On posait une question. Quelques secondes plus tard, une réponse apparaissait. Le coût réel de cette réponse — processeurs, énergie, centres de données, refroidissement, bande passante — restait invisible pour l’utilisateur.

Avec les agents autonomes, cette illusion commence à disparaître.

Un agent n’est plus simplement appelé pour produire trois paragraphes. Il peut rechercher des informations, ouvrir des fichiers, écrire du code, tester une application, revenir sur une erreur, appeler d’autres agents, reprendre une tâche interrompue et continuer à travailler pendant plusieurs dizaines de minutes, voire plusieurs heures.

L’intelligence artificielle commence donc à ressembler moins à un logiciel qu’à une **machine de production numérique**.

Et toute machine finit par avoir une facture.

Astra : quand le meilleur client devient aussi le plus coûteux

Le premier signal est venu de GPT-6 Astra.

Lancé le 3 septembre, le nouveau modèle d’OpenAI a suscité une demande telle que l’entreprise a décidé, dès le 10 septembre, de suspendre les nouvelles souscriptions et migrations vers son forfait ChatGPT Pro à 200 dollars.

Les utilisateurs déjà abonnés conservent leur accès.

Mais le symbole est frappant.

Dans l'économie classique du logiciel, une entreprise cherche généralement à vendre autant d’abonnements premium que possible. Un utilisateur supplémentaire coûte relativement peu une fois le produit développé.

L’intelligence artificielle agentique bouleverse cette équation.

Un utilisateur extrêmement actif n’est pas seulement un bon client.

Il peut aussi devenir un consommateur massif de calcul.

Lorsqu’un utilisateur demande à Astra ou à un agent de travailler durant une heure sur un problème complexe, ce n’est pas un logiciel dormant sur son ordinateur qui effectue tranquillement la tâche.

Quelque part dans un centre de données, des accélérateurs calculent effectivement.

Ils consomment de l’électricité.

Ils occupent de la capacité.

Et pendant qu’ils travaillent pour cet utilisateur, ils ne travaillent pas pour un autre.

C’est précisément là que l’économie de l’IA commence à rejoindre celle de l’industrie.

## **Puis OpenAI ouvre l’usine**

Presque simultanément, OpenAI a lancé en bêta publique son **Agents API**.

Cette fois, le mouvement va dans la direction inverse.

Après avoir limité l’accès à son offre la plus gourmande, l’entreprise ouvre aux développeurs une partie de l’infrastructure utilisée derrière Codex.

Et cette infrastructure est probablement plus importante que le modèle lui-même.

Car un agent efficace a besoin de beaucoup plus qu'une intelligence linguistique.

Il faut lui permettre de conserver le contexte de la mission, de manipuler des fichiers, d’appeler des outils, de lancer du code, de reprendre une opération après une erreur et éventuellement de répartir son travail entre plusieurs sous-agents.

Autrement dit : il lui faut une organisation du travail.

OpenAI appelle cette couche le **harness**, que l’on pourrait traduire par moteur d’orchestration.

Le modèle pense.

Le harness organise.

Les outils exécutent.

L’environnement hébergé fournit les machines.

Nous ne sommes déjà plus très loin d’une chaîne de production.

## **L’agent à dix sous-agents**

La dimension la plus intéressante est probablement celle des sous-agents.

Imaginez un agent principal chargé d’une mission complexe.

Au lieu de tout faire lui-même, il peut demander à un premier agent d’effectuer une recherche documentaire, à un deuxième d’analyser des données, à un troisième de vérifier du code et à un quatrième de produire une synthèse.

L’agent principal récupère ensuite les résultats.

D’un point de vue organisationnel, cela ressemble étrangement à une équipe.

D’un point de vue économique, cependant, chacune de ces opérations consomme du calcul.

Un agent autonome n’est donc pas nécessairement une seule intelligence artificielle travaillant à la place d’un humain.

Il peut être temporairement **une petite entreprise numérique composée de plusieurs travailleurs artificiels**.

Et c’est précisément là que commence le problème.

## **Un salarié coûte cher. Un agent aussi, mais différemment**

Le discours dominant sur l’intelligence artificielle repose souvent sur une comparaison simple :

un salarié coûte plusieurs milliers de dirhams par mois ; un abonnement IA coûte quelques centaines ou quelques milliers de dirhams.

La conclusion semble évidente.

Elle l’est beaucoup moins lorsqu’on observe la nouvelle génération d’agents.

L’abonnement mensuel n’est qu’une partie du coût.

Lorsqu’une entreprise développe ses propres agents avec une API, elle doit payer les tokens consommés, les outils utilisés, les environnements d’exécution et parfois les longues chaînes d’appels entre modèles.

Avec GPT-6 Astra, les prix de l’API atteignent actuellement 10 dollars par million de tokens en entrée et 50 dollars par million de tokens générés en sortie.

Un workflow simple peut coûter très peu.

Un workflow sophistiqué, employant plusieurs agents durant une longue période, peut coûter beaucoup plus.

La grande inconnue économique des prochaines années se trouve peut-être ici :

**combien coûte réellement une heure de travail d’un agent performant ?**

## **Le patron découvrira le compteur**

C’est probablement le réveil qui attend une partie des entreprises.

Les premiers usages de l’IA ont habitué les utilisateurs à une tarification relativement lisible : 20, 100 ou 200 dollars par mois.

Les agents autonomes réintroduisent une logique beaucoup plus proche du cloud computing.

Plus on utilise, plus on paie.

Plus l’agent réfléchit, cherche, délègue et recommence, plus la facture augmente.

Demain, un directeur financier pourrait donc regarder l’utilisation des agents de la même manière qu’il regarde aujourd’hui une facture AWS ou Azure.

Combien d’agents sont actifs ?

Pendant combien de temps ?

Avec quels modèles ?

Combien de tokens ?

Combien de sous-agents ?

Quel coût par mission ?

Et surtout : quelle valeur produite ?

Le sujet ne sera plus seulement technologique.

Il deviendra comptable.

## **Le coût marginal du travail revient par la fenêtre**

C’est une petite révolution conceptuelle.

Le logiciel traditionnel a habitué l’économie numérique à un coût marginal très faible.

Une fois développé, servir un utilisateur supplémentaire coûtait relativement peu.

Les grands modèles d’IA changent cette logique.

Chaque réponse nécessite du calcul.

Et lorsqu’un agent travaille longtemps, ce coût peut devenir significatif.

Autrement dit, le travail numérique retrouve une propriété du travail physique :

**produire davantage nécessite davantage de ressources.**

Il n’y a évidemment ni salaire, ni congés payés, ni cotisations sociales.

Mais il y a des GPU, des processeurs, de l’électricité, du stockage, du refroidissement et des centres de données.

L’agent ne dort jamais.

Mais la machine qui le fait travailler n’est jamais gratuite.

## **Le vrai concurrent du salarié n’est peut-être pas un abonnement**

Cela complique sérieusement le débat sur la substitution du travail humain par l’intelligence artificielle.

Comparer un salaire mensuel à un abonnement ChatGPT est probablement trop simpliste.

La véritable comparaison économique pourrait bientôt être :

**combien coûte une unité de travail produite par un humain par rapport à une unité de travail produite par une infrastructure d’agents ?**

Et cette réponse variera énormément.

Pour certaines tâches, l’IA sera imbattable.

Pour d’autres, mobiliser un modèle très puissant et plusieurs agents pourrait finalement coûter plus cher qu’un collaborateur expérimenté.

Sans compter les coûts de supervision, de contrôle, de sécurité et de correction des erreurs.

L’économie de l’IA pourrait ainsi devenir beaucoup plus subtile que la prophétie du « salarié remplacé par 200 dollars par mois ».

## **OpenAI devient aussi un énergéticien indirect**

Il existe enfin une dimension que l’on oublie souvent.

Si OpenAI veut permettre à des centaines de millions d’utilisateurs de faire travailler des agents plusieurs heures par jour, la question informatique devient rapidement une question énergétique.

Davantage d’agents signifie davantage de calcul.

Davantage de calcul signifie davantage de centres de données.

Et davantage de centres de données signifie davantage de besoins en électricité, réseaux, refroidissement et infrastructures.

La bataille des modèles rejoint donc progressivement celle de l’énergie.

Le grand acteur de l’IA de demain ne sera pas seulement celui qui possède le meilleur algorithme.

Ce sera aussi celui qui aura sécurisé suffisamment de capacité informatique et énergétique pour le faire fonctionner à grande échelle.

## **Bienvenue dans l’économie de l’usine IA**

Les deux annonces d’OpenAI de ce mois de septembre 2026 se répondent donc étrangement bien.

D’un côté, l’entreprise limite momentanément son offre la plus intensive parce que la demande exerce une pression exceptionnelle sur ses capacités.

De l’autre, elle fournit aux développeurs les outils permettant de créer précisément les applications les plus gourmandes : agents persistants, outils, environnements d’exécution et sous-agents.

Ce n’est pas une contradiction.

C’est probablement le signe que l’industrie entre dans une nouvelle étape.

Nous avons d’abord découvert des modèles capables de parler.

Puis des modèles capables de raisonner.

Nous découvrons maintenant des agents capables de travailler.

La prochaine révolution sera beaucoup moins spectaculaire.

Elle consistera à apprendre **combien coûte réellement leur travail**.

Car derrière chaque agent présenté comme autonome, invisible et presque immatériel, il reste quelque part une réalité très industrielle :

des machines tournent.

Des mégawatts sont consommés.

Des infrastructures sont mobilisées.

Et quelqu’un finit toujours par payer la facture.

**L’intelligence artificielle rêvait d’autonomie. Elle découvre maintenant la loi la plus ancienne de l’économie : même les machines doivent être rentables.**