Principes fondamentaux
Bâtir les fondations en premier lieu
Les modèles gagnent en capacité à chaque itération et le harness “built-in” au sein des agents IA s’améliore également en continu. Construire sur ces couches mouvantes revient à miser sur ce qui changera demain. Il faut donc investir dans ce que l’agent ne saura jamais déduire seul : la connaissance et l’expertise du domaine métier, les décisions d’architecture et de design, les politiques techniques (pratiques et choix techniques). Ces artefacts forment les fondations du projet et doivent rester sous contrôle.
Désactiver les mécanismes de mémoire automatique permet de garder la maîtrise de ce qui entre dans le contexte, et de vérifier en permanence que le socle reste pertinent.
Chaque friction (une réponse approximative, une décision oubliée, une instruction répétée, une qualité de résultat discutable) rencontrée est un signal qu’un des piliers (contexte, instructions ou feedback) doit être enrichis ou revus. Nos seuls leviers avec un agent sont tout ce qui entoure le modèle avec ce que l’on appelle le Harness : le contexte, les instructions et les outils qu’il peut utiliser pour obtenir du feedback quant au résultat.
L’humain est responsable du résultat
Un agent n’est qu’un outil de plus dans l’écosystème technique d’un développeur, au même titre qu’un compilateur ou un framework.
Comme pour tout outil, c’est au développeur d’en garder la maîtrise. Quel que soit le degré d’autonomie laissé à l’agent, le résultat produit reste sa responsabilité pleine et entière.
Pour assumer ce rôle de Responsable et Accountable (en référence au RACI), des points de contrôle et de validation sont intégrés au processus de développement. Ces points contraignent volontairement la vitesse du développement agentic : ils transforment la rapidité brute de l’agent en travail vérifié et assumé.
Maintenir la dette cognitive au plus bas
La dette technique est un emprunt temporel sur une décision technique : un raccourci accepté aujourd’hui qu’il faudra rembourser plus tard. Utilisée avec discernement, elle reste un levier essentiel pour atteindre un objectif.
La dette cognitive, plus silencieuse, existe à côté de cette dette technique. Cette dette cognitive traduit la perte progressive de maîtrise et de connaissance d’un système technique. Avant l’ère agentic, elle n’apparaissait que dans des situations de legacy ou de turnover important désormais elle peut arriver extrêmement rapidement.
Article : From Technical Debt to Cognitive and Intent Debt by Margaret-Anne Storey (PDF)
Le développement agentic change la donne. La puissance qu’il apporte déplace la charge mentale du développeur : il passe son temps à valider des propositions sans recul et ne plus réfléchir en amont. À mesure que ce réflexe s’installe, le développeur perd la capacité à se projeter dans son propre système, et devient dépendant de l’agent pour le comprendre. Maintenir cette dette cognitive au plus bas, c’est préserver la capacité à raisonner sans l’agent.
Mettre en place une AI FinOps
Les modèles évoluent vite : une version mineure tous les deux mois, une majeure tous les six mois. Intégrer ces modèles dans un produit ou un processus est un centre de coût continu avec nécessité d’une mesures de ces coûts et leur optimisation. Chaque version se comporte différemment de la précédente, et la structure construite autour d’un modèle reste fragile face à ces évolutions.
La consommation de tokens de chaque modèle ainsi que le coût/ million de tokens fluctue fortement, à la baisse mais souvent à la hausse (influencé par le tokenizer, ex. avec le changement introduit dans Opus 4.7 ou les étapes de reasoning et d’invalidation de cache dans Opus 4.8). Cela rend la prévision financière très difficile.
Intégrer l’IA dans les processus de développement nécessite des mesures, des contraintes et un processus d’optimisation continue afin de maîtriser les coûts par rapport aux impacts réels de l’IA agentique. Une démarche FinOps appliquée à l’IA fixe ces limites : périmètres d’usage, métriques de coût, seuils d’alerte. Elle préserve la capacité de l’organisation à absorber les évolutions de modèles sans en subir chaque secousse.