Les agents IA dotés de vision coûtent plusieurs fois plus cher qu'une API classique

Les agents IA de navigation, qui voient l'écran et imitent le comportement humain, coûtent aux entreprises un ordre de grandeur de plus que les modèles d'IA textuels classiques. L'entreprise Reflex a analysé les coûts et conclu que les agents dotés de vision coûtent plusieurs fois plus cher que les requêtes API ordinaires.

Pourquoi la vision coûte plus cher que le texte

Quand un agent ne traite que du texte, la tâche est relativement simple et peu coûteuse. L'API prélève sa part, le modèle traite la requête, et c'est tout. Mais quand ce même agent voit une capture d'écran, un navigateur, un formulaire web, un modèle de vision entre en jeu : il demande nettement plus de ressources de calcul et coûte plus cher.

Le prix d'une seule capture peut dépasser celui du traitement d'une session textuelle entière de plusieurs dizaines de phrases. Un seul clic d'un agent de navigation peut revenir plus cher à l'entreprise qu'une conversation complète avec un chatbot textuel. Ce n'est pas une hypothèse : c'est ce qu'observent les développeurs qui ont déployé des agents de navigation à l'échelle industrielle.

Le problème s'aggrave parce que l'agent ne peut pas « réutiliser » une capture. À chaque changement à l'écran (c'est-à-dire après chaque action de l'agent), il faut une nouvelle image, un nouvel appel à l'API de vision, de nouveaux coûts. Les coûts croissent alors de façon exponentielle avec le nombre d'actions.

Comment le calculer en pratique

Quand un agent remplit un formulaire sur un site, le cycle de travail ressemble à ceci :

• Prendre une capture d'écran (le modèle de vision se déclenche)
• Comprendre ce que voit l'agent : boutons, champs, erreurs, indications
• Décider de l'action à effectuer (c'est moins cher, c'est de la logique)
• Cliquer, remplir le champ, appuyer sur le bouton
• Reprendre une capture, et rappeler l'API de vision

Chaque cycle avec vision est facturé séparément. Pour commander un repas via DoorDash, un agent peut prendre de 5 à 10 captures : recherche du restaurant, choix, consultation du menu, ajout des plats au panier, paiement. Cela fait de 5 à 10 appels à un modèle de vision coûteux pour une seule tâche.

À des milliers d'opérations de ce type par jour, les coûts deviennent insupportables. L'entreprise découvre vite qu'elle a dépensé pour une journée de travail des agents plus que pour un mois d'exploitation de modèles textuels. Les chiffres parlent d'eux-mêmes : si une requête de vision coûte 10 fois plus qu'une requête textuelle et que l'agent prend 10 captures par tâche, les coûts sont multipliés par 100.

Le problème du passage à l'échelle

Les entreprises qui ont expérimenté des agents de navigation découvrent souvent des coûts cachés. Ce qui semblait plus économique que d'embaucher un humain (un agent-bot pour un mois coûte moins cher qu'un freelance) revient en pratique plus cher s'il faut traiter des dizaines de milliers d'écrans par jour.

« L'économie des agents de vision est totalement différente de celle des agents textuels.

Les entreprises calculent mal le ROI », disent les développeurs.

Cela ne signifie pas que les agents de navigation sont déficitaires. Cela signifie qu'il ne faut pas les lancer sans calcul précis. Il faut un chiffrage honnête : combien coûte un cycle de l'agent, combien de cycles par tâche, combien de tâches par jour, et quel résultat. Sans cela, on peut épuiser tout le budget plus vite que prévu.

Ce que cela signifie

Le développement des agents de navigation appelle de nouvelles approches de tarification. Les entreprises doivent connaître le coût des modèles de vision avant le déploiement en production, et non après la facture. Sinon, l'économie réalisée grâce à l'automatisation se transformera en dépense imprévue.

Cela ralentira temporairement l'adoption de ces agents, mais obligera à des choix mûrement réfléchis.