Il y a peu, de nombreuses entreprises ont commenc\u00e9 \u00e0 mettre en \u0153uvre activement des agents d\u2019IA dans une grande vari\u00e9t\u00e9 de processus de travail. Tr\u00e8s rapidement, le co\u00fbt de leur utilisation est devenu un enjeu majeur pour les entreprises. De plus, cette question ne concerne pas uniquement le service financier\u00a0: aux pr\u00e9occupations budg\u00e9taires s\u2019ajoutent des probl\u00e8mes de fiabilit\u00e9, de stabilit\u00e9 de fonctionnement ou encore de s\u00e9curit\u00e9 de l\u2019information. En effet, le co\u00fbt de l\u2019automatisation d\u2019un m\u00eame processus varie consid\u00e9rablement d\u2019un d\u00e9ploiement \u00e0 l\u2019autre, est impr\u00e9visible et peut \u00eatre soumis \u00e0 des facteurs externes.<\/p>\n
De plus, pour un acteur malveillant qui s\u2019en prend \u00e0 une organisation, tout processus automatis\u00e9 \u00e0 l\u2019aide de l\u2019IA et vuln\u00e9rable \u00e0 des influences ext\u00e9rieures constitue, par essence, une cible de choix pour un \u00ab\u00a0nouveau type d\u2019attaque DDoS\u00a0\u00bb. Les rapports d\u2019erreurs d\u2019application, les avis sur les produits ou les demandes d\u2019assistance technique peuvent (tout comme n\u2019importe quelle autre donn\u00e9e externe trait\u00e9e par une entreprise via l\u2019IA) servir d\u2019outil dans le cadre d\u2019une attaque visant \u00e0 augmenter la consommation de tokens (fragments de mots qui constituent l\u2019unit\u00e9 de base des entr\u00e9es et des sorties d\u2019un LLM).<\/p>\n
En 2026, les grandes entreprises ont, pour la premi\u00e8re fois, largement d\u00e9pass\u00e9 leurs budgets consacr\u00e9s aux syst\u00e8mes d\u2019IA. Uber avait d\u00e9j\u00e0 \u00e9puis\u00e9 l\u2019int\u00e9gralit\u00e9 de son budget annuel d\u00e8s le mois d\u2019avril<\/a>, tandis qu\u2019une entreprise dont le nom n\u2019a pas \u00e9t\u00e9 divulgu\u00e9 n\u2019avait pas fix\u00e9 de limites de d\u00e9penses pour Claude et a d\u00e9pens\u00e9 500\u00a0millions de dollars en un seul mois<\/a>. Bien que les fournisseurs d\u2019IA annoncent r\u00e9guli\u00e8rement des prix plus bas et des mod\u00e8les plus efficaces, le passage des chatbots \u00e0 des syst\u00e8mes agents fonctionnant en continu et de fa\u00e7on autonome multiplie par centaines, voire par milliers<\/a>, la consommation de jetons.\u00a0 Parall\u00e8lement, le mod\u00e8le d\u2019 \u00ab\u00a0abonnement forfaitaire \u00e0 20 ou 100 dollars\u00a0\u00bb destin\u00e9 aux entreprises est en train de dispara\u00eetre. Tous les principaux fournisseurs font d\u00e9sormais passer leurs clients professionnels \u00e0 une facturation \u00e0 l\u2019utilisation.<\/p>\n En cons\u00e9quence, les entreprises sont confront\u00e9es \u00e0 un probl\u00e8me que les industries de l\u2019h\u00e9bergement cloud et des communications mobiles connaissent trop bien. En l\u2019absence de syst\u00e8mes sp\u00e9cialis\u00e9s de comptabilit\u00e9 analytique et de gestion, une organisation ne conna\u00eet le co\u00fbt d\u2019un processus ou d\u2019un projet donn\u00e9 qu\u2019une fois celui-ci achev\u00e9. Dans les secteurs des t\u00e9l\u00e9communications et du cloud, ce probl\u00e8me a finalement \u00e9t\u00e9 r\u00e9solu gr\u00e2ce au d\u00e9veloppement de syst\u00e8mes de facturation avanc\u00e9s, et leurs clients ont m\u00eame adopt\u00e9 le terme sp\u00e9cialis\u00e9 FinOps<\/a>. En mati\u00e8re d\u2019IA, ce processus n\u2019en est encore qu\u2019\u00e0 ses balbutiements. De plus, la nature probabiliste de l\u2019IA g\u00e9n\u00e9rative complique la r\u00e9solution du probl\u00e8me.<\/p>\n Pour comprendre pourquoi les co\u00fbts augmentent si rapidement et sont si difficiles \u00e0 pr\u00e9voir et \u00e0 contr\u00f4ler, il faut se rappeler comment fonctionne un mod\u00e8le de langage et ce qui fait de lui un agent d\u2019IA. Le mod\u00e8le n\u2019a pas de m\u00e9moire persistante\u00a0: il ne conserve aucune information d\u2019une interaction \u00e0 l\u2019autre. Chaque fois que l\u2019agent passe \u00e0 l\u2019\u00e9tape suivante, l\u2019historique complet du travail effectu\u00e9 sur une t\u00e2che sp\u00e9cifique (le contexte) doit \u00eatre renvoy\u00e9 au mod\u00e8le\u00a0: la consigne initiale, le raisonnement pr\u00e9c\u00e9dent, le contenu des fichiers qu\u2019il a lus et les r\u00e9ponses de tous les outils. \u00c0 chaque \u00e9tape, ce \u00ab\u00a0r\u00e9capitulatif\u00a0\u00bb s\u2019allonge, surtout si la t\u00e2che comporte des boucles it\u00e9ratives. Si une \u00e9tape \u00e9choue, si la r\u00e9ponse n\u2019est pas claire ou si un outil renvoie une erreur, l\u2019agent tente simplement \u00e0 nouveau l\u2019op\u00e9ration, ce qui ne fait que gonfler davantage le contexte. Et si la t\u00e2che est effectu\u00e9e non pas par un seul agent, mais par plusieurs, qui se r\u00e9partissent le travail entre eux et \u00e9changent leurs r\u00e9sultats, ce volume est multipli\u00e9 par leur nombre. Par cons\u00e9quent, la consommation de jetons n\u2019augmente pas progressivement mais par \u00e0-coups, et il est presque impossible de l\u2019anticiper avant de commencer la t\u00e2che.<\/p>\n Lorsqu\u2019on ex\u00e9cute deux sessions distinctes d\u2019interaction avec un agent d\u2019IA pour r\u00e9soudre exactement la m\u00eame t\u00e2che (deux tickets d\u2019assistance technique, deux t\u00e2ches d\u2019analyse, etc.), le nombre de tokens utilis\u00e9s peut varier (l\u2019\u00e9cart peut m\u00eame \u00eatre multipli\u00e9 par\u2026 30<\/a>). Cette variation d\u00e9pend du nombre d\u2019\u00e9tapes, d\u2019erreurs et de tentatives n\u00e9cessaires pour r\u00e9soudre la t\u00e2che. L\u2019augmentation de la consommation de ressources ne d\u00e9pend pas n\u00e9cessairement de la complexit\u00e9 de la t\u00e2che. Il existe des cas bien connus o\u00f9 l\u2019IA s\u2019est retrouv\u00e9e prisonni\u00e8re d\u2019une \u00ab\u00a0boucle de r\u00e9flexion\u00a0\u00bb et a gaspill\u00e9 une quantit\u00e9 absurde de ressources pour des t\u00e2ches insignifiantes<\/a>.<\/p>\n Les trois g\u00e9n\u00e9rations d\u2019IA utilis\u00e9es dans les syst\u00e8mes d\u2019entreprise consomment les ressources de mani\u00e8re totalement diff\u00e9rente\u00a0:<\/p>\n \u00c9tant donn\u00e9 que les appels aux mod\u00e8les de langage (LLM) sont nettement plus co\u00fbteux que les appels logiciels standard habituels, l\u2019automatisation des t\u00e2ches courantes en entreprise entra\u00eene un co\u00fbt inhabituellement \u00e9lev\u00e9. Par exemple, Gartner estime<\/a> que le traitement d\u2019une seule demande d\u2019assistance client \u00e0 l\u2019aide d\u2019un LLM co\u00fbte environ 3\u00a0dollars<\/a>. On imagine facilement comment des pirates pourraient inonder une entreprise de milliers de requ\u00eates longues et complexes g\u00e9n\u00e9r\u00e9es par un mod\u00e8le LLM peu co\u00fbteux, causant ainsi un pr\u00e9judice financier consid\u00e9rable. Comme le processus est automatis\u00e9, il se peut que certaines anomalies ne soient pas d\u00e9tect\u00e9es imm\u00e9diatement.<\/p>\n Si un pirate informatique sait quel syst\u00e8me d\u2019agent et quel LLM sont utilis\u00e9s dans un processus op\u00e9rationnel, il peut mener une attaque plus cibl\u00e9e et causer des dommages bien plus importants. Les auteurs de l\u2019\u00e9tude GitInject<\/a> ont estim\u00e9 qu\u2019un pirate capable de cr\u00e9er des tickets GitHub au sein d\u2019une organisation utilisant des agents d\u2019IA pour l\u2019analyse des erreurs, par le biais d\u2019une seule attaque (avant que les m\u00e9canismes de d\u00e9fense de GitHub ne se d\u00e9clenchent), peut causer jusqu\u2019\u00e0 111\u00a0dollars de dommages et d\u00e9penser 400\u00a0minutes de GitHub Actions<\/a> sur le compte de la victime. Bien entendu, une telle attaque peut \u00eatre r\u00e9p\u00e9t\u00e9e \u00e0 plusieurs reprises, sans que cela ne co\u00fbte rien \u00e0 l\u2019attaquant.<\/p>\n Le risque le plus grave, bien que difficile \u00e0 quantifier financi\u00e8rement, provient des attaques qui poussent les mod\u00e8les LLM \u00e0 produire des raisonnements excessifs. Dans l\u2019article intitul\u00e9 OverThink<\/a>, les auteurs ont d\u00e9montr\u00e9 comment une t\u00e2che formul\u00e9e en termes anodins, lorsqu\u2019elle est soumise \u00e0 un mod\u00e8le linguistique, aboutit certes \u00e0 un r\u00e9sultat correct, mais consomme, ce faisant, 46\u00a0(!)\u00a0fois plus de tokens qu\u2019elle ne le devrait. De plus, toutes les t\u00e2ches test\u00e9es par les chercheurs ont franchi avec succ\u00e8s les filtres de s\u00e9curit\u00e9 existants.<\/p>\nConsommation impr\u00e9visible de jetons<\/h2>\n
\n
La tokenomics dans les attaques\u00a0: le \u00ab\u00a0d\u00e9ni de portefeuille\u00a0\u00bb, nouvelle forme d\u2019attaque DDoS<\/h2>\n