Combien d'agents IA sont réellement utilisés dans votre entreprise ? Pour beaucoup de DSI, la réponse est devenue difficile à établir. En un temps record, Claude, ChatGPT, Gemini, Mistral AI et de nombreux autres modèles se sont invités dans les environnements de développement.

Les équipes utilisent déjà plusieurs modèles en parallèle, en fonction des projets, des préférences individuelles ou des performances attendues. Cette liberté d'expérimentation constitue un formidable levier d'innovation, mais elle fait aussi émerger un nouveau défi : reprendre le contrôle de cet écosystème avant qu'il ne devienne impossible à piloter.

« La plupart de nos clients disposent aujourd'hui de plusieurs contrats : Claude, Gemini, Cursor... Les développeurs veulent naturellement tester les derniers modèles. En revanche, suivre la consommation et l'utilisation de tous ces services devient rapidement très difficile », constate Jiali Chen, Solution Engineer chez JetBrains.

Reprendre le contrôle des usages

Plus les assistants évoluent vers des agents capables de réaliser des tâches de manière autonome, plus les enjeux deviennent organisationnels. Quels agents sont réellement utilisés ? Par qui et pour quels projets ? Quels modèles sont les plus sollicités ? Combien coûtent-ils réellement à l'entreprise ?

À ces interrogations s'ajoutent des questions de sécurité, de conformité et de responsabilité, tout particulièrement dans les secteurs réglementés. Imaginons, par exemple, un agent IA chargé d'automatiser une partie du développement d'un moteur de tarification dans le secteur de l'assurance. Si une erreur se glisse dans l'algorithme et qu'elle n'est ni détectée ni traçable, les conséquences peuvent se faire ressentir immédiatement sur le business.

Autrement dit, l'enjeu n'est plus uniquement de produire du code plus rapidement. Il s'agit aussi de pouvoir expliquer, contrôler et auditer l'utilisation des agents IA dans l'entreprise.

L’IA, nouveau sujet FinOps

Autre point d’attention majeur : la consommation des modèles, qui devient un sujet de pilotage à part entière. Les entreprises découvrent progressivement que les coûts liés aux crédits, aux tokens ou aux abonnements peuvent fortement varier selon les modèles utilisés et les pratiques des développeurs.

« Nous voyons apparaître des cas où certaines entreprises se retrouvent avec des factures de plusieurs dizaines de milliers d'euros liées à leur consommation de crédits auprès de fournisseurs de modèles d'IA. La maîtrise des coûts devient une véritable problématique », souligne Jiali Chen.

L'exemple d'Uber illustre bien cette nouvelle réalité. L'entreprise, qui avait fortement encouragé l'adoption des outils d'IA générative, a vu son budget dédié être entièrement consommé en seulement quatre mois. Elle a depuis instauré un plafond de 1 500 dollars par utilisateur et par mois pour l'utilisation de chaque outil agentique[1].
Ce type de situation pourrait se généraliser avec l'essor des architectures multi-agents. Lorsqu'une même mission fait intervenir plusieurs agents spécialisés, parfois issus de fournisseurs différents, les coûts s'additionnent, les modes de facturation se multiplient et il devient particulièrement difficile d'identifier l'origine des dépenses sans outils de pilotage adaptés.

Cette évolution rapproche progressivement la gouvernance des agents des démarches déjà connues autour du FinOps : disposer d'indicateurs fiables afin d'arbitrer les usages, optimiser les consommations et mesurer le retour sur investissement.

Vers une gouvernance indépendante des modèles

Pour autant, bien gouverner ne signifie pas uniformiser. Plutôt que d’imposer un modèle unique, il s’agit plutôt de préserver la liberté de choisir l'outil le plus adapté tout en bénéficiant d'une vision consolidée des usages.

C'est précisément le parti pris adopté par JetBrains.
Au sein de ses environnements de développement et de sa plateforme JetBrains Central, l'éditeur propose une approche agnostique capable de fédérer différents modèles d'IA. Claude, ChatGPT, Gemini ou encore Junie, son propre agent, peuvent être utilisés de manière transparente. D'autres modèles ou agents personnalisés peuvent également être intégrés via un registre d'agents dédié.

L'objectif n'est pas de remplacer les contrats déjà souscrits par les entreprises auprès des différents fournisseurs. Les clés API existantes peuvent être réutilisées directement. En revanche, tous les usages remontent ensuite dans un tableau de bord commun.

« Chaque développeur peut continuer à utiliser l'agent qui lui convient le mieux. En parallèle, l'administrateur dispose enfin d'une vision globale de l'utilisation réelle, des coûts et du retour sur investissement », résume Jiali Chen.

Cette approche répond également à un autre défi : la multiplication des environnements de travail. IDE, terminal ou appels directs aux API des fournisseurs de modèles : JetBrains Central centralise les données d'usage quel que soit le mode d'utilisation, afin d'offrir une vision unifiée des pratiques et des consommations.

Mesurer pour mieux gouverner

Une fois cette visibilité acquise, la gouvernance devient un véritable outil de pilotage. Les données d'usage permettent aux DSI d'objectiver leurs décisions : ajuster les politiques d'utilisation, optimiser les investissements ou encore identifier les pratiques qui créent le plus de valeur.

À cette dimension opérationnelle s'ajoute une autre exigence devenue incontournable : la protection des données. Lorsque les équipes utilisent les services IA proposés par JetBrains (intégrant Claude, Codex, Gemini et Junie), une politique de Zero Data Retention est appliquée par défaut. Les données soumises aux modèles ne sont ni conservées ni utilisées pour leur entraînement, sauf décision explicite de l'organisation. Les informations utilisées à des fins d'observabilité se limitent aux métadonnées nécessaires au suivi des usages, dans le respect des exigences européennes en matière de protection des données

À mesure que les agents IA s'imposent dans les environnements de développement, la question ne sera donc plus de savoir quel modèle adopter. Le véritable enjeu sera de permettre aux équipes d'exploiter le meilleur de chacun tout en conservant une maîtrise globale des coûts, des usages et des risques. C'est précisément cette couche de gouvernance qui permettra aux entreprises de passer de l'expérimentation à une adoption durable de l'IA.

 

[1] Source : Uber caps employee AI spending after blowing through budget in 4 months | TechCrunch