Sohrab Hosseini (co-fondateur d'Orq.ai) soutient que le FinOps traditionnel — conçu pour des workloads déterministes à coûts pilotés par l'infrastructure — est structurellement insuffisant face aux agents IA, dont la dépense dépend du comportement à l'exécution. Une seule requête utilisateur peut déclencher des séquences variables (retrieval, tool calls, routing de modèle, retries, escalations), de sorte que « deux requêtes identiques en apparence produisent une consommation de tokens très différente » sans changement fonctionnel visible.
Le diagnostic est étayé de statistiques : 80% des entreprises utilisent la GenAI en 2026, mais moins de 30% disposent d'un monitoring reliant coût et valeur ; seulement 27% allouent les coûts cloud en temps réel, moins de 25% ont une gouvernance IA standardisée, et 74% peinent à industrialiser leurs pilotes.
Enterprises aren't struggling because they can't build agents. They're struggling because they can't coordinate them.
La réponse proposée est une bascule conceptuelle vers le « cost per outcome » : mesurer le coût par ticket résolu, lead qualifié, tâche complétée ou heure économisée — pas les tokens ni l'utilisation d'infrastructure. La question pertinente n'est plus « combien de ressources » mais « si la consommation a produit de la valeur » : un agent économe qui échoue coûte plus cher qu'un agent gourmand qui réussit une tâche complexe.
Pour cela, le Agent FinOps intègre trois couches de signaux : les signaux de coût (usage modèle, tokens, dépense API, budgets), les signaux opérationnels (traces, retries, décisions de routing, résultats d'évaluation) et les signaux business (taux de résolution, complétion, conversion, temps gagné).
Cette intégration se déploie sur un cycle de vie en quatre phases. Experiment : expérimentation bornée avec budgets, cost-per-evaluation et unit economics établis avant la production. Deploy : releases gardées avec routing policies, token limits et timeouts garantissant un comportement économiquement prévisible. Operate : visibilité sur les retries, escalations et la consommation pour ajuster proactivement le routing et les contraintes. Improve : les évaluations guident l'affinage des prompts, la refonte des workflows, la sélection de modèle et le retrait des automatisations sous-performantes.
Les leviers opérationnels — guardrails, model routing intelligent, workflow budgeting, context control et behavioral observability — convergent vers une couche centralisée, le Control Tower (inventaire unifié des agents, cost rollups, gouvernance). Formules-marqueurs : « A single agent is a feature. A collection of agents becomes an operational environment » et « Enterprises aren't struggling because they can't build agents. They're struggling because they can't coordinate them. » Le principe final : le FinOps agentique ne scale pas en traçant la dépense plus agressivement, mais « en façonnant le comportement de l'agent à chaque étape ».