Garry Tan dépense jusqu’à 200 000 $ par an en tokens pour des agents d’IA

Garry Tan a fait passer les agents d’IA du statut d’outil intrigant à celui de poste budgétaire à part entière : le patron de Y Combinator dépense entre 100 000 et 200 000 $ par an en tokens. Pour cette somme, il n’obtient pas seulement un chat capable de répondre à des questions. Les agents l’aident à écrire du code, à étudier des sujets, à préparer des entretiens et à travailler avec d’immenses archives personnelles, des e-mails et de Dropbox jusqu’à Apple Notes.

Pour un développeur, le montant lui-même n’est pas le point essentiel. Il révèle où se crée la véritable valeur d’un agent : dans l’accès au contexte et aux outils, ainsi que dans sa capacité à enchaîner plusieurs étapes sans sollicitations humaines constantes. Mais ce même exemple met immédiatement en évidence trois contraintes : le coût, la sécurité des données et le contrôle des actions.

Ce qui distingue un agent d’un chatbot ordinaire

Imaginons qu’un dirigeant prépare une réunion avec un partenaire. Un chatbot ordinaire recevra un document, en produira un bref résumé, puis s’arrêtera. Un agent peut retrouver les échanges précédents, extraire les notes d’anciennes réunions, vérifier les derniers accords, préparer une liste de questions et signaler à l’avance les contradictions. L’humain fixe l’objectif, puis le système construit lui-même la chaîne de travail.

C’est ainsi que Tan décrit ses assistants : ils ne se contentent pas de réagir à une requête, ils proposent aussi l’étape suivante. Pour y parvenir, un agent a besoin de trois éléments : une mémoire de l’utilisateur ou de l’entreprise, un accès aux sources pertinentes et un ensemble d’actions autorisées. Sans eux, il ne reste qu’un chat doté d’un prompt système plus long.

Chez Y Combinator, cette approche a été portée à l’échelle de l’organisation. Selon Tan, l’agent interne Stray Light dispose d’un contexte partagé sur les fondateurs accompagnés, les candidatures et les échanges entrants. Ce « cerveau de l’entreprise » peut réduire le temps consacré à la recherche d’informations et permettre aux collaborateurs de reconstituer plus rapidement l’historique des décisions.

Le prix d’un contexte approfondi

Ce modèle a un revers préoccupant. L’agent personnel de Tan a lu vingt années de ses e-mails, fichiers, notes et même comptes rendus de thérapie. Plus le système en sait, plus ses réponses sont utiles — et plus les conséquences d’une fuite, d’une action erronée ou d’un accès excessivement large peuvent être graves.

L’exemple de Tan ne doit donc pas être reproduit à la lettre. Un développeur devrait commencer par un processus bien délimité : par exemple, un agent analyse les erreurs de build, retrouve les modifications associées et propose un correctif, mais n’obtient pas le droit de le déployer seul en production. Une équipe produit a intérêt à séparer dès le départ la lecture, la préparation des décisions et les actions irréversibles. À chaque transition, le responsable, le journal des opérations et le point de validation humaine doivent être clairement définis.

Le coût exige lui aussi un suivi distinct. Le budget annuel de Tan est hors de portée de la plupart des équipes, et le nombre de tokens consommés ne dit encore rien de l’utilité obtenue. Il faut calculer le coût par tâche achevée : combien ont coûté le modèle, la recherche, les nouvelles tentatives et la vérification humaine ; combien de temps ou d’argent ont été économisés ; à quelle fréquence le résultat a dû être refait.

Ce que les équipes doivent faire maintenant

Choisissez un processus répétitif et suffisamment coûteux, dont les informations sont déjà stockées dans des sources accessibles au système. Limitez l’ensemble des données et des actions, ajoutez une journalisation, un plafond de dépenses et une validation obligatoire des opérations critiques. Comparez ensuite l’agent à la méthode de travail actuelle selon la durée, le coût et la proportion de tâches réussies.

L’expérience de Tan ne prouve pas que chaque entreprise a besoin d’un agent à 200 000 $ par an. Elle montre autre chose : un agent performant se construit autour du contexte et des actions, et non autour d’une conversation spectaculaire. Le gain concret apparaît lorsque le système mène à terme un travail utile. Le risque concret se trouve au même endroit, car il faut pour cela lui confier des données, des droits et un budget.