La facture Claude d'Amazon à 1,8 million de dollars : pourquoi les coûts des agents IA peuvent exploser

Introduction

Les agents d’IA peuvent échouer d’une manière que les logiciels ordinaires échouent rarement : ils réessayent sans cesse.

Un employé humain confronté à un processus défaillant finit par se fatiguer, demander de l’aide, rentrer chez lui ou attendre le lendemain matin pour s’en occuper.

Un agent autonome, en revanche, peut continuer à appeler des modèles, lire ses propres sorties, réessayer des outils, réécrire des plans et relancer une autre boucle, pendant des heures, voire des jours.

Lorsque la tâche est difficile, cette persévérance est utile.

Lorsque la tâche elle-même pose problème, cette persévérance coûte cher.

Selon un rapport du Financial Times de juillet 2026 citant des employés d’Amazon et des personnes familières avec les projets internes, un projet Amazon utilisant Claude Sonnet a accumulé environ 1,8 million de dollars de coûts IA en tentant d’enrichir les informations sur les auteurs sur le site d’Amazon.

La facture aurait été d’environ :

860 % de dépassement du budget prévu

Ce dépassement serait resté inaperçu pendant :

cinq mois

Et malgré les dépenses considérables, le projet n’aurait pas été déployé avec succès.

Cette combinaison rend l’incident plus important qu’une simple facture anormalement élevée.

Elle révèle un nouveau problème du logiciel d’entreprise :

Petite erreur logique
×
Réessais autonomes
×
Facturation à l’usage
×
Observabilité faible
=
Pertes financières majeures

Ce problème n’est pas propre à Claude, à Amazon ni à aucun fournisseur d’IA en particulier.

Les systèmes d’agents transforment la puissance de calcul en dépenses opérationnelles variables. Lorsqu’on les laisse fonctionner de manière indépendante, le coût fait partie du comportement de l’application, et non plus d’un simple abonnement logiciel.

Un défaut ne produit plus seulement des résultats erronés.

Il peut produire des résultats erronés des millions de fois tout en continuant de dépenser de l’argent.

Le déroulement de l’incident Claude chez Amazon à 1,8 million de dollars

La tâche décrite dans le rapport du Financial Times semble banale.

Amazon voulait améliorer les informations sur les auteurs sur son site web.

Un flux de travail basé sur Claude Sonnet aurait été utilisé pour aider à faire correspondre ou générer les informations souhaitées sur les auteurs.

Ensuite, le projet a consommé beaucoup plus de ressources IA que prévu.

Les employés d’Amazon auraient décrit le coût final comme étant d’environ :

1,8 million de dollars

Ce qui équivaut à un dépassement estimé de :

860 % du budget

Le détail le plus frappant est peut-être le retard de détection.

Le problème de coût serait resté actif ou non détecté pendant environ cinq mois.

Cela montre que l’échec n’est pas seulement celui du modèle d’IA.

C’est aussi un problème de surveillance et de gouvernance.

Si une charge de travail d’entreprise peut dépenser un montant à sept chiffres sans alerte explicite, le système manque d’un ou plusieurs contrôles qui existeraient normalement autour d’autres infrastructures facturées.

Ces contrôles pourraient inclure :

• Budgets au niveau du projet.
• Plafonds de dépenses stricts.
• Alertes quotidiennes sur les anomalies.
• Quotas par agent.
• Nombre maximal de réessais.
• Durée maximale des tâches.
• Attribution par utilisateur.
• Tableaux de bord du coût par succès.
• Règles d’arrêt automatique.

Le Financial Times rapporte qu’Amazon a également constaté d’autres cas de coûts IA anormalement élevés et que des ingénieurs développaient des garde-fous automatisés.

Amazon a déclaré au média que ces cas étaient des leçons isolées, et non une représentation de

l’ensemble de ses efforts en intelligence artificielle.

Cette distinction mérite d’être retenue.

L’incident à 1,8 million de dollars serait un échec de projet interne.

Il ne prouve pas que l’ensemble du programme IA d’Amazon est un échec économique.

L’estimation de « 600 milliards de jetons » doit être replacée dans son contexte

L’article chinois d’origine a fait un calcul exagéré.

Il affirme qu’au prix de 3 dollars par million de jetons d’entrée, 1,8 million de dollars permettrait d’acheter au maximum :

600 milliards de jetons d’entrée

Le calcul est simple :

1,8 million de dollars
÷
3 dollars par million de jetons
=
600 000 millions de jetons
=
600 milliards de jetons

Mais ce n’est pas une mesure de la consommation réelle de jetons du projet Amazon.

C’est simplement un plafond illustratif calculé sous plusieurs hypothèses irréalistes :

1. Chaque dollar a été dépensé en jetons d’entrée.
2. La version de Claude Sonnet utilisée par le projet était facturée exactement 3 dollars par million de jetons d’entrée.
3. Aucun coût de jetons de sortie.
4. Aucun coût d’écriture ou de lecture de cache.
5. Aucune différence de tarification spécifique à la plateforme AWS.
6. Aucun autre coût d’inférence ou d’infrastructure.

La tarification actuelle d’Anthropic varie également selon les générations de Sonnet.

En août 2026, le barème d’Anthropic est le suivant :

Le rapport du Financial Times confirme l’utilisation de Claude Sonnet, mais les informations publiques ne fournissent pas suffisamment de détails de facturation pour reconstituer la version exacte du modèle, le ratio entrée/sortie, le comportement du cache ou le nombre réel de jetons.

Par conséquent, la conclusion défendable est la suivante :

Selon ce rapport, le projet a coûté environ 1,8 million de dollars ; sa consommation exacte de jetons n’est pas connue du public.

C’est important, car lorsque l’on convertit automatiquement un montant en dollars en jetons à l’aide d’un seul prix unitaire, l’analyse des coûts de l’IA d’entreprise devient trompeuse.

Pourquoi les coûts des agents sont plus difficiles à prévoir que ceux des logiciels traditionnels

Les logiciels traditionnels ont généralement des facteurs de coût relativement prévisibles.

Les équipes peuvent estimer :

• Le nombre de serveurs.
• La taille des bases de données.
• La bande passante.
• Le stockage.
• Les licences utilisateur.
• Le nombre de requêtes par seconde.

Les agents basés sur de grands modèles de langage ajoutent une couche de complexité supplémentaire.

Une requête utilisateur peut déclencher :

1 appel de modèle

Mais elle peut aussi déclencher :

200 appels de modèle
+ appels d’outils
+ réessais
+ relecture du contexte
+ recherches web
+ exécution de code

L’utilisateur ne voit peut-être qu’une seule réponse finale.

Le compteur de coûts, lui, voit toute la trajectoire du processus.

Le contexte est renvoyé à plusieurs reprises

Un agent a tendance à renvoyer une grande partie de son contexte de travail à chaque étape de raisonnement.

Un très long référentiel de code, un gros document, un historique d’outils ou une conversation peuvent ainsi être facturés plusieurs fois.

Les sorties deviennent de nouvelles entrées

Le texte précédemment généré par l’agent devient souvent le contexte du prochain appel de modèle.

Le système dépense d’abord de l’argent pour générer des informations, puis dépense encore de l’argent pour les relire.

Les réessais multiplient les coûts

Un appel d’outil qui échoue peut déclencher :

1. L’interprétation de l’erreur.
2. Un nouveau raisonnement.
3. Un appel modifié.
4. Un autre résultat.
5. Encore une nouvelle itération du modèle.

Une boucle de réessai qui semble inoffensive au niveau du code peut générer une consommation massive de jetons.

Les coûts sont

aléatoires

Les recherches sur le codage par agents constatent que l’utilisation de jetons pour une même tâche peut varier énormément d’une exécution à l’autre.

Une étude de 2026 portant sur plusieurs modèles de pointe sur SWE-bench Verified a rapporté des différences allant jusqu’à environ 30 fois entre les exécutions d’une même tâche.

Davantage de jetons ne produit pas toujours de meilleurs résultats.

Cela rend l’estimation de la facture « en fonction de la difficulté de la tâche » une méthode de budgétisation peu fiable.

Le rêve d’automatisation d’Amazon va bien au-delà d’un projet raté

L’article source passe ensuite de l’incident de 1,8 million de dollars à une vision plus large.

Amazon ne recule pas dans le domaine de l’IA.

Il accélère ses investissements.

Le PDG Andy Jassy a répété à plusieurs reprises que l’IA générative et les agents vont remodeler les produits clients et le travail interne d’Amazon.

En juin 2025, Jassy a déclaré aux employés qu’Amazon possédait déjà plus de :

1 000 services et applications d’IA générative

qu’ils soient déjà construits ou en cours de développement.

Il a également prédit :

des milliards d’agents d’IA
à travers les entreprises et les secteurs.

Jassy a déclaré que les agents pourraient effectuer les tâches suivantes :

• Recherches web.
• Recherches approfondies.
• Codage.
• Détection d’anomalies.
• Traduction.
• Analyse de données.
• Automatisation de flux de travail.

Il a également indiqué que l’adoption plus large de l’IA modifierait la structure des effectifs d’Amazon, réduisant potentiellement, à long terme, le nombre total d’employés de l’entreprise grâce aux gains d’efficacité.

Ainsi, cet incident de 1,8 million de dollars impliquant Claude s'est produit au sein d'une entreprise qui pousse délibérément à davantage d'automatisation, et non moins.

Les dépenses d'investissement d'Amazon devraient atteindre environ 220 milliards de dollars en 2026

L'ampleur des investissements d'Amazon dans les infrastructures est considérable.

Au cours de la période de publication des résultats du deuxième trimestre 2026, Jassy a relevé les dépenses d'investissement prévues par Amazon pour 2026 à environ :

220 milliards de dollars

Contre un plan précédent d'environ 200 milliards de dollars.

La majeure partie de ces dépenses est liée à :

• La capacité des centres de données AWS.
• L'infrastructure d'IA.
• Les puces sur mesure.
• Les serveurs.
• Le réseau.
• L'électricité.
• La robotique et d'autres infrastructures à long terme.

La lettre aux actionnaires d'Amazon pour 2025 indiquait déjà que l'entreprise n'avait pas fait son estimation précédente de 200 milliards de dollars « à l'instinct ».

Jassy a déclaré qu'AWS disposait d'engagements clients suffisants pour justifier la majeure partie de ces investissements infrastructurels.

Cela crée un contraste frappant :

Amazon investit des centaines de milliards de dollars
pour étendre sa capacité d'IA

tout en apprenant
comment empêcher une seule charge de travail d'IA
de gaspiller des millions de dollars.

Ces deux problèmes ne sont pas contradictoires.

La capacité d'infrastructure et l'efficacité des charges de travail sont deux choses distinctes.

AWS récolte des retombées concrètes de l'engouement pour l'IA

L'article source souligne à juste titre que les dépenses d'Amazon en matière d'IA et de cloud ne génèrent pas uniquement des coûts.

Les résultats officiels d'Amazon pour le deuxième trimestre 2026 montrent une croissance solide d'AWS.

Pour le trimestre clos le 30 juin 2026 :

Ventes nettes d'AWS | 42,2 milliards de dollars |
| Croissance des ventes d'AWS en glissement annuel | 37 % |
| Résultat opérationnel total d'Amazon | 27,5 milliards de dollars |
| Résultat opérationnel d'AWS | 16,6 milliards de dollars |

Ainsi, AWS a contribué à environ :

60 % du résultat opérationnel d'Amazon

tout en représentant environ :

21 % des ventes nettes totales

sur ce trimestre.

Amazon a également indiqué que son activité d'IA et son activité de puces affichaient chacune un rythme de revenus annualisé supérieur à 25 milliards de dollars.

L'entreprise a donc de solides raisons économiques de continuer à promouvoir l'adoption de l'IA tout en améliorant la discipline des coûts.

La main-d'œuvre d'Amazon évolue simultanément

Les dépenses en IA ne sont qu'un aspect du programme d'automatisation d'Amazon.

L'entreprise réduit également ses effectifs dans les fonctions administratives.

En octobre 2025, un article de Reuters indiquait qu'Amazon prévoyait de supprimer jusqu'à 30 000 postes dans les fonctions administratives.

Jassy a par ailleurs informé les employés que l'adoption plus large de l'IA générative pourrait entraîner une réduction de certains types d'emplois, tandis que d'autres catégories en verraient augmenter.

Il convient de noter que l'on ne peut pas réduire chaque licenciement chez Amazon à « l'IA qui remplace des employés ».

Les réductions d'effectifs dans les grandes entreprises peuvent impliquer :

• Des réorganisations.
• Des surembauches liées à la pandémie.
• Des pressions sur les coûts.
• Une réduction des niveaux hiérarchiques.
• Des fermetures d'activités.
• De l'automatisation.
• Des gains d'efficacité liés à l'IA.

Ce qui est clair, c'est qu'Amazon s'attend elle-même à ce que l'IA modifie ses besoins futurs en personnel.

L'automatisation des entrepôts transpose la même logique dans le monde physique

La source passe ensuite de l'automatisation des bureaux à celle des entrepôts et de la logistique.

Le reportage, basé sur des documents internes d'Amazon, décrit une stratégie robotique ambitieuse.

Son objectif serait d'automatiser une grande partie des opérations d'entrepôt dans les années à venir, ce qui pourrait permettre à Amazon d'éviter d'embaucher des centaines de milliers de travailleurs supplémentaires lorsque le volume de marchandises augmentera.

Une estimation largement rapportée suggère que l'automatisation pourrait permettre à Amazon d'éviter :

l'embauche d'environ 160 000 employés supplémentaires aux États-Unis d'ici 2027

ainsi que :

plus de 600 000 employés supplémentaires d'ici environ 2033

par rapport à une trajectoire de croissance moins automatisée.

Ces chiffres reposent sur des prévisions internes rapportées, et non sur un engagement public d'Amazon à licencier 600 000 employés existants.

Cette distinction est importante.

« Éviter des embauches futures » et « éliminer des postes existants » sont économiquement liés, mais ne sont pas identiques.

Amazon souligne publiquement que la robotique peut également créer de nouveaux rôles dans des domaines tels que :

• La maintenance.
• La fiabilité.
• L'ingénierie robotique.
• La supervision des processus.
• Les opérations techniques.

L'impact à long terme sur l'emploi reste controversé.

L'économiste Daron Acemoglu est l'un des critiques les plus éminents ; il avertit qu'une automatisation agressive par les grands employeurs pourrait transformer les entreprises de créatrices massives d'emplois en acteurs qui éliminent ou évitent un grand nombre de postes.

L'ère du « plus de jetons = plus d'IA » touche à sa fin

La deuxième grande section de la source passe d'Amazon à un comportement plus large de la Silicon Valley : le tokenmaxxing (maximisation de la consommation de jetons).

Pendant un temps, les entreprises ont poussé si agressivement l'adoption de l'IA que l'utilisation elle-même est devenue un symbole de statut.

Les managers voulaient que les employés :

• Utilisent davantage l'IA.
• Exécutent davantage d'agents.
• Automatisent davantage de tâches.
• Expérimentent audacieusement.
• Constituent des équipes plus petites autour de l'IA.

Dans certaines organisations, cet encouragement a évolué en classements.

Et une fois qu'une métrique devient visible, les employés apprennent à optimiser cette métrique.

C'est un cas classique de la loi de Goodhart :

Lorsqu'une métrique devient un objectif, elle cesse d'être une bonne métrique.

L'entreprise veut des applications d'IA productives.

Elle mesure l'utilisation de jetons, car l'utilisation de jetons est facile à comptabiliser.

Les employés ont donc augmenté leur consommation de jetons.

Les chiffres ont grimpé.

Mais la production effective n'a pas nécessairement augmenté.

Amazon ferme KiroRank

Amazon disposait d'un classement interne officieux appelé KiroRank.

Il suivait et classait les employés en fonction de leur activité liée à Kiro (l'outil de développement IA d'Amazon).

Selon Business Insider et le Financial Times, certains employés ont commencé à exécuter des tâches d'IA inutiles pour améliorer leur score.

Amazon a finalement fermé ce classement.

Le vice-président senior Dave Treadwell a dit aux employés de ne pas utiliser l'IA pour utiliser l'IA.

Amazon s'est tourné vers des mesures davantage axées sur la production réelle, notamment une métrique appelée déploiements normalisés (normalized deployments).

La leçon est simple :

La consommation de jetons
≠
La productivité

Un développeur qui utilise 100 millions de jetons sans rien livrer n'est pas automatiquement plus efficace qu'un développeur qui résout un problème avec 5 millions de jetons.

Le classement Claudeonomics de Meta a créé les mêmes incitations

Meta a apparemment mené une expérience similaire.

Un classement interne créé par des employés, nommé Claudeonomics, agrégait l'utilisation de l'IA de plus de 85 000 employés et affichait les 250 premiers utilisateurs.

Des titres tels que les suivants sont apparus dans les rapports :

• Légende des jetons (Token Legend).
• Magicien du cache (Cache Wizard).

Session Immortel.

Selon The Information, les employés de Meta ont consommé des dizaines de milliers de milliards de jetons sur des cycles glissants de 30 jours.

Des rapports ultérieurs ont fixé le total sur 30 jours à près de :

73,7 mille milliards de jetons

Meta est ensuite passé à des contrôles d'utilisation plus stricts et a mis en place une passerelle IA (AI Gateway) centralisée pour la visibilité des coûts et la gestion budgétaire.

Ces données reposent sur la couverture de rapports internes, et non sur les états financiers publics de Meta.

L'article source a également converti les 73,7 mille milliards de jetons en une facture hypothétique de 221 millions de dollars par mois.

Ce chiffre ne doit pas être considéré comme la facture réelle de Meta.

Il s'agit essentiellement de :

73,7 mille milliards de jetons
×
3 dollars par million de jetons
≈
221 millions de dollars

Cela suppose que chaque jeton est facturé au prix catalogue d'un jeton d'entrée.

L'utilisation réelle peut impliquer différents modèles, des tarifs d'entreprise négociés, des combinaisons entrée/sortie, de la mise en cache, des modèles internes et des arrangements de plateforme.

Le fait utile est l'échelle de consommation de jetons rapportée — et non la conversion de facturation simplifiée.

Uber a épuisé son budget annuel d'IA pour le codage en quatre mois

Uber a également rencontré des problèmes budgétaires similaires.

Selon des rapports de juin 2026, l'entreprise avait épuisé le budget annuel de ses outils de codage par agents dès le premier trimestre.

Quatre mois dans l'année.

Uber a ensuite introduit des plafonds par défaut :

1 500 dollars par employé
par mois
par outil de codage intelligent

Ce plafond s'applique séparément aux outils suivants :

• Claude Code.
• Cursor.

Les employés peuvent consulter leur propre utilisation via un tableau de bord interne, et des exceptions peuvent être approuvées si des dépenses supplémentaires sont justifiées.

Cette approche se rapproche davantage du FinOps cloud traditionnel.

La question passe de :

Quelle quantité d'IA les employés utilisent-ils ?

à :

Combien ce flux de travail coûte-t-il,
et le résultat en vaut-il la peine ?

Les dirigeants d'Uber ont toujours considéré que l'IA pouvait apporter des gains d'efficacité significatifs.

Le changement ne consiste pas à passer de « utiliser l'IA » à « ne pas utiliser l'IA ».

Il s'agit de passer d'une consommation illimitée à une consommation gérée.

Même OpenAI admet que les coûts deviennent un « énorme problème »

Les fournisseurs de modèles sont confrontés aux mêmes problèmes économiques en interne.

Lors d'un événement d'entreprise en juin 2026, Sam Altman a déclaré que le plus gros utilisateur interne de jetons d'OpenAI consommait environ :

100 milliards de jetons

par mois.

Il a comparé cela à environ six ans et demi plus tôt, où 100 000 jetons par mois semblaient déjà anormalement élevés.

Business Insider a également cité un article du New York Times selon lequel un employé d'OpenAI utilisait environ :

210 milliards de jetons

en une semaine.

Altman a déclaré que les coûts étaient passés d'un problème rarement évoqué par les clients début 2026 à un :

« énorme problème »

cette année-là.

L'ironie est évidente.

Les laboratoires d'IA veulent que les modèles deviennent moins chers afin que les clients puissent utiliser davantage l'IA.

À mesure que les modèles deviennent moins chers et que les agents deviennent plus autonomes, la croissance de l'utilisation totale peut dépasser la baisse du prix unitaire.

C'est une manifestation de l'effet Jevons :

Coût unitaire plus faible
→ Utilisation accrue
→ Dépenses totales potentiellement plus élevées

La plupart des entreprises ne parviennent toujours pas à avoir une vision complète de leurs factures d'IA

La gouvernance des coûts est difficile car l'utilisation de l'IA est dispersée partout.

Les entreprises peuvent payer pour l'IA via :

• Des API directes.
• AWS Bedrock.
• Azure.
• Google Cloud.
• Des abonnements SaaS.
• Des agents de codage.
• Des Copilots intégrés.
• Des comptes de dépenses départementaux.
• De l'inférence interne.
• Des outils de flux de travail tiers.

Un rapport destiné aux directeurs financiers du Wall Street Journal cite une enquête montrant que seulement :

26 % des entreprises

ont une visibilité complète sur leurs coûts d'IA.

Cela signifie que de nombreuses entreprises tentent d'optimiser leurs dépenses d'IA avant même de pouvoir attribuer ces coûts de manière fiable.

Les équipes financières peuvent connaître la facture totale du fournisseur, mais pas :

• Quelle équipe l'a générée.
• Quelle application l'a générée.
• Quel flux de travail client l'a générée.
• Quelle boucle d'agent a provoqué la hausse.
• Quelle part des coûts a produit des résultats positifs.
• Quelle part a été gaspillée en nouvelles tentatives.

La gouvernance des coûts d'IA nécessite plus qu'une facture mensuelle

Un système utile de gestion des coûts d'IA en entreprise doit répondre à plusieurs niveaux de questions.

Niveau 1 : Qui dépense ?

Suivre par :

• Employé.
• Équipe.
• Produit.
• Dépôt de code.
• Agent.
• Environnement.

Niveau 2 : Qu'est-ce qui consomme les coûts ?

Distinguer :

• Jetons d'entrée.
• Jetons de sortie.
• Écritures de cache.
• Lectures de cache.
• Appels d'outils.
• Recherches.
• Exécution de code.
• Nouvelles tentatives.

Niveau 3 : Qu'est-ce que la dépense a produit ?

Relier les coûts à :

• Des déploiements.
• Des tickets résolus.
• Des demandes d'extraction fusionnées.
• Des rapports.

Livrés.

• Des demandes clients terminées.
• Des événements de revenus.
• Des heures économisées.

Niveau 4 : Le comportement des agents est-il normal ?

Surveiller :

• Des appels identiques répétés.
• Des boucles de nouvelles tentatives.
• Des augmentations soudaines du contexte.
• Des pics de jetons.
• Des sessions inactives prolongées.
• Des pannes d'outils.
• Des tâches sans progression.

L'objectif n'est pas seulement de réduire les jetons.

Il s'agit de détecter les jetons à faible valeur.

De meilleurs budgets d'agents comportent plusieurs garde-fous

Un plafond mensuel en dollars est utile, mais incomplet.

Un agent de niveau production devrait généralement avoir plusieurs limites simultanées.

Exemple :

Par tâche :
Durée d'exécution maximale : 30 minutes
Nombre maximal d'appels de modèle : 80
Nombre maximal de nouvelles tentatives par outil : 3
Coût maximal : 5 dollars

Par utilisateur :
Budget quotidien : 50 dollars

Par équipe :
Budget mensuel : 25 000 dollars

Global :
Alerte d'anomalie en cas de dépassement de +100 % des dépenses horaires
Interrupteur d'arrêt d'urgence

Les valeurs exactes dépendent du cas d'utilisation.

L'architecture est l'élément clé.

Un système incontrôlé devrait heurter plusieurs barrières indépendantes avant de causer une facture imprévue à sept chiffres.

Pourquoi les limites strictes sont essentielles pour les agents autonomes

Les logiciels traditionnels attendent généralement une nouvelle requête avant de continuer à travailler.

Un agent peut créer lui-même l'action suivante.

Cela change le modèle de risque.

Supposons qu'un agent reçoive une instruction telle que :

Trouvez le bon enregistrement d'auteur et mettez à jour la base de données.

Il découvre une correspondance ambiguë.

Il recherche à nouveau.

Puis il fait comparer les résultats candidats par le modèle.

Puis il réessaie une certaine API.

Puis il génère une nouvelle requête de recherche.

Puis il étend le contexte.

Puis il boucle.

Si les critères de succès sont mal définis, le système peut rester « occupé » pendant longtemps sans devenir plus correct.

Un agent a besoin d'une notion de :

stop

que ce soit pour des raisons techniques ou financières.

Une automatisation accrue ne signifie pas une efficacité accrue

L'article original se termine en citant un célèbre échec d'automatisation antérieur à l'ère de l'IA : Knight Capital.

Cette analogie est utile car les problèmes de Knight n'avaient rien à voir avec les LLM.

C'était un échec de logiciel automatisé, de contrôle de déploiement et de limitation des pertes.

Le 1er août 2012, Knight Capital a déployé un nouveau logiciel de trading pour le programme de liquidité de détail de la Bourse de New York.

Selon la Securities and Exchange Commission (SEC) des États-Unis, une erreur de déploiement a laissé l'ancien code toujours actif sur un serveur.

Lorsque le nouveau système est entré en service, cette fonctionnalité dormante a commencé à envoyer des ordres non prévus sur le marché.

Le système a continué à fonctionner pendant environ :

45 minutes

La SEC a déclaré plus tard que Knight avait accumulé un portefeuille de titres non prévu de plusieurs milliards de dollars, avec des pertes dépassant :

460 millions de dollars

L'article chinois original utilisait le chiffre communément cité de 440 millions de dollars. Les documents d'application ultérieurs de la SEC utilisent plus de 460 millions de dollars, c'est pourquoi cette traduction adopte le chiffre réglementaire pour plus de précision.

La leçon de Knight Capital réside dans l'absence de filet de sécurité

La critique de la SEC ne portait pas simplement sur le fait que le logiciel présentait des bogues.

Les logiciels ont toujours des bogues.

Les échecs les plus graves incluaient :

• Un processus de déploiement faible.
• Des tests insuffisants.
• Des contrôles manquants.
• Une surveillance inadéquate.
• L'absence de mécanisme d'arrêt automatique efficace.

Le système de Knight s'exécutait à la vitesse de la machine.

Cette vitesse est

dans des conditions normales, un avantage.

En cas de panne, la même vitesse amplifie les dégâts.

Le schéma de base est presque identique au risque de coûts liés aux agents :

Automatisation fonctionnant normalement
→ La vitesse crée de la valeur

Automatisation en panne
→ La vitesse amplifie les pertes

Les agents IA ajoutent une nouvelle fonction de perte

Le système de Knight dépensait de l'argent directement par ses transactions.

La plupart des agents d'entreprise n'ont pas d'accès à un courtier.

Mais ils ont bien un compteur.

Chaque appel de modèle peut générer un coût.

Chaque outil peut avoir un impact en aval.

Certains agents peuvent également être autorisés à :

• Acheter des ressources cloud.
• Lancer des tâches.
• Envoyer des e-mails.
• Modifier du code.
• Déployer une infrastructure.
• Commander des services.
• Migrer des données.

À mesure que les systèmes d'IA gagnent en permissions, leurs modes de défaillance ressemblent de moins en moins à des erreurs de chatbot et de plus en plus à une perte de contrôle d'automatisation.

C'est pourquoi la gouvernance de l'IA s'inspire de plus en plus de concepts familiers des systèmes financiers et de l'infrastructure cloud :

• Budgets.
• Disjoncteurs.
• Limites de débit.
• Seuils d'approbation.
• Journaux d'audit.
• Restaurations.
• Interrupteurs d'arrêt d'urgence.

L'automatisation amplifie le succès comme l'échec

L'article original se termine sur un principe juste.

L'automatisation promet :

• Une exécution plus rapide.
• Des coûts unitaires plus faibles.
• Moins d'erreurs humaines répétitives.
• Une plus grande échelle.
• Un fonctionnement 24h/24 et 7j/7.

Ces avantages sont réels.

Mais le système n'amplifie pas sélectivement les comportements corrects.

Il amplifie également :

• Les hypothèses erronées.
• Les boucles cassées.
• Les permissions incorrectes.
• Les outils mal configurés.
• Les incitations perverses.
• Les limitations manquantes.

L'automatisation la plus dangereuse n'est pas nécessairement celle qui s'effondre immédiatement.

C'est celle qui semble toujours productive alors qu'elle échoue rapidement, de manière répétée et invisible.

Le projet Claude à 1,8 million de dollars chez Amazon n'est pas, selon les rapports, une raison d'arrêter d'utiliser des agents.

C'est une raison d'arrêter de traiter la consommation des agents comme une expérience sans mesure.

Liste de contrôle pratique pour le contrôle des coûts des agents IA

Avant le déploiement

1. Définir clairement le résultat métier.
2. Fixer le coût maximal acceptable par tâche réussie.
3. Estimer l'utilisation normale de jetons et d'outils.
4. Définir des limites strictes par tâche.
5. Déterminer les limites de nouvelles tentatives.
6. Configurer des délais d'expiration.
7. Exiger une approbation humaine pour les opérations à fort impact.

Pendant l'exécution

1. Attribuer les dépenses à des projets et responsables désignés.
2. Suivre séparément les coûts d'entrée, de sortie, de cache et d'outils.
3. Alerter sur toute croissance horaire ou quotidienne anormale.
4. Détecter les appels répétitifs et les boucles bloquées.
5. Enregistrer les résultats, qu'ils soient réussis ou échoués.
6. Afficher les coûts actuels aux opérateurs des agents.

Après l'exécution

1. Calculer le coût par résultat réussi.
2. Examiner les chemins d'exécution anormalement coûteux.
3. Comparer les niveaux de modèles.
4. Utiliser la mise en cache le cas échéant.
5. Supprimer le contexte inutile.
6. Router les tâches simples vers des modèles plus économiques.
7. Mettre à jour les limites à mesure que le comportement évolue.

L'objectif n'est pas de réduire la facture à tout prix.

C'est de rendre la facture explicable.

Questions fréquentes

Amazon a-t-elle vraiment dépensé 1,8 million de dollars sur un projet Claude ?

Le Financial Times a rapporté qu'un projet Amazon utilisant Claude Sonnet a généré environ 1,8 million de dollars de coûts, dépassant le budget d'environ 860 %, et que le problème a mis environ cinq mois à être détecté. Ce chiffre provient de rapports internes d'employés, et non d'un rapport public d'incident d'Amazon.

Le projet Amazon a-t-il réellement utilisé 600 milliards de jetons ?

Ce chiffre est un simple exemple arithmétique approximatif, basé sur 1,8 million de dollars divisé par un prix de 3 dollars par million de jetons d'entrée. Le nombre réel de jetons du projet, la version du modèle, la combinaison entrée/sortie, l'utilisation du cache et les autres frais n'ont pas été divulgués publiquement.

Quel est le prix actuel de Claude Sonnet ?

Anthropic propose actuellement Claude Sonnet 5 à 2 dollars par million de jetons d'entrée standard et 10 dollars par million de jetons de sortie. Les prix catalogue de Sonnet 4.6 et 4.5 sont respectivement de 3 et 15 dollars, hors frais de cache applicables, de traitement par lot ou différences de plateforme cloud.

Pourquoi les agents IA deviennent-ils si coûteux ?

Un agent peut effectuer plusieurs appels de modèle pour une seule requête utilisateur, rejouer de grands contextes, appeler des outils et réessayer automatiquement des opérations échouées. Si le flux de travail entre dans une boucle ou manque de condition d'arrêt, les dépenses peuvent continuer à augmenter même lorsque la tâche ne produit plus de progrès valables.

Qu'est-ce que le classement Amazon Kiro ?

KiroRank serait un classement interne informel lié à l'utilisation par les employés de l'outil d'IA Kiro d'Amazon. Selon les rapports, Amazon l'a fermé après que les employés ont commencé à optimiser uniquement cette mesure, et les dirigeants ont demandé aux employés de ne pas utiliser l'IA simplement pour augmenter l'utilisation.

Comment les entreprises devraient-elles limiter les dépenses des agents IA ?

Les contrôles efficaces incluent : des budgets en dollars par tâche, des limites sur le nombre d'appels de modèle, des plafonds de nouvelles tentatives, des délais d'expiration, des quotas par utilisateur et par équipe, des alertes d'anomalie, l'attribution des usages et un interrupteur d'arrêt d'urgence. La meilleure mesure est généralement le coût par résultat métier réussi, plutôt que le volume brut de jetons.

Quel est le lien entre Knight Capital et les agents IA ?

Knight Capital a perdu plus de 460 millions de dollars en environ 45 minutes après qu'un déploiement de trading automatisé a échoué faute de mécanismes de sécurité suffisants. Cet incident illustre le même principe général : l'automatisation accélère le travail efficace, mais aussi la vitesse et l'ampleur des échecs.

La baisse du prix des jetons peut-elle résoudre les problèmes de coûts de l'IA d'entreprise ?

La seule baisse des prix ne suffit pas en elle-même. Des prix unitaires plus bas peuvent encourager une utilisation plus élevée, en particulier lorsque les agents fonctionnent de manière autonome. Les entreprises ont toujours besoin de visibilité, de budgets, de routage, de mise en cache et de mesure basée sur les résultats.

Outils associés

• Tarification d'Anthropic Claude : tarification officielle des modèles Claude, du cache de prompts, du traitement par lot et des sessions d'agents.
• Amazon Bedrock : plateforme gérée d'AWS pour utiliser Claude et d'autres modèles de fondation avec des contrôles d'entreprise.
• AWS Budgets : outil AWS pour définir des budgets et déclencher des alertes lorsque les dépenses ou l'utilisation dépassent des seuils.
• AWS Cost Explorer : pour analyser et attribuer les dépenses AWS au fil du temps.
• AWS Cost Anomaly Detection : surveillance automatisée pour identifier les schémas de dépenses AWS anormaux.
• Kiro : environnement de développement IA d'Amazon mentionné dans les rapports sur le classement interne d'utilisation KiroRank.

Liens connexes

• [Financial Times : Amazon découvre des cas d'IA

entraînant des dépenses incontrôlées](https://www.ft.com/content/77baac40-d803-4084-94f3-a133653072cf) : principal rapport sur le projet Claude à 1,8 million de dollars chez Amazon et d'autres dépassements de coûts internes.

• Résultats du deuxième trimestre 2026 d'Amazon : confirmation officielle des revenus du deuxième trimestre d'AWS à 42,2 milliards de dollars, avec un bénéfice d'exploitation de 16,6 milliards de dollars et un bénéfice d'exploitation total d'Amazon de 27,5 milliards de dollars.
• Andy Jassy sur l'IA générative et les agents

com/news/company-news/amazon-ceo-andy-jassy-on-generative-ai) : mémo officiel d'Amazon décrivant plus de 1 000 services d'IA générative, ainsi que les prévisions de Jassy concernant des milliards d'agents à venir.

• Tarification d'Anthropic Claude : détails actuels sur les tarifs officiels de Sonnet et la facturation au token.
• Securities and Exchange Commission des États-Unis : incident de trading chez Knight Capital : explication de l'autorité de régulation sur l'incident de trading automatisé de 2012 et la perte de plus de 460 millions de dollars de Knight.
• Business Insider : Amazon ferme KiroRank : reportage sur le classement d'utilisation de l'IA chez Amazon et l'abandon du tokenmaxxing.
• Wall Street Journal : la métrique difficile à suivre pour les directeurs financiers — l'utilisation de l'IA : reportage sur la visibilité des coûts d'IA en entreprise et le taux de visibilité complète de 26 %.

Résumé

Selon les rapports, un projet Amazon utilisant Claude Sonnet a accumulé une facture de 1,8 million de dollars, dépassant le budget d'environ 860 %, mettant cinq mois à être découvert, et sans jamais être déployé. Cet incident montre qu'en l'absence de conditions d'arrêt solides, un simple bug logiciel peut devenir extrêmement coûteux lorsqu'un agent consomme de manière répétée des ressources d'IA facturées à l'usage.

Amazon ne se retire pas du domaine de l'IA. AWS croît rapidement, la société prévoit environ 220 milliards de dollars de dépenses d'investissement en 2026, et Andy Jassy décrit un avenir avec des milliards d'agents. Par conséquent, la réponse aux coûts hors de contrôle consistera davantage à renforcer la gouvernance des coûts qu'à réduire l'automatisation.

La même évolution est visible dans toute la Silicon Valley. Amazon a fermé KiroRank, Meta est passé du tokenmaxxing à des budgets, Uber a plafonné à 1 500 dollars par mois et par employé pour chaque outil de codage, et Sam Altman a déclaré que même en interne chez OpenAI, les coûts d'IA sont devenus une préoccupation majeure.

L'échec de Knight Capital offre une leçon intemporelle : l'automatisation ne fait pas qu'amplifier l'efficacité. Lorsque les contrôles sont faibles, elle amplifie les erreurs à la même vitesse.

La bonne métrique d'IA en entreprise n'est pas « combien de tokens avons-nous utilisés ? » mais « quels résultats mesurables ces tokens ont-ils produits, et qu'est-ce qui arrête le système lorsqu'ils cessent de créer de la valeur ? »