L'Agence internationale de l'énergie chiffre qu'une tâche agentique peut consommer jusqu'à 1 000 fois plus d'électricité qu'une requête texte simple. Le mécanisme n'a rien de mystérieux : à chaque tour, le client renvoie l'intégralité de l'historique au modèle.
Conséquence arithmétique : doubler le nombre de tours quadruple les tokens d'entrée facturés. Aucun gain d'efficacité matérielle n'absorbe un facteur 4 par doublement.
Une boucle, pas un échange
Le modèle produit une action, reçoit le résultat de l'environnement, relit tout, puis recommence, jusqu'à terminaison. Les actions sont des appels d'outils : lire un fichier, exécuter du code, interroger une API, faire une recherche.
Pour un bilan carbone, la conséquence est que l'unité pertinente cesse d'être la requête. Une tâche agentique est une session de plusieurs dizaines de tours, dont chacun est facturé et consommé séparément.
Deux propriétés mécaniques comptent pour la suite.
L'API est sans état. Le modèle ne se souvient de rien. À chaque tour, le client lui repasse la conversation entière, et le fournisseur la traite entièrement.
Le contexte contient bien plus que la conversation. Il y a le prompt système, les définitions d'outils, les fichiers d'instructions et les résultats des appels précédents. Sur un agent de code, le seul prompt système pèse plusieurs dizaines de milliers de tokens, renvoyés à chaque tour. DONNÉE MANQUANTE sur la valeur exacte : aucun éditeur ne publie la taille de son prompt système, et elle change à chaque version du produit. Elle se mesure côté client, en comptant les tokens d'entrée du premier tour d'une session vide.
La croissance quadratique du dialogue
Si chaque tour ajoute A tokens, question et réponse comprises, le tour numéro i facture i fois A tokens d'entrée. Le cumul après N tours vaut donc A × N × (N+1) / 2, une croissance en carré du nombre de tours.
Avec 1 000 tokens ajoutés par tour :
| Tours | Entrée cumulée facturée | Si c'était linéaire | Surcoût |
|---|---|---|---|
| 5 | 15 000 tokens | 5 000 | ×3,0 |
| 10 | 55 000 | 10 000 | ×5,5 |
| 20 | 210 000 | 20 000 | ×10,5 |
| 50 | 1 275 000 | 50 000 | ×25,5 |
| 100 | 5 050 000 | 100 000 | ×50,5 |
Au tarif d'entrée de Claude Sonnet 5, deux dollars par million de tokens, une conversation de 50 tours coûte 2,55 dollars en tokens d'entrée seuls, contre 0,10 dollar si l'historique n'était pas renvoyé.
Précision de rigueur : cette formule est une dérivation arithmétique élémentaire, pas une citation. Aucune source publiée ne documente ni ne chiffre explicitement ce phénomène. L'article d'ingénierie d'Anthropic sur le context engineering, publié le 29 septembre 2025, traite le sujet sans aucun chiffre : il parle de « context rot » et de contexte comme ressource finie à rendements décroissants, et recommande des résumés condensés « souvent de 1 000 à 2 000 tokens ».
Ce que le cache corrige, et ce qu'il ne corrige pas
Ce terme quadratique est le même que celui décrit au chapitre sur le contexte long. Le préfixe est justement la partie qui se répète, donc la mise en cache réduit exactement ce terme quadratique.
Quand le début d'un contexte a déjà été traité, le fournisseur peut réutiliser le travail au lieu de le refaire. Les trois grands facturent cette relecture 10 % du prix d'un token d'entrée frais.
Côté énergie, la méthodologie TokenClimate retient un facteur de 0,08, avec une plage publiée de 0,05 à 0,20. C'est le paramètre le moins bien mesuré du domaine, et il pèse lourd puisqu'il s'applique à l'essentiel du volume d'une session.
Sur l'exemple à 50 tours, les 2,55 dollars deviennent 0,26 dollar. Mesuré sur des sessions réelles plutôt qu'en théorie, le gain est un peu plus faible : Lumer et al. (Don't Break the Cache, arXiv:2601.06007, 9 janvier 2026), sur plus de 500 sessions d'agent du banc DeepResearch Bench, relèvent −79,6 % de coût sur GPT-5.2, −78,5 % sur Claude Sonnet 4.5 et −41,4 % sur Gemini 2.5 Pro. L'écart avec le −90 % annoncé n'est pas un désaccord, c'est un changement de dénominateur : −90 % sur les tokens cachés, −78,5 % sur la session entière.
Ce que le cache ne change pas, Anthropic l'écrit sans détour : « Cached prompt prefixes still occupy the context window: prompt caching changes what you pay for those tokens, not whether they count. » La fenêtre se remplit à la même vitesse, et les limites de débit s'appliquent sur le volume total.
Second effet, propre aux modèles récents : les blocs de raisonnement des tours précédents sont conservés par défaut et comptent dans la fenêtre comme des tokens d'entrée. Un token de raisonnement est donc facturé une fois au tarif de sortie quand il est produit, puis au tarif d'entrée à chaque tour suivant.
Et une question de fond reste ouverte. Aucun fournisseur ne documente s'il conserve l'état de calcul en mémoire ou s'il le recalcule. Personne n'a mesuré l'énergie d'une lecture de cache réussie contre un échec. Le fait que Google facture un stockage horaire pour son cache explicite, jusqu'à 4,50 dollars par million de tokens et par heure, indique qu'une ressource physique est bien immobilisée. Écrire que le cache divise l'empreinte par dix serait une extrapolation du prix vers l'énergie.
Ce que consomme réellement une tâche agentique
Chiffres publics du classement Terminal-Bench 4.0, consulté le 9 septembre 2026. Ce sont des totaux agrégés sur l'ensemble du banc d'essai, tous essais confondus.
| Modèle | Agent | Taux de résolution | Tokens | Coût |
|---|---|---|---|---|
| GPT-6 Astra | Codex | 58,2 % | 1,5 Md | 3 300 $ |
| Fable 5.1 | Claude Code | 57,9 % | 2,7 Md | 6 200 $ |
| Opus 5 | Claude Code | 51,8 % | 6,5 Md | 6 000 $ |
| GLM-5.3 | Claude Code | 41,8 % | 8,7 Md | 2 700 $ |
| GPT-5.6 Sol | Codex | 37,3 % | 4,4 Md | 2 500 $ |
| Gemini 3.8 Flash | mini-SWE-agent | 19,1 % | 17,2 Md | 1 800 $ |
Une donnée manque et elle est bloquante : ni le nombre de tâches du banc d'essai ni le nombre d'essais par tâche ne sont documentés, ni sur le classement ni dans le dépôt du projet. Impossible d'en tirer un coût par tâche. Côté SWE-bench, les classements officiels ne publient ni coût ni tokens.
Ce qu'on peut dire sans ces données : passer une seule fois un banc d'essai agentique coûte 1,5 à 17 milliards de tokens et 1 700 à 7 300 dollars.
Regardez maintenant les deux dernières colonnes. Le rapport entre le plus et le moins gourmand en tokens vaut 11,5, celui des coûts seulement 4,3. Le prix par token varie entre modèles et masque donc une partie de l'écart de consommation réelle. Un client qui pilote au coût seul se trompe de métrique.
Question
Sur une session d'agent de code de plusieurs heures, quel poste représente l'essentiel du volume de tokens ?
Choisissez une réponse pour voir l'explication.
Le harness compte plus que le modèle choisi
Formulation d'Ismael Velasco, en conférence à l'OBVIA : « If you have a really efficient model in a really inefficient harness, the impacts will be way worse than a really inefficient model in a really efficient harness. » DONNÉE MANQUANTE sur la référence : ni la date de l'intervention ni un enregistrement public n'ont pu être retrouvés. C'est une formulation à reprendre, pas un résultat à citer.
Le logiciel qui entoure le modèle : gestion du contexte, choix des outils, boucle de décision, sous-agents. Il décide combien de tokens circulent et combien d'actions sont déclenchées.
Deux mesures donnent sa texture, toutes deux tirées de TraceLab (arXiv:2606.30560), agrégats sur 2 676 sessions de Claude Code. Un agent de code relit environ 270 tokens de cache pour chaque token qu'il écrit. Et le pas médian d'un tel agent porte 126 180 tokens de contexte.
Ce dernier chiffre a une conséquence méthodologique directe. La seule mesure publiée du gain énergétique d'une lecture de cache a été réalisée sur un préfixe de 4 096 tokens. Transposer ce résultat à un régime trente fois plus long serait un vrai changement d'échelle, pas un détail. D'où une valeur retenue prudente.
Deux surcoûts n'apparaissent enfin sur aucune facture. Le prompt système, renvoyé à chaque tour, dont la taille n'est publiée par aucun éditeur. Et la surveillance des modèles agentiques côté fournisseur, qui mobilise du calcul d'inférence jamais facturé au client. DONNÉE MANQUANTE sur les deux : un chiffre d'environ 20 % du calcul d'inférence circule pour la surveillance chez OpenAI, sans publication traçable derrière. Toute méthodologie doit malgré tout trancher si son facteur par token intègre cette part ou la documente à part, et écrire ce qu'elle a choisi.
Ce que ça change pour un audit
L'unité pertinente devient la tâche accomplie, plutôt que la requête ou le token. Le référentiel SCI for AI l'a d'ailleurs acté en posant l'exécution de workflow comme unité fonctionnelle de l'IA agentique.
Réclamez trois choses : le nombre de tours par session, la longueur médiane de contexte, et la ventilation des tokens entre entrée fraîche et écriture de cache d'un côté, lecture de cache et sortie de l'autre. Ces trois données suffisent à reconstruire l'essentiel de l'empreinte, et elles sont toutes dans les exports d'usage.
Le levier est rarement là où les équipes le cherchent. Sur une base réelle de sessions agentiques, la part réellement compressible de l'empreinte, entrée fraîche et écriture de cache confondues, pèse 28,8 %. Un compresseur de prompt parfait ne descendrait donc pas sous 71 % du total. Ce qui déplace l'aiguille agit sur la sortie et sur le choix du modèle.
FAQ
Un agent IA consomme-t-il vraiment 1000 fois plus qu'une requête simple ?
C'est l'ordre de grandeur haut retenu par l'Agence internationale de l'énergie pour une tâche agentique comparée à une requête texte simple. L'étude Green IT 2025, reprise avec précaution par l'Arcep, avance de son côté un facteur 60 entre un service agentique et un service d'IA générative classique. Les deux mesurent des objets différents, et la littérature sur le sujet reste jeune.
Pourquoi le coût d'une conversation avec un agent augmente-t-il si vite ?
Parce que l'API est sans état : à chaque tour, le client renvoie l'intégralité de l'historique. Le tour numéro dix facture donc dix fois le volume d'un tour, et le cumul croît comme le carré du nombre de tours. Doubler le nombre de tours quadruple les tokens d'entrée facturés, et une conversation de 50 tours coûte 25 fois ce que coûterait un cumul linéaire.
Le cache de prompt suffit-il à régler le problème ?
Il règle le prix, en grande partie. Les trois grands fournisseurs facturent une lecture de cache 10 % d'un token d'entrée frais, et des mesures sur plus de 500 sessions d'agent relèvent des baisses de coût de 41 à 80 % selon le modèle. Il ne règle ni l'occupation de la fenêtre de contexte, ni les limites de débit, et son gain énergétique exact n'a été mesuré par personne.
Combien de tokens consomme une tâche de développement automatisée ?
Le classement Terminal-Bench 4.0 publie des totaux allant de 1,5 à 17,2 milliards de tokens et de 1 700 à 7 300 dollars pour passer une seule fois l'ensemble du banc d'essai. Le nombre de tâches et d'essais n'étant pas documenté, aucun coût par tâche ne peut en être déduit. À noter que l'écart de tokens entre modèles atteint un facteur 11,5 quand l'écart de coût n'est que de 4,3.
Quelle donnée réclamer pour chiffrer l'empreinte d'un usage agentique ?
Trois éléments, tous présents dans les exports d'usage des fournisseurs : le nombre de tours par session, la longueur médiane de contexte, et la ventilation des tokens entre entrée fraîche et écriture de cache d'un côté, lecture de cache et sortie de l'autre. Un volume global de tokens sans cette ventilation conduit à des écarts d'un facteur 5 à 10 selon le tarif appliqué aux relectures de contexte.