Quand l'utilisateur n'est plus humain: Comment licencier les agents AI?

Les agents IA : de quoi parle-t-on, et pourquoi cela concerne le SAM

Un agent IA n'est ni un chatbot, ni un robot RPA (automatisation robotisée des processus) au sens classique. Un chatbot répond à une question et ne produit que du texte. Un RPA exécute une suite d'actions prédéfinies selon un script figé, écrit à l'avance par un humain : rapide, mais rigide la moindre variation dans le processus le fait échouer.

Un agent IA, lui, reçoit un objectif plutôt qu'un script. Il planifie lui-même les étapes nécessaires, choisit les outils et applications à mobiliser via leurs API, exécute les actions correspondantes, évalue le résultat et ajuste sa trajectoire si besoin (avec un minimum de validation humaine à chaque étape). Il peut interagir avec plusieurs systèmes d'information dans une même tâche, fonctionner en continu, et être déclenché aussi bien par un humain que par un autre système ou un autre agent.

Cette autonomie pose un problème concret à l'optimisation des actifs logiciels, avant même la question du prix : celui de la visibilité. Les outils de discovery SAM sont conçus pour détecter des postes, des comptes nommés ou des connexions à une application — pas des agents qui appellent des API en arrière-plan, parfois créés par un métier sans passer par la DSI.

Selon Gravitee, plus de 7 millions d'agents IA seraient déjà actifs dans les grandes entreprises américaines et britanniques, un chiffre ayant plus que doublé en six mois ; côté Microsoft, le nombre d'agents actifs dans l'écosystème 365 a été multiplié par 15 en un an (jusqu'à 18 fois dans les grandes entreprises), selon le Work Trend Index 2026 de Microsoft. Gartner anticipe, de son côté, que 40 % des applications d'entreprise intégreront un agent dédié à une tâche d'ici fin 2026, contre moins de 5 % début 2025.

Le SAM hérite ainsi d'un « Shadow AI » qui prolonge, en pire, le Shadow IT qu'il connaît déjà avec le SaaS : on ne peut pas optimiser un actif qu'on n'a pas encore recensé. C'est ce déficit de visibilité (avant même celui du prix, développé plus loin) qui doit devenir le point de départ de toute démarche SAM sur le sujet.

Une pluralité de modèles de licences

Pendant longtemps, le licensing logiciel a affiché une promesse de simplicité : une entreprise achète des licences, les distribuent à ses collaborateurs, et le nombre de licences reflète (en théorie) le nombre de personnes qui utilisent réellement le logiciel.

Mais cette simplicité n'a toujours été que partielle. Le Software Asset Management existe précisément parce que l'unité de valeur du logiciel n'a jamais été stable : poste de travail, processeur, cœur, utilisateur nommé, utilisateur concurrent, site, document généré... Oracle facture encore une partie de ses bases de données au processeur. SAP a longtemps navigué entre utilisateurs nommés et accès indirect. Et depuis janvier 2023, Oracle Java SE lui-même ne se licencie plus par utilisateur ou par installation, mais par « Employee » une métrique qui compte l'ensemble des salariés d'une entreprise (temps plein, temps partiel, intérimaires, sous-traitants), qu'ils touchent ou non à une JVM. Le modèle « un utilisateur, une licence » a toujours été une simplification commode, jamais une règle universelle.

Ce qui change avec les agents IA n'est donc pas l'apparition d'un problème inédit pour le SAM, mais son intensification et sa généralisation : l'agent ne s'authentifie jamais comme le ferait un collaborateur, ne possède pas de compte utilisateur au sens classique, et pourtant consomme bel et bien des ressources logicielles (souvent 24h/24).

Qui doit alors être licencié : le collaborateur qui supervise l'agent, l'agent lui-même, ou la tâche qu'il réalise ?

Du « seat » à la consommation : une tendance antérieure à l'IA, que l'IA vient accélérer

Le modèle per-user / per-seat offre une grande prévisibilité budgétaire : l'entreprise sait précisément combien elle paiera chaque mois. Mais il devient moins pertinent lorsque deux utilisateurs disposent chacun d'un agent capable d'exécuter des centaines de tâches, avec des niveaux de consommation très différents l'un de l'autre.

Cette bascule vers des modèles à la consommation (crédits, tokens, actions, résultats) n'est d'ailleurs pas née avec l'IA agentique. Elle prolonge une tendance déjà installée dans le cloud et le SaaS depuis plusieurs années, où la facturation au calcul ou à l'appel API est devenue courante bien avant l'arrivée des agents. L'IA ne fait qu'accélérer et généraliser un mouvement déjà amorcé.

Ce qui est réellement nouveau, en revanche, c'est la vitesse à laquelle les éditeurs empilent plusieurs unités de facturation en parallèle plutôt que d'en choisir une seule. Salesforce en offre l'illustration la plus aboutie : Agentforce, lancé en 2024 à 2 $ par conversation, s'est vu ajouter en mai 2025 des Flex Credits facturés à l'action (environ 0,10 $ par action standard, vendus par lots de 100 000 crédits à 500 $), puis des licences par utilisateur qualifiées de « digital labor » (de 125 à 550 $ par mois selon le périmètre) le tout venant s'ajouter, et non se substituer, au siège Service Cloud déjà facturé pour chaque agent humain de l'équipe. Microsoft suit une logique voisine avec Copilot : une licence humaine classique (30 $ par utilisateur et par mois côté entreprise) coexiste avec une couche de consommation dédiée à Copilot Studio, facturée en « Copilot Credits » (rebaptisés ainsi depuis septembre 2025, anciennement « messages » 200 $ pour 25 000 crédits en prépayé, ou 0,01 $ le crédit à la demande). Les usages internes portés par des utilisateurs déjà licenciés sont le plus souvent neutralisés, tandis que les usages externes ou non couverts consomment des crédits payants.

Legora, spécialiste de l'IA juridique, illustre le même mouvement à plus petite échelle : sa gamme Agent Pro est passée en 2026 à une tarification à l'usage en complément, et non en remplacement, de son modèle au siège.

Pour le SAM, la conséquence est directe : l'inventaire des licences ne suffit plus. Il faut désormais suivre, en parallèle et souvent sur plusieurs compteurs distincts chez un même éditeur, la consommation réelle.

L'agent devient-il un nouvel « utilisateur » ? 

C'est probablement la question centrale et la réalité en 2026 nous montre qu’il s’agit en réalité des 2 à la fois.

Imaginons une entreprise qui possède 2 000 collaborateurs, 2 000 licences d'un logiciel, et 500 agents IA, chacun capable d'interagir avec plusieurs applications. Le nombre de licences ne reflète alors plus le nombre d'entités qui utilisent réellement le logiciel — un agent peut exécuter en quelques minutes ce qu'un utilisateur humain aurait mis plusieurs heures à accomplir manuellement.

Ce n'est pourtant pas la première fois que le secteur affronte cette question. SAP l'a déjà tranchée une fois, sous contrainte judiciaire : le procès Diageo contre SAP au Royaume-Uni, en 2017, portait exactement sur ce sujet — des systèmes tiers, et non des personnes, déclenchaient des transactions dans SAP sans qu'aucun utilisateur nommé ne soit clairement identifiable. SAP a répondu dès 2018 avec l'Accès Digital : un modèle qui ne compte plus des utilisateurs, mais des documents générés (neuf types : commandes, factures, mouvements de stock...), peu importe qu'ils soient créés par un humain, un robot ou une interface. De leur côté, les éditeurs de RPA UiPath, Automation Anywhere, Blue Prism licencient des « robots », attended ou unattended, depuis plus de dix ans. UiPath a d'ailleurs ajouté en 2026 des « Agent Units » aux côtés de ses traditionnelles « Robot Units » dans son offre Flex : l'agent IA y est explicitement positionné comme le prolongement du bot RPA, plutôt que comme une catégorie totalement inédite.

L'exemple Salesforce et Microsoft décrit plus haut donne la vraie réponse empirique à la question posée : ni « oui » ni « non » tranché, mais un empilement de couches. L'humain garde son siège. L'action de l'agent est mesurée et facturée séparément. Et sur certaines lignes de produit, l'agent obtient même sa propre licence nominative (une forme de « collègue » facturé comme tel). Les coûts peuvent effectivement grimper vite dans ce schéma : c'est précisément pour cette raison que les éditeurs multiplient les compteurs plutôt que de choisir un modèle unique, plus simple mais moins rentable pour eux.

Un nouveau défi pour le Software Asset Management : La gouvernance des identités

Cette évolution transforme également le rôle du SAM.

Historiquement, le SAM devait répondre à des questions relativement stables : combien de licences avons-nous ? qui les utilise ? sommes-nous conformes à nos contrats ?

Avec les agents IA, il faudra progressivement répondre à de nouvelles questions : combien d'agents sont déployés ? quels logiciels peuvent-ils utiliser ? combien d'actions réalisent-ils ? quelle consommation génèrent-ils ? quel coût par tâche ? et surtout — qui est responsable de leur utilisation ?

Cette dernière question déborde largement le seul périmètre du SAM. Elle rejoint un sujet qui prend une ampleur comparable côté cybersécurité et gestion des identités (IAM) : celui des identités non humaines. Gartner classe la gouvernance des identités liées à l'IA agentique parmi ses tendances cyber majeures de 2026, et plusieurs acteurs du secteur — IBM notamment — évoquent des ratios pouvant aller de 45 à 90 identités non humaines pour une seule identité humaine dans les grandes entreprises. Le SAM ne pourra pas répondre seul à la question « qui est responsable » : elle appellera un rapprochement croissant avec les équipes IAM et sécurité, sur le terrain commun de l'identification et de la traçabilité des agents.

Le SAM pourrait ainsi évoluer d'une logique de gestion des licences vers une logique de gestion — et de gouvernance — de la consommation logicielle au sens large.

Le risque : une facture difficile à prévoir

Le modèle à la consommation apporte de la flexibilité, mais introduit une nouvelle difficulté : la prévisibilité budgétaire.

Un utilisateur humain possède des limites naturelles. Un agent autonome, beaucoup moins. Un workflow mal configuré, une boucle d'agent, ou simplement une augmentation du volume de tâches traitées, peut faire grimper la consommation très rapidement — et les coûts liés aux tokens et à l'inférence deviennent un nouveau poste à surveiller de près.

Ce n'est plus une hypothèse. Le rapport Flexera 2026 State of ITAM, qui interroge chaque année plusieurs centaines de professionnels IT dans le monde (512 répondants pour l'édition 2026), montre que seules 31 % des organisations disposent d'une visibilité fiable sur leurs dépenses logicielles liées à l'IA, et que 59 % constatent une hausse du gaspillage d'une année sur l'autre. Autrement dit, le risque décrit ici n'est pas une projection : il est déjà en train de se matérialiser dans la majorité des organisations qui ont commencé à déployer des agents.

Pour les entreprises, l'enjeu est de trouver un équilibre entre prévisibilité des coûts, flexibilité et paiement à la valeur réelle — un arbitrage que le SAM devra désormais documenter et challenger contrat par contrat, éditeur par éditeur.

💡Envie d'en savoir plus sur l'expertise IA d'Elée ? Consultez notre page dédiée !

Rédigé par Fahd Bourara,

Senior Project Manager