Le coût caché de l'IA dans la CI : quand les agents font exploser le budget build
REXAutomatisationDéveloppementCI/CD
09/12/2026 | 00h00 - 00h25
Description
Contexte
L'IA dans la CI est devenue un genre. Revue automatique des pull requests, génération de tests, auto-remediation, rédaction de changelogs, classification d'issues, suggestions de refactoring. Chaque éditeur propose son agent, chaque équipe veut en brancher au moins un. Les annonces de produit promettent toutes la même chose : plus de productivité, moins d'effort humain.
Ce que les démos ne montrent pas, c'est ce qui se passe au mois six. Quand la facture LLM dépasse la facture compute de la CI. Quand les devs ont fini par configurer des règles Slack pour cacher les commentaires d'un certain bot. Quand un re-run involontaire d'un workflow déclenche 400 dollars de tokens sans qu'on s'en rende compte avant la fin du mois.
Ce talk raconte un parcours réel : six mois d'enthousiasme, un mois de réalisation, et trois mois de remise à plat. Avec des chiffres concrets, des patterns de coût identifiables, et les garde-fous qu'on a fini par installer.
Ce que le talk raconte, un REX structuré en cinq temps
1. L'emballement. Chronologie des six premiers mois. Les premiers agents déployés (revue de PR, génération de tests, classification d'issues). L'adoption enthousiaste, les premières victoires partagées en stand-up, l'effet boule de neige. Les signaux faibles qu'on a ignorés : le « tu peux ignorer ce bot » qui revient en review, la latence CI qui monte de cinq minutes, le rapport mensuel du fournisseur LLM qu'on ne lit plus.
2. L'anatomie de la facture. Décomposition d'une vraie facture mensuelle, anonymisée. Les trois patterns qui représentaient 80 % du coût : contextes trop larges (l'agent reçoit tout le repo à chaque appel), modèle surdimensionné pour la tâche (un modèle premium pour classifier des labels), re-runs silencieux (chaque retry de workflow rejoue tous les agents). Comment chacun de ces patterns s'est installé sans qu'on le voie. Le calcul brutal : on payait 1,40 dollar par PR ouverte en agents IA. Sur une équipe à 60 PR par jour, ça pique.
3. Le coût humain invisible. Le sujet que personne ne mesure. Temps passé à trier les faux positifs des agents, fatigue cognitive des reviewers qui doivent valider du contenu généré sans contexte, perte de confiance progressive dans les outils, et — le pire — vrais problèmes noyés dans le bruit. Un cas réel : un agent SAST a signalé 47 vulnérabilités sur une PR, dont 46 faux positifs. La 47ème, une vraie, est passée en prod. La dette de confiance qui en résulte est plus chère que la dette technique.
4. Les garde-fous qu'on a mis. Cinq leviers concrets : budgets par pipeline avec alertes, sélection de modèle par tâche (pas de modèle premium pour des classifications binaires), cache agressif sur les contextes stables, agents en mode opt-in plutôt que systématique, métriques de signal utile par agent (taux d'acceptation des suggestions, taux de PR modifiées suite à un commentaire). La règle directrice : un agent qui ne prouve pas son utilité en 30 jours est désactivé. Trois des cinq agents initiaux ont été coupés à ce stade.
5. La check-list avant tout nouvel agent. Les dix questions à se poser avant de brancher un nouvel agent IA en CI. Définit-on un budget plafonné ? A-t-on une métrique de signal utile ? Le modèle choisi est-il calibré pour la tâche ? Que se passe-t-il en cas de re-run ? Qui triera les faux positifs ? Ces questions sauvent plusieurs milliers d'euros par mois et beaucoup de fatigue humaine.
L'IA dans la CI est devenue un genre. Revue automatique des pull requests, génération de tests, auto-remediation, rédaction de changelogs, classification d'issues, suggestions de refactoring. Chaque éditeur propose son agent, chaque équipe veut en brancher au moins un. Les annonces de produit promettent toutes la même chose : plus de productivité, moins d'effort humain.
Ce que les démos ne montrent pas, c'est ce qui se passe au mois six. Quand la facture LLM dépasse la facture compute de la CI. Quand les devs ont fini par configurer des règles Slack pour cacher les commentaires d'un certain bot. Quand un re-run involontaire d'un workflow déclenche 400 dollars de tokens sans qu'on s'en rende compte avant la fin du mois.
Ce talk raconte un parcours réel : six mois d'enthousiasme, un mois de réalisation, et trois mois de remise à plat. Avec des chiffres concrets, des patterns de coût identifiables, et les garde-fous qu'on a fini par installer.
Ce que le talk raconte, un REX structuré en cinq temps
1. L'emballement. Chronologie des six premiers mois. Les premiers agents déployés (revue de PR, génération de tests, classification d'issues). L'adoption enthousiaste, les premières victoires partagées en stand-up, l'effet boule de neige. Les signaux faibles qu'on a ignorés : le « tu peux ignorer ce bot » qui revient en review, la latence CI qui monte de cinq minutes, le rapport mensuel du fournisseur LLM qu'on ne lit plus.
2. L'anatomie de la facture. Décomposition d'une vraie facture mensuelle, anonymisée. Les trois patterns qui représentaient 80 % du coût : contextes trop larges (l'agent reçoit tout le repo à chaque appel), modèle surdimensionné pour la tâche (un modèle premium pour classifier des labels), re-runs silencieux (chaque retry de workflow rejoue tous les agents). Comment chacun de ces patterns s'est installé sans qu'on le voie. Le calcul brutal : on payait 1,40 dollar par PR ouverte en agents IA. Sur une équipe à 60 PR par jour, ça pique.
3. Le coût humain invisible. Le sujet que personne ne mesure. Temps passé à trier les faux positifs des agents, fatigue cognitive des reviewers qui doivent valider du contenu généré sans contexte, perte de confiance progressive dans les outils, et — le pire — vrais problèmes noyés dans le bruit. Un cas réel : un agent SAST a signalé 47 vulnérabilités sur une PR, dont 46 faux positifs. La 47ème, une vraie, est passée en prod. La dette de confiance qui en résulte est plus chère que la dette technique.
4. Les garde-fous qu'on a mis. Cinq leviers concrets : budgets par pipeline avec alertes, sélection de modèle par tâche (pas de modèle premium pour des classifications binaires), cache agressif sur les contextes stables, agents en mode opt-in plutôt que systématique, métriques de signal utile par agent (taux d'acceptation des suggestions, taux de PR modifiées suite à un commentaire). La règle directrice : un agent qui ne prouve pas son utilité en 30 jours est désactivé. Trois des cinq agents initiaux ont été coupés à ce stade.
5. La check-list avant tout nouvel agent. Les dix questions à se poser avant de brancher un nouvel agent IA en CI. Définit-on un budget plafonné ? A-t-on une métrique de signal utile ? Le modèle choisi est-il calibré pour la tâche ? Que se passe-t-il en cas de re-run ? Qui triera les faux positifs ? Ces questions sauvent plusieurs milliers d'euros par mois et beaucoup de fatigue humaine.
Conférenciers
-
![Michel HUBERT]()
Michel HUBERT
Accenture / AvanadeCTO
