# L'IA agentique et le gaspillage de tokens

> Pourquoi les agents d'IA peuvent consommer bien plus de tokens et d'énergie qu'un chat, comment les boucles les gaspillent, et les garde-fous utiles.

Source: https://greenai.guide/fr/articles/l-ia-agentique-et-le-gaspillage-de-tokens/  
Updated: 2026-11-19

## En bref

Les agents d'IA accomplissent des tâches en de nombreuses étapes, en appelant sans cesse des modèles et des outils : une seule demande peut donc consommer bien plus de tokens qu'un chat. Les systèmes multi-agents multiplient encore ce volume, et lorsque les agents tournent en boucle ou ne se comprennent pas, ces tokens sont gaspillés. Des budgets, des limites d'étapes, la détection des boucles et des modèles bien dimensionnés gardent les agents utiles sans brûler de l'énergie pour rien.

## Points clés

- Un agent fait de nombreux appels de modèle par tâche : sa consommation de tokens, et donc d'énergie, peut être bien supérieure à celle d'un simple chat.
- Les systèmes multi-agents multiplient encore la consommation de tokens, ce qui n'est rentable que pour des tâches assez précieuses et complexes pour l'exiger.
- Les agents peuvent rester bloqués dans des boucles ou refaire le même travail, consommant des tokens sans progresser.
- Des limites strictes sur les étapes, les tokens, le temps et la dépense, ainsi qu'une surveillance capable d'arrêter une exécution bloquée, sont des garde-fous de base.
- Bien dimensionner, c'est utiliser un seul agent, un petit modèle ou aucun agent quand la tâche le permet.

Les agents d'IA sont des systèmes qui progressent vers un objectif en plusieurs étapes, en choisissant quels outils
appeler et quoi faire ensuite. Ils peuvent réserver, chercher, écrire du code, le tester et recommencer. Cette
autonomie est utile, mais chaque étape est un nouvel appel à un modèle, et les coûts s'additionnent d'une manière
qu'un simple chat ne connaît pas.

## Qu'est-ce qui rend les agents coûteux ? {#what-makes-agents-expensive}

**Un agent appelle un modèle de nombreuses fois par tâche, et chaque appel inclut généralement l'historique croissant
de la tâche.** La consommation de tokens, et donc d'énergie, augmente à chaque étape, à chaque appel d'outil et à
chaque nouvel essai.

Un token est un fragment de texte, à peu près un morceau de mot, qu'un modèle lit ou écrit. Chaque token traité
coûte du calcul. Dans un chat, une question produit une réponse. Chez un agent, une seule demande peut déclencher des
dizaines d'appels de modèle : planifier, chercher, lire les résultats, rédiger, vérifier et réviser.

Anthropic l'a décrit en 2025 dans un compte rendu de la construction de son système de recherche multi-agents.
L'entreprise indiquait que les agents utilisaient en général environ quatre fois plus de tokens que les échanges de
chat, et les systèmes multi-agents environ quinze fois plus. Elle constatait aussi que, sur son banc d'essai de
navigation web, la seule consommation de tokens expliquait 80 % de la variance des performances : les systèmes
faisaient mieux surtout parce qu'ils dépensaient plus.

C'est un échange raisonnable pour une tâche difficile et précieuse. C'est du gaspillage pour une tâche simple.

## Existe-t-il des données sur la consommation d'énergie des agents ? {#is-there-evidence-on-agents-energy-use}

**Les premières recherches vont dans le même sens.** Kim, Shin, Chung et Rhu (2025) ont comparé des flux de travail
agentiques à plusieurs tours avec l'inférence à un seul tour, du point de vue de l'infrastructure des centres de
données. Ils ont constaté que les agents consommaient nettement plus d'énergie, que les gains de précision étaient
de plus en plus faibles à mesure que l'on dépensait plus de calcul, et que les coûts d'infrastructure liés à ce mode
de passage à l'échelle des agents pouvaient devenir insoutenables.

Les chiffres mesurés sur des déploiements réels restent rares, car les fournisseurs les publient rarement. Voir
[la mesure est le goulet d'étranglement](/fr/articles/la-mesure-goulot-d-etranglement-de-l-ia-verte/).

## Comment les agents gaspillent-ils des tokens ? {#how-do-agents-waste-tokens}

**En faisant un travail qui ne fait pas avancer la tâche.** Les schémas courants sont :

- **Les boucles.** Un agent répète la même action, ou deux agents se renvoient indéfiniment un problème.
- **L'excès de vérification.** Chaque étape est relue par un autre appel de modèle, même quand un simple test
  suffirait.
- **Le contexte surchargé.** Des documents, journaux ou sorties d'outils entiers sont transportés à chaque étape
  suivante.
- **Les avalanches de nouvelles tentatives.** Un échec déclenche des essais répétés, parfois sur des modèles de plus
  en plus grands.
- **L'excès de délégation.** Une tâche est répartie entre de nombreux agents alors qu'un seul aurait suffi.

Cemri et ses collègues (2025) ont analysé plus de 1 600 traces annotées issues de sept frameworks multi-agents et
identifié 14 façons distinctes dont ces systèmes échouent, regroupées en trois catégories : des problèmes dans la
spécification du système et de la tâche, un désalignement entre agents, et des défauts de vérification de la tâche.
Chaque mode d'échec est aussi une manière de dépenser des tokens sans obtenir de résultat.

Un « sandpit » britannique sur l'IA verte, organisé en 2026 avec des mathématiciens, des informaticiens et des
industriels, a abordé le même problème : des essaims d'agents peuvent se piéger eux-mêmes, s'envoyant des sorties
dénuées de sens et brûlant des centaines de milliers de tokens. La question de recherche ouverte qu'il a soulevée est
de savoir comment détecter, mathématiquement et tôt, qu'un groupe d'agents est bloqué, afin que quelqu'un ou quelque
chose puisse l'arrêter.

## Est-ce important sur le plan commercial autant qu'environnemental ? {#does-this-matter-commercially-as-well-as-environmentally}

**Oui ; le coût et l'énergie augmentent ensemble.** Gartner a prédit en juin 2025 que plus de 40 % des projets d'IA
agentique seront annulés d'ici fin 2027, en raison de coûts croissants, d'une valeur commerciale peu claire ou d'un
contrôle des risques insuffisant. Le gaspillage de tokens contribue directement au premier de ces facteurs.

## Quels garde-fous gardent les agents sous contrôle ? {#what-guardrails-keep-agents-in-check}

**Des limites strictes, une surveillance et un moyen d'arrêter.** Ce sont des contrôles d'ingénierie de base, et la
plupart des frameworks d'agents en proposent certains.

| Garde-fou | Ce qu'il fait |
|---|---|
| Limite d'étapes | Plafonne le nombre d'appels de modèle dans une exécution. Le OpenAI Agents SDK, par exemple, dispose d'un paramètre `max_turns` qui arrête une exécution lorsqu'il est dépassé. |
| Budget de tokens ou de dépense | Arrête une exécution ou la fait remonter quand elle dépasse un coût fixé. |
| Limite de temps | Met fin aux exécutions qui durent bien plus longtemps que prévu. |
| Détection des boucles | Signale les actions répétées ou les messages presque identiques entre agents. |
| Observateur externe | Un processus séparé et peu coûteux, ou une personne, qui suit la progression et peut arrêter l'exécution : le « bouton rouge ». |
| Réduction du contexte | Résume ou supprime l'historique ancien pour que chaque appel lise moins de tokens. |

Les limites doivent échouer de manière sûre : quand un budget est épuisé, l'agent doit s'arrêter et rendre compte de
ce qu'il a obtenu, pas réessayer en silence.

## Que signifie bien dimensionner un agent ? {#what-does-right-sizing-an-agent-mean}

**Utiliser le système le moins élaboré qui fait le travail.** Avant de construire un système multi-agents, parcourez
cette liste dans l'ordre :

1. **Aucun agent.** Un script fixe, une recherche ou un seul appel de modèle peut-il suffire ?
2. **Un appel avec des outils.** Un seul appel de modèle, bien formulé et capable d'utiliser un outil, suffit
   souvent.
3. **Un agent.** Un seul agent, avec une limite d'étapes.
4. **Plusieurs agents**, uniquement pour des tâches larges, précieuses et réellement parallèles.

Dans chacun de ces cas, utilisez de petits modèles pour les sous-tâches simples comme la classification,
l'extraction et la mise en forme, et réservez les grands modèles au raisonnement difficile. Il y a un piège : un
modèle trop petit peut échouer et imposer une nouvelle exécution sur un modèle plus grand, et dans une longue chaîne,
un échec peut faire dérailler les étapes suivantes. Fixer ce seuil est un choix de conception qui mérite d'être
testé. Voir [choisir le bon modèle](/fr/bonnes-pratiques/choisir-le-bon-modele-pour-la-tache/) et
[l'orchestration plutôt que la génération](/fr/articles/l-orchestration-plutot-que-la-generation/).

## Que faire ensuite {#what-to-do-next}

- Enregistrez les tokens par tâche accomplie, y compris les nouvelles tentatives et les exécutions échouées, pour
  chaque agent que vous faites tourner.
- Fixez des limites d'étapes, de tokens, de temps et de dépense sur chaque agent avant sa mise en production.
- Ajoutez une détection des boucles et un moyen pour une personne d'arrêter une exécution.
- Commencez par la conception la plus simple qui fonctionne, et n'ajoutez des agents que lorsque la tâche l'exige.
- Orientez les sous-tâches simples vers de petits modèles. Voir [utiliser l'IA efficacement](/fr/bonnes-pratiques/utiliser-l-ia-efficacement-les-bons-reflexes-au-quotidien/).
- Si vous achetez des outils agentiques, demandez aux fournisseurs comment ils limitent et rendent compte de la
  consommation de tokens : voir [l'achat responsable d'IA](/fr/bonnes-pratiques/achat-d-ia-durable/).

## Questions fréquentes

### Qu'est-ce que l'IA agentique ?

Des systèmes d'IA qui poursuivent un objectif en plusieurs étapes, en décidant eux-mêmes quels outils appeler et quoi faire ensuite, au lieu de répondre à un seul prompt. Ils appellent souvent un modèle de langage de nombreuses fois par tâche.

### Pourquoi les agents d'IA consomment-ils autant de tokens ?

À chaque étape, l'historique croissant de la tâche est renvoyé au modèle, et les agents peuvent appeler des outils, vérifier leur propre travail et réessayer. Les systèmes multi-agents échangent aussi des messages entre agents, et chacun coûte des tokens.

### Comment empêcher un agent d'IA de gaspiller des tokens ?

Fixez des limites au nombre d'étapes, de tokens, au temps et à la dépense ; détectez les boucles et les actions répétées ; utilisez de petits modèles pour les sous-tâches simples ; et faites en sorte qu'une personne puisse toujours arrêter une exécution.

## Sources

- [How we built our multi-agent research system](https://www.anthropic.com/engineering/multi-agent-research-system), Anthropic (2025)
- [Why do multi-agent LLM systems fail?](https://arxiv.org/abs/2503.13657), Cemri et al. (2025)
- [The cost of dynamic reasoning: demystifying AI agents and test-time scaling from an AI infrastructure perspective](https://arxiv.org/abs/2506.04301), Kim, Shin, Chung and Rhu, HPCA 2026 (2025)
- [Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027), Gartner (2025)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
