Revenium AI Outcomes : les CFOs enfin armés contre l’Agent Debt

Revenium dévoile un registre d'outils pour révéler le vrai coût des agents IA

Revenium vient d'annoncer la disponibilité générale de son Tool Registry, une nouvelle fonctionnalité conçue pour offrir aux entreprises une visibilité complète et de bout en bout sur le coût réel de leurs agents IA. Dans un contexte où l'adoption des systèmes agentiques s'accélère, la question de la maîtrise des dépenses liées à ces architectures devient un enjeu stratégique majeur pour les directions techniques et financières. L'enjeu est de taille : les agents IA orchestrent désormais des dizaines, voire des centaines d'appels à des outils externes, APIs, bases de données, modèles de langage, dont le coût individuel paraît négligeable mais dont l'accumulation peut représenter des dépenses considérables à l'échelle d'une organisation. Sans traçabilité fine de ces interactions, les équipes se retrouvent aveuglées face à des factures imprévues et incapables d'optimiser leurs workflows agentiques. Le Tool Registry de Revenium se positionne comme un registre centralisé permettant d'inventorier, de surveiller et de valoriser chaque outil invoqué par les agents. La solution promet une attribution précise des coûts par outil, par agent et par cas d'usage métier, une granularité jugée indispensable pour les équipes FinOps qui cherchent à gouverner leurs investissements en IA générative sans freiner l'innovation. Cette annonce s'inscrit dans une tendance plus large de maturité de l'écosystème IA agentique : après la course aux capacités, les entreprises entrent dans une phase de rationalisation où la question n'est plus seulement "que peut faire mon agent ?" mais "à quel prix, et comment l'optimiser ?". Des acteurs spécialisés dans l'observabilité et la gouvernance des coûts IA, comme Revenium, pourraient ainsi occuper une place centrale dans les architectures d'entreprise des prochaines années.

Recrutement : Fika Jobs confie les premiers entretiens à des agents IA

La startup suédoise Fika Jobs vient de lever 4 millions de dollars pour déployer une plateforme qui confie les premiers entretiens de recrutement à des agents IA. Fondée par les frères Jakob et Alexander Dubois, la société propose aux candidats de connecter leur profil LinkedIn afin qu'un agent analyse automatiquement leur parcours et génère des questions personnalisées. L'entretien vidéo dure environ dix minutes et s'appuie sur les modèles Gemini de Google. À l'issue de la session, les réponses sont découpées en courtes séquences vidéo intégrées dans un profil consultable à tout moment par les recruteurs. Plusieurs dizaines d'entreprises testent déjà la solution, qui positionne les candidats dans un vivier permanent plutôt que de les obliger à postuler une à une pour chaque offre. L'ambition de Fika Jobs est de révéler des qualités que le CV ne capture pas : la motivation, la capacité à communiquer, l'aisance relationnelle, le potentiel d'évolution. Pour les entreprises, le gain est concret : accéder dès les premières étapes du processus à des profils déjà évalués à l'oral, sans mobiliser de recruteur humain lors de ces échanges initiaux. La plateforme pourrait également rééquilibrer les chances pour des profils atypiques, jeunes diplômés ou candidats en reconversion, dont le parcours sur papier sous-estime souvent les compétences réelles. Là où la plupart des outils IA de recrutement servent essentiellement à trier ou classer des candidatures plus vite, Fika Jobs construit une base de talents déjà interviewés et qualifiés par des agents, ce qui constitue un modèle économique distinct du filtrage algorithmique classique. L'idée est née d'une expérience directe des fondateurs : lors du développement de leur précédente startup, un candidat au CV banal s'était révélé particulièrement convaincant en entretien direct, les poussant à questionner la valeur réelle du document écrit comme outil de présélection. Ce constat rejoint une tendance plus large : le volume de candidatures a explosé avec la généralisation des outils automatisés de postulation, rendant le recrutement humain de masse difficile à tenir. Fika Jobs arrive dans un marché déjà encombré d'acteurs IA, mais avec un angle différent, celui de l'entretien vidéo agentique comme format central plutôt qu'accessoire. Avec 4 millions de dollars en poche, la startup va devoir démontrer que les recruteurs sont prêts à déléguer ce premier contact humain à une machine, et que les candidats, eux, acceptent d'être évalués sans interlocuteur de l'autre côté de l'écran.

💬 Ce qui m'intéresse chez Fika Jobs, c'est pas l'entretien vidéo automatisé (ça, y'en a plein), c'est le modèle inversé : tu passes ton entretien une fois, tu entres dans un vivier, et les entreprises viennent te chercher. La logique candidature-par-offre qui épuise tout le monde depuis des années, enfin quelqu'un essaie de la casser par le bas. L'AI Act va quand même leur compliquer la vie en Europe, le recrutement IA est classé haut risque, et ça se traduit en obligations concrètes pour leurs clients.

Google déploie enfin des outils pour contrôler les coûts de l’API Gemini

Google répond enfin à une demande récurrente des développeurs : l'API Gemini s'équipe de mécanismes concrets pour maîtriser les dépenses. Au programme, des contrôles budgétaires par projet, un nouveau système de paliers tarifaires et des tableaux de bord dédiés au suivi des coûts et de l'usage. Cette mise à jour est significative pour les équipes qui intègrent Gemini dans leurs applications. Sans garde-fous budgétaires natifs, les développeurs s'exposaient à des factures imprévisibles en cas de pic de trafic ou d'usage non anticipé, un frein réel à l'adoption en production. L'arrivée de ces outils rapproche l'API Gemini des standards proposés par ses concurrents directs comme OpenAI ou Anthropic, qui disposent depuis plus longtemps de mécanismes de plafonnement et de monitoring granulaire. Les nouvelles fonctionnalités s'articulent autour de trois axes : des limites budgétaires configurables au niveau du projet, un système de paliers permettant de segmenter l'accès selon les besoins, et des tableaux de bord offrant une visibilité en temps réel sur la consommation et les coûts. Cette architecture par projet est particulièrement adaptée aux organisations qui gèrent plusieurs applications ou équipes consommant l'API simultanément. Ces ajouts positionnent Google dans une logique de maturité opérationnelle pour son offre Gemini, une étape nécessaire pour convaincre les entreprises de passer de l'expérimentation à un déploiement à grande échelle.

Les agents IA entrent dans une phase de refonte face aux problèmes de fiabilité en entreprise

Les agents d'intelligence artificielle d'entreprise entrent dans une phase de refonte profonde. Après une première vague de déploiements rapides, de nombreuses organisations découvrent que la performance des modèles de langage ne suffit pas à garantir la fiabilité en production. Selon Preeti Somal, vice-présidente senior de l'ingénierie chez Temporal Technologies, intervenante lors d'un récent événement AI Impact Series à New York, de nombreuses équipes reviennent aujourd'hui construire une "version 2.0" de leurs agents. "Ils ont dû aller très vite, mais ils n'ont pas pris soin de la plomberie", a-t-elle déclaré. "Les systèmes s'effondrent, et ils se retrouvent à reconstruire avec une fondation fiable." Les difficultés concrètes sont multiples : gestion de l'état d'exécution, récupération après pannes, coordination entre APIs et systèmes d'entreprise, visibilité sur les processus, et maîtrise des coûts d'inférence. Un agent peut enchaîner plusieurs modèles de langage, des systèmes de récupération d'information et des applications externes, en maintenant un état sur plusieurs heures ou jours. L'enjeu est considérable pour les entreprises qui opèrent sous contraintes budgétaires. Redémarrer un processus après une panne peut multiplier les coûts d'inférence, augmenter la latence et dégrader l'expérience client. La distinction entre deux notions souvent confondues devient cruciale : l'état d'exécution, qui indique où en est l'agent dans un processus et à quel point reprendre après une défaillance, et la mémoire contextuelle, qui regroupe les informations transportées d'une interaction à l'autre. Somal cite l'exemple du client Abridge dans le secteur de la santé, où des processus traitent des visites médicales en plusieurs étapes : traitement audio, résumé, appels de modèles et génération de comptes-rendus post-consultation. Ces enchaînements longs et multi-étapes exigent une fiabilité structurelle que les premières architectures n'avaient pas anticipée. Temporal Technologies, dont l'infrastructure d'orchestration est antérieure à la vague actuelle de l'IA agentique, voit dans cette situation un écho direct à une période précédente de l'adoption du cloud en entreprise. Somal compare cette ruée vers l'IA à la stratégie "lift-and-shift" des débuts du cloud : migrer des charges de travail sans repenser les architectures sous-jacentes, pour finalement dépenser davantage sans en tirer la valeur attendue. "Cette précipitation vers l'IA dans un monde où vous n'avez même pas modernisé vos applications me rappelle un peu ce lift-and-shift qui s'est produit dans le cloud", a-t-elle dit. Les problèmes d'ingénierie fondamentaux comme la durabilité d'exécution et la récupération après défaillance n'émergent souvent qu'après le déploiement. L'IA agentique n'invente pas ces problèmes : elle les amplifie, et les entreprises qui n'ont pas modernisé leur socle applicatif risquent de reproduire les mêmes erreurs coûteuses qu'une décennie auparavant.