# Comment empêcher les agents d'IA de gaspiller des tokens ?

> Des garde-fous pour les agents d'IA : conditions d'arrêt, limites d'étapes et de tokens, détection des boucles, contexte allégé, petits modèles.

Source: https://greenai.guide/fr/comment/comment-empecher-les-agents-d-ia-de-gaspiller-des-tokens/  
Updated: 2026-11-19

## En bref

Donnez à chaque agent un objectif vérifiable qui met fin à l'exécution, des limites strictes sur les étapes, les tokens, le temps et la dépense, et une détection des boucles qui l'arrête quand il se répète. Allégez le contexte que porte chaque étape, utilisez du code simple pour les décisions qu'une règle peut prendre, et envoyez les sous-tâches simples à de petits modèles. Les agents peuvent utiliser bien plus de tokens qu'un chat : ces limites sont donc vite rentables.

## Steps

1. Définissez une vérification de réussite qui met fin à l'exécution dès que l'objectif est atteint.
2. Fixez des plafonds stricts sur les étapes, les tokens, le temps et la dépense, et enregistrez quand une exécution en atteint un.
3. Détectez les actions répétées ou les messages quasi identiques, et arrêtez l'exécution.
4. Résumez ou supprimez l'historique ancien pour que chaque appel lise moins.
5. Utilisez du code simple pour les décisions fondées sur des règles et de petits modèles pour les sous-tâches simples.
6. Enregistrez les tokens par tâche terminée, y compris les relances et les exécutions ratées.

**Imposez des limites et une condition d'arrêt à chaque agent avant sa mise en production.** Les agents appellent un
modèle encore et encore, et chaque appel transporte généralement l'historique croissant de la tâche.

## Pourquoi est-ce important ? {#why-does-it-matter}

Anthropic a indiqué que ses agents utilisaient généralement environ quatre fois plus de tokens qu'un chat, et les
systèmes multi-agents environ quinze fois plus. Cemri et ses collègues ont analysé plus de 1 600 traces issues de
sept frameworks multi-agents et ont relevé 14 modes de défaillance distincts, d'une mauvaise spécification de la tâche
à des agents qui ne vérifient pas leur travail. Chacun est une façon de dépenser des tokens sans obtenir de résultat.

## Quels garde-fous fonctionnent ? {#which-guardrails-work}

- **Une condition d'arrêt.** Le pattern de la Green Software Foundation sur l'orchestration des agents conseille
  d'arrêter les boucles d'agents une fois les objectifs atteints plutôt que d'exécuter un nombre fixe d'itérations.
- **Des limites strictes.** La plupart des frameworks les prennent en charge ; l'OpenAI Agents SDK, par exemple,
  dispose d'un réglage `max_turns` qui arrête une exécution lorsqu'il est dépassé. Les limites doivent échouer sans
  danger : arrêter et signaler, pas relancer en silence.
- **La détection des boucles.** Signalez les appels d'outils répétés ou les messages quasi identiques entre agents.
- **L'allègement du contexte.** Transmettez des résumés, pas des documents et des journaux entiers. Consultez
  [comment éviter de renvoyer toute la conversation](/fr/comment/comment-eviter-que-mon-chatbot-renvoie-toute-la-conversation/).
- **La mise en cache.** Ne posez pas deux fois la même question : consultez
  [comment utiliser la mise en cache](/fr/comment/comment-utiliser-la-mise-en-cache-pour-reduire-l-energie-des-appels/).

## Qu'est-ce qui fait la plus grande différence ? {#what-makes-the-biggest-difference}

**Utiliser la conception la moins élaborée qui fonctionne.** Un script fixe, ou un seul appel de modèle bien rédigé
avec un outil, fait souvent l'affaire. Ajoutez ensuite un agent unique avec une limite d'étapes, et plusieurs agents
seulement pour des tâches larges, utiles et réellement parallèles. Un « sandpit » britannique sur l'IA verte organisé
en 2026, réunissant mathématiciens, informaticiens et industriels, a signalé les essaims d'agents qui s'enferment dans
des boucles comme une source de gaspillage réelle et encore peu étudiée.

Lisez [l'IA agentique et le gaspillage de tokens](/fr/articles/l-ia-agentique-et-le-gaspillage-de-tokens/) pour les preuves.

## 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)
- [Running agents (max_turns)](https://openai.github.io/openai-agents-python/running_agents/), OpenAI Agents SDK documentation (2025)
- [Optimize agent orchestration to reduce unnecessary model calls](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/development/optimize-agent-orchestration-reduce-model-calls.md), Green Software Foundation, Green Software Patterns (2025)
