Les agents d'IA sont déjà une ligne du compte de résultat
Il existe une différence que peu d'organisations ont vraiment intégrée : un assistant d'IA attend qu'on lui parle. Un agent agit seul. Cette distinction, qui paraît technique, entraîne des conséquences économiques et psychologiques qui redéfinissent la façon dont les dirigeants pensent leurs budgets technologiques et, plus silencieusement, la façon dont leurs équipes ressentent le travail.
Rahul Tikoo, vice-président senior et directeur général de l'unité commerciale dédiée aux clients chez AMD, l'a formulé avec précision lors d'une récente conversation avec Forbes : les assistants d'IA ont livré des gains de productivité de l'ordre de 20 % à 30 %. Les agents, selon ses projections, multiplieront ce résultat par un facteur dont le plafond n'est pas encore clairement défini. La différence n'est pas de degré. Elle est d'architecture, de gouvernance et, surtout, d'économie opérationnelle.
Ce qui rend ce moment intéressant n'est pas qu'AMD ait dit quelque chose de nouveau sur l'intelligence artificielle. C'est que la conversation a atteint un territoire que la plupart des fabricants de matériel évitent soigneusement : les coûts par employé liés à l'exécution de flux de travail agentiques se mesurent déjà en centaines ou en milliers de dollars annuels, et cela représente désormais un poste visible dans le compte de résultat de nombreuses grandes entreprises. Ce n'est pas une promesse future. C'est un problème de marge que les directeurs financiers examinent aujourd'hui même.
Quand le token devient un problème de trésorerie
Pour comprendre pourquoi cela importe bien au-delà du marketing produit, il convient de comprendre comment fonctionne l'économie des agents. Un chatbot consomme des tokens dans une seule direction : l'utilisateur pose une question, le modèle répond. Un agent autonome exécute de multiples étapes, consulte des outils, génère des sous-tâches, évalue des résultats intermédiaires et itère à nouveau. Chacune de ces étapes consomme des tokens. Si un échange avec un assistant traditionnel coûte des fractions de centime, un flux de travail agentique complexe peut coûter plusieurs dollars par exécution. Lorsque cela est multiplié par des centaines d'employés et des milliers d'exécutions quotidiennes, la dépense mensuelle en inférence cloud peut atteindre un montant qui rivalise avec d'autres postes du budget opérationnel.
Tikoo l'a nommé avec une franchise peu habituelle pour un dirigeant de l'industrie matérielle : les entreprises en parlent dans leurs conseils d'administration. Cette phrase révèle quelque chose de plus qu'une donnée commerciale. Elle révèle que l'adoption des agents d'IA a déjà franchi le seuil à partir duquel elle cesse d'être une discussion du département technologique pour devenir une discussion du département financier. Et quand le directeur financier entre dans la conversation, la logique d'achat change complètement.
C'est là que l'analyse comportementale devient pertinente. Les organisations qui ont adopté des chatbots l'ont fait en grande partie parce que le coût marginal était faible et le risque perçu était limité. L'utilisateur expérimentait avec l'outil, générait ou non de la valeur, et l'impact budgétaire était diffus. Avec les agents, ce filet de protection disparaît. Chaque déploiement agentique laisse une empreinte économique mesurable. Cela génère un nouveau type de friction : la friction de la responsabilité. Les responsables technologiques doivent désormais justifier non seulement que l'agent fonctionne, mais que le coût par tâche justifie le remplacement d'une autre ressource. Cette justification est plus difficile à construire qu'il n'y paraît, car elle oblige à mesurer la productivité dans des contextes où, historiquement, elle ne se mesurait pas.
L'architecture hybride que propose AMD — traitement local sur des appareils à capacité agentique combiné à des modèles de frontière dans le cloud pour les tâches complexes — répond précisément à cette pression financière. Si une part significative des flux de travail peut s'exécuter localement, le coût d'inférence cloud se réduit de façon proportionnelle. Ce n'est pas uniquement une solution technique élégante en elle-même. C'est une réponse directe à un problème de marge que les comités exécutifs discutent avec une urgence croissante.
La peur que personne ne nomme en réunion d'adoption
Tikoo identifie deux malentendus fréquents sur l'IA agentique. Le premier est que les agents sont des chatbots plus sophistiqués. Le second est que l'intelligence du modèle constitue le principal obstacle. Il a raison dans les deux cas, mais ni l'un ni l'autre ne touche au problème d'adoption le plus profond.
La résistance réelle aux agents autonomes dans les organisations ne vient pas de ceux qui ne comprennent pas la technologie. Elle vient de ceux qui la comprennent parfaitement. Un développeur senior qui a passé des années à construire sa valeur professionnelle autour de sa capacité à résoudre des problèmes complexes n'expérimente pas un agent de code comme un outil de productivité. Il l'expérimente comme une redéfinition de ce qu'il apporte. C'est une menace identitaire, pas une friction technique, et elle répond différemment aux arguments rationnels.
La même chose se produit dans les services professionnels. Tikoo mentionne le cas de médecins et d'avocats qui pourraient libérer du temps sur des tâches administratives grâce aux agents. L'argument est irréprochable du point de vue de la valeur. Mais la pratique clinique ou juridique comporte une dimension de contrôle et de jugement que de nombreux professionnels ne souhaitent pas déléguer — non pas parce qu'ils se méfient de la technologie, mais parce que la délégation modifie leur conception de ce que signifie bien faire leur travail. L'adoption n'échoue pas par manque d'information. Elle échoue quand l'outil touche quelque chose que le professionnel ne veut pas qu'on touche.
Ce schéma a des conséquences pratiques sur la façon dont les organisations devraient concevoir leurs projets pilotes d'IA agentique. Le conseil standard — que Tikoo propose également — est d'identifier les flux de travail à forte charge répétitive et à faible valeur stratégique. C'est un bon point de départ, mais incomplet. Les flux de travail qui paraissent purement administratifs de l'extérieur sont fréquemment perçus comme des marqueurs de statut ou de contrôle de l'intérieur. Celui qui gère les approbations, celui qui synthétise l'information avant une réunion de direction, celui qui coordonne les suivis entre équipes — ces personnes ne réalisent pas toujours des tâches qu'elles souhaitent automatiser. Parfois, elles exercent une influence.
Déléguer ces tâches à un agent n'élimine pas la friction politique. Elle la concentre. Et si l'organisation n'a pas un schéma clair de redistribution de l'autorité de fait après l'automatisation, le projet pilote produit des indicateurs de productivité positifs et une résistance organisationnelle parallèle qu'aucun indicateur ne capture.
L'infrastructure comme signal psychologique en interne
Il existe une dimension de l'argument d'AMD qui mérite d'être examinée au-delà de sa logique financière. L'entreprise ne vend pas uniquement du matériel capable d'exécuter des modèles localement. Elle argue que l'appareil de l'employé doit être considéré comme un nœud stratégique de l'infrastructure d'IA de l'entreprise, et non comme un périphérique.
Cette reconfiguration conceptuelle est importante parce qu'elle influe sur la façon dont les personnes au sein de l'organisation interprètent l'outil. Un employé qui travaille avec un appareil que l'entreprise a explicitement désigné comme faisant partie de son architecture d'intelligence artificielle perçoit quelque chose de différent de celui qui utilise un chatbot dans son navigateur. Le signal institutionnel change. L'investissement visible de l'employeur dans la capacité computationnelle de l'appareil personnel communique quelque chose sur le sérieux de l'engagement et sur le rôle attendu du travailleur dans cet écosystème.
Ce n'est pas un argument de branding interne. C'est une observation sur la façon dont les humains calibrent leurs propres attentes d'adoption en fonction des signaux qu'ils reçoivent de leur organisation. Quand l'entreprise traite l'outil comme stratégique, l'employé tend à le traiter comme stratégique. Quand l'entreprise le propose comme un avantage facultatif ou comme une expérimentation, l'employé le traite comme un accessoire jetable.
La discussion sur le CPU comme plan d'orchestration, le NPU pour l'efficacité, le GPU pour la performance et la mémoire étendue pour les grands modèles locaux — que Tikoo détaille avec une précision technique rigoureuse — a un effet secondaire rarement analysé : elle construit un vocabulaire partagé d'infrastructure qui élève la conversation interne sur l'IA du niveau d'« outil de productivité » au niveau d'« architecture d'entreprise ». Ce vocabulaire n'est pas neutre. Il change qui participe aux décisions, quels arguments sont considérés comme valides et quel type de résistance peut être formulé de manière légitime.
Les secteurs que Tikoo mentionne comme pionniers dans l'adoption — le développement logiciel, le service client, les services professionnels — partagent une caractéristique commune : ce sont des secteurs où la productivité individuelle est mesurable avec une relative facilité et où la pression concurrentielle sur les talents est élevée. Cela facilite l'argument économique. Mais ce sont aussi des secteurs où l'identité professionnelle est particulièrement chargée, où la performance individuelle est visible et où la comparaison entre collègues avec et sans agents peut engendrer des dynamiques de pression que l'organisation ne gère pas toujours bien.
Le coût que personne n'a budgétisé dans le projet pilote
Le paradoxe central du moment agentique est le suivant : les organisations qui se déplacent lentement dans leur adoption risquent d'accumuler un désavantage concurrentiel face à celles qui capturent des multiplicateurs de productivité significatifs. Celles qui se déplacent rapidement sans prendre en compte l'architecture psychologique interne risquent de produire des projets pilotes réussis sur le papier qui ne passent pas à l'échelle, parce que l'adoption réelle ne s'est jamais consolidée sous la donnée d'usage.
Tikoo offre un conseil opérationnel sensé : commencer par identifier où l'IA génère déjà de la valeur, prioriser un ensemble limité de cas d'usage mesurables, construire les bases de gouvernance avant de passer à l'échelle. Cette séquence est correcte du point de vue de la gestion du changement technologique. Mais il existe un élément qu'aucune feuille de route d'adoption technologique n'inclut habituellement : le temps qu'il faut à une organisation pour redéfinir en interne ce que signifie bien faire un travail après qu'un agent a pris en charge une partie de ce travail.
Cette redéfinition n'est ni automatique ni indolore. Elle exige que les dirigeants aient des conversations explicites sur ce qu'on attend désormais du jugement humain, sur les décisions que l'agent ne peut pas prendre et pourquoi, et sur la façon d'évaluer la performance de quelqu'un dont le travail est devenu partiellement invisible parce que l'agent l'exécute. Sans ces conversations, l'adoption produit un écart entre le comportement officiel — « nous utilisons des agents » — et le comportement réel — « nous les laissons tourner en arrière-plan pendant que nous faisons les choses comme d'habitude ».
Le fait que les coûts agentiques apparaissent déjà dans le compte de résultat de nombreuses grandes entreprises est, en ce sens, un signal ambigu. Cela signifie que l'investissement a déjà eu lieu. Cela ne signifie pas nécessairement que la valeur est en train d'être capturée. La distance entre ces deux points est exactement là où vit la friction que personne ne nomme dans les présentations d'adoption — et c'est cette même friction qui déterminera quelles organisations transformeront la dépense en avantage concurrentiel et lesquelles la transformeront en une ligne de coût que personne ne sait vraiment comment justifier lors du prochain conseil d'administration.
