents de codage, la fragmentation des consoles fournisseur et les retards de facturation empêchent souvent de comprendre qui consomme quoi, et qui doit assumer les coûts.

Tokenomics réunit les données d’utilisation, de coût et d’adoption afin que les équipes puissent suivre la répartition de la consommation entre les utilisateurs actifs, les équipes, les modèles, les fournisseurs et les outils. Des vues axées sur la finance et la direction permettent aux différentes parties prenantes de consulter les mêmes données à travers le prisme qui leur est le plus utile, tandis que la hiérarchie organisationnelle donne de la visibilité sur l’activité de chaque équipe.

Au lieu de compiler les données provenant d’un nombre toujours croissant de portails API, de passerelles LLM et de systèmes ERP ou GRH à l’aide de pipelines de données et des feuilles de calcul internes, les décideurs peuvent s’appuyer sur une image commune et une attribution plus claire. Grâce à cette visibilité, la consommation individuelle devient une responsabilité collective, et il devient possible d’investiguer les variations inattendues des dépenses avant qu’elles ne deviennent des problèmes majeurs.

Optimisez votre consommation avant de recevoir la facture

La visibilité dit aux équipes ce qui s’est passé. Pour gérer efficacement les coûts de l’IA, il importe également de comprendre ce qui peut se produire ensuite.

Tokenomics aide les équipes à interpréter les tendances de consommation historiques et actuelles, à établir des budgets, à identifier les usages anormaux et, à l’avenir, à prévoir la consommation. Grâce à cette boucle de rétroaction, les entreprises n’ont plus besoin d’attendre les factures d’IA pour réagir : elles peuvent gérer la consommation en amont, quand il est encore temps d’agir.

Budgétisation : Tokenomics permettra bientôt de mieux maîtriser les dépenses en IA donnant aux équipes la possibilité de définir des budgets et des seuils pour des périodes et des équipes spécifiques. En cas d’anomalie, des alertes signaleront toute utilisation inattendue ou imprévue susceptible de compromettre ces budgets, pour que les équipes puissent agir avant que les coûts ne s’envolent. Ces informations vont clarifier les responsabilités, faciliter la réduction des dépenses imprévues et rendre les coûts de l’IA plus prévisibles pour mieux accompagner l’adoption des agents à grande échelle.

Prévision : l’outil Tokenomics de Splunk Agent Observability exploitera bientôt le modèle de fondation Cisco Deep Time Series Model (CDTSM), conçu pour prédire les tendances de consommation et fournir des capacités de prévision « zéro coup » utilisables immédiatement. Les clients pourront ainsi prévoir la consommation par équipe, par projet et par fournisseur avant la fin de la période de facturation. CDTSM générera des prévisions précises pour une équipe ou un projet spécifique sans avoir besoin de s’entraîner sur des semaines de données historiques. Dans des évaluations comparatives internes, CDTSM a surpassé la précision des principaux modèles de prévision de séries chronologiques du secteur. Chaque prévision s’accompagne d’un intervalle de confiance afin que les équipes connaissent la fiabilité de la projection.

Résultat : plus de facture surprise en fin de mois. Les équipes anticipent la consommation, identifient plus tôt les risques de dépassement et adaptent leur consommation avant que les coûts ne soient engagés.

De la gestion des coûts à la valeur de l’IA

La maîtrise des coûts ne représente qu’une partie du problème. L’outil d’IA le moins cher n’est pas forcément le plus rentable et une consommation élevée peut être pleinement justifiée si elle produit des résultats importants.

Le nombre de tokens ne suffit pas à déterminer si un investissement dans l’IA porte ses fruits. Les organisations doivent évaluer les coûts parallèlement à l’adoption, à la productivité, à la qualité et aux résultats que l’IA contribue à produire en fin de compte.

Tokenomics est conçu pour aider les équipes à faire ce lien. En centralisant les signaux d’adoption, d’utilisation, de coût et de productivité, il devient possible d’identifier les domaines dans lesquels l’adoption de l’IA est efficace ou peu utile, et quels investissements méritent d’être développés. L’objectif est de dépasser le seul enjeu de la réduction des coûts à un débat portant sur l’optimisation de la rentabilité des dépenses dans l’IA.

Cette évolution s’ajoute aux nombreuses capacités de Splunk Agent Observability pour permettre aux équipes d’évaluer la qualité de l’IA parallèlement à la consommation de tokens, au coût, au comportement des agents et à l’infrastructure prenant en charge les workloads d’IA. Ensemble, ces signaux permettent de faire des arbitrages éclairés entre coût, qualité et performance plutôt que d’optimiser un indicateur isolé.

La transparence financière de l’IA agentique

Hautement granulaires et variables, les dépenses liées à l’IA sont réparties entre une pluralité de fournisseurs, d’équipes, d’outils et d’utilisateurs. Les revues de coûts mensuelles traditionnelles n’ont pas été pensées pour ce modèle opérationnel. Les entreprises ont besoin d’adapter à l’IA les disciplines que le FinOps a apportées au cloud : allocation, prévision, optimisation, transparence et gouvernance.

Tokenomics intègre ces disciplines à Splunk Agent Observability. En unifiant la visibilité et l’attribution des coûts sur l’ensemble de la pile d’IA, les équipes peuvent prendre des décisions plus judicieuses et étayées concernant les investissements, les optimisations et le déploiement de l’IA.

Au final, l’objectif n’est pas simplement de consommer moins de tokens. Il est de faire en sorte que chaque token et chaque dollar investi dans l’IA produisent davantage de valeur pour l’entreprise.

Premiers pas avec Tokenomics

Consultez notre site web et la documentation pour découvrir comment Splunk Agent Observability peut vous aider à comprendre l’utilisation et les coûts de vos agents de codage, à optimiser leur consommation et à chiffrer la valeur de vos investissements dans l’IA. Lancez-vous dès aujourd’hui avec Splunk Observability Cloud Free Edition.