Le prochain arbitrage du CTO : le budget devient une politique d’exécution

⚡ Le signal de la semaine — Le routing devient une décision économique

Le 14 septembre, GitHub a ajouté trois niveaux à la sélection automatique de modèles de Copilot : Efficiency, Balance et Intelligence. Le moteur évalue chaque prompt, mais l’utilisateur choisit comment arbitrer coût, qualité et latence. Même en mode Intelligence, une tâche simple peut partir vers un petit modèle ; la facturation reste celle du modèle choisi.

Ce n’est pas un simple réglage UX. Le choix de modèle devient une policy d’exécution : pour cette classe de travail, quelle fonction objectif voulons-nous optimiser ? Une équipe peut réserver l’intelligence maximale aux migrations, investigations et changements à fort risque, tout en optimisant documentation et petits refactorings sur coût et latence.

Décision : définir trois classes de tâches — rapide, standard, critique — puis mesurer coût, latence, succès et reprise humaine.

1 — L’identité devient le vrai garde-fou des agents

Le 14 septembre, AWS a introduit un Consent Portal managé pour AgentCore Identity. Lorsqu’un agent doit agir sur GitHub, Slack ou une autre ressource au nom d’un utilisateur, le portail gère authentification OIDC, consentement OAuth et session binding ; le navigateur ne détient pas le token.

La gouvernance agentique rejoint ainsi les mécanismes IAM de l’entreprise. La bonne question n’est plus seulement « quels tools l’agent possède ? », mais « au nom de qui agit-il, avec quels scopes et quelle preuve d’autorisation ? ». Pour les ESN, l’intégration IAM des agents devient un vrai lot d’architecture, plus une finition de POC.

2 — L’IA génère mieux quand on lui retire le droit d’inventer les fondations

AWS a publié la v1.0 du Nx Plugin for AWS : des générateurs déterministes pour APIs, frontends, bases, agents et infrastructure, appelables par un coding agent via MCP. Sécurité, observabilité, type-safety et infrastructure sont encodées plutôt que réinventées à chaque prompt.

Bingo Industries indique avoir amené une solution multi-agent de l’idée à la production en moins de trois semaines. C’est un résultat client, pas un benchmark. Le pattern reste puissant : déplacer les décisions répétitives vers des composants versionnés et testés, puis laisser l’agent les composer. Le golden path IA devrait être exécutable, pas seulement documenté.

3 — La code review agentique devient une équipe

Le 11 septembre, GitHub a modifié Copilot code review : le niveau Lite utilise un ensemble d’agents dont les résultats sont fusionnés, et le reviewer peut utiliser davantage d’outils shell pour lancer builds, tests et scripts ciblés.

Dans les expérimentations GitHub, l’approche a augmenté le nombre moyen de commentaires effectivement traités de 47 % sur les findings high severity, 31 % sur les moyens et 11 % sur les faibles, avec environ 8 % de coût en moins. Mesures fournisseur, donc à reproduire sur son propre code. Le signal : pour une tâche critique, plusieurs trajectoires spécialisées peuvent battre la logique du modèle unique plus gros.

4 — En sécurité, détecter plus n’est pas produire plus de valeur

AWS met en avant Deception Benchmark : 14 822 échantillons, 16 langages et plus de 70 catégories CWE. Sur 12 modèles sous prompting standard, la précision se situe autour du milieu des 50 %, et aucun ne maintient simultanément faux positifs et faux négatifs sous 10 %.

Le signal est économique autant que sécurité : un agent qui remonte trop de bruit transfère son coût aux développeurs. Mesurez vulnérabilités confirmées par heure humaine, taux de faux positifs et défauts réellement corrigés, pas le volume d’alertes.

🧭 Ce que ça change pour nous

Développeurs : le modèle compte moins que la policy appliquée à la tâche.
Architectes : séparez routing modèle, identité/consentement, environnement d’exécution et composants autorisés.
Platform Engineering : transformez vos standards en générateurs déterministes consommables par CLI et MCP.
CTO / DSI : introduisez coût par tâche réussie et temps humain de reprise dans les dashboards.
ESN : votre actif différenciant devient la bibliothèque de patterns, générateurs, policies, evals et intégrations IAM.

🏢 Le sujet que je mettrais sur la table d’un COMEX IT

Avons-nous une politique explicite pour décider quand une tâche mérite notre IA la plus chère ? Si la réponse est non, nous avons probablement un budget IA mais pas encore de gouvernance économique de l’IA.

🧪 À tester lundi

Prenez 50 tâches réelles du backlog. Classez-les Efficiency, Standard, Critical. Faites-les exécuter avec deux niveaux de modèles et mesurez succès, coût, latence et minutes de reprise humaine. Puis encodez un golden path récurrent dans un générateur déterministe appelable par votre agent.

💰 Où est le business ?

AI Delivery Policy Assessment : tâches, modèles, coûts, criticité et règles de routing.
Agent Identity & Governance : IAM, OAuth, scopes, consentement et audit.
AI-ready Golden Paths : transformer les standards client en générateurs, skills et MCP exécutables.

❓ Question de la semaine

Votre entreprise sait-elle expliquer pourquoi une tâche donnée utilise un modèle à 1 €, 10 € ou 100 € — et quelle valeur supplémentaire elle achète ?

🤓 Pour ceux qui ont encore du contexte window