Le coût des agents IA baisse avec la mémoire réutilisable
On parle beaucoup, dans les cercles IA, d'un "effet de volant d'inertie" (flywheel effect) : chaque agent IA développé enrichirait un catalogue de compétences réutilisables, rendant le suivant moins coûteux à construire. L'idée est séduisante. Elle manquait, jusqu'ici, de données solides pour sortir du registre de la promesse commerciale.
Ce que montre l'étude
Des chercheurs ont testé la question directement, dans un travail consacré aux agents "terminal" pour l'automatisation d'entreprise. Le protocole compare deux versions d'un même agent sur des tâches séquentielles : l'une repart de zéro à chaque tâche, l'autre accumule dans un répertoire les procédures qui ont fonctionné et les réutilise. La figure de l'étude suit l'accumulation de compétences sur des tâches séquentielles : le nombre cumulé de tâches réussies, le coût cumulé en dollars, et la taille du répertoire de compétences. L'agent doté de mémoire accumule des procédures réutilisables, tandis que l'agent de référence repart de zéro à chaque fois.
Le résultat le plus net porte sur le coût. Au-delà de la précision, l'effet le plus marquant concerne le coût : sur ServiceNow, l'agent doté de mémoire coûte 43,7% moins cher par tâche en moyenne (0,44 dollar contre 0,78 dollar), et sur ERPNext la réduction atteint 16,8%. Sur un autre système testé, GitLab, le gain de précision reste marginal, ce qui s'explique par la nature des tâches concernées, plus proches d'appels API simples que l'IA maîtrise déjà nativement, avec peu de marge de progression par la mémoire.
Un point mérite d'être souligné, car il répond à l'objection la plus fréquente : construire ce répertoire de compétences a un coût. On pourrait s'attendre à ce que l'accumulation de mémoire fonctionne comme un investissement : l'agent supporte un petit coût initial pour construire des compétences réutilisables, amorti sur les tâches suivantes. En pratique, ce surcoût reste modeste. Autrement dit, le flywheel ne demande pas un ticket d'entrée disproportionné pour commencer à tourner.
Ce que ça change concrètement
Ces chiffres confirment un mécanisme que plusieurs éditeurs documentent désormais de façon convergente : traces d'exécution, retours utilisateurs et distillation transforment l'expérience accumulée en connaissance réutilisable, plutôt que de la laisser se perdre à chaque nouvelle session. Le principe rejoint ce que d'autres acteurs du secteur appellent une "commons" de compétences : une découverte réalisée par un agent devient une capacité disponible sans nouvel apprentissage pour les suivants.
Pour une organisation qui déploie des agents IA sur plusieurs processus, la conséquence pratique est directe : le troisième ou quatrième agent développé ne coûte pas le même prix que le premier, à condition que l'architecture ait été pensée pour capitaliser les compétences plutôt que pour les jeter à la fin de chaque projet. C'est un choix de conception, pas un acquis automatique. Un agent construit en silo, sans mécanisme de mémoire ni de répertoire partagé, ne bénéficiera jamais de cet effet, quel que soit le nombre de projets menés en parallèle.
Ce qu'il faut en retenir
La baisse de coût n'est pas uniforme : elle dépend de la nature de la tâche et de sa proximité avec des savoir-faire déjà présents dans le modèle. Les gains les plus nets apparaissent sur des processus métier spécifiques et récurrents, là où la connaissance procédurale a de la valeur à être capitalisée. Sur des tâches déjà triviales pour l'IA, le répertoire de compétences apporte peu.
Le message central reste solide : concevoir des agents IA en pensant réutilisation, dès le premier projet, transforme la trajectoire de coût de tous les suivants. C'est un argument d'architecture avant d'être un argument financier — mais il finit toujours par se lire dans la facture.