Agent IA en production : Cloudflare et le piège de l’ingénieur 100x

Cloudflare vient de supprimer 20% de ses effectifs en attribuant à l’IA des gains de productivité allant « de deux à cent fois ». Quand on exploite un agent IA en production, on voit pourquoi ce récit de l’ingénieur 100x risque de provoquer une vague de décisions profondément mal conçues en matière d’effectifs.

Ce que Cloudflare a réellement déclaré au T1 2026

La citation de la conférence téléphonique avec les investisseurs qui a le plus circulé est celle où Prince affirme que l’IA permet désormais à certains postes de produire « deux fois, dix fois, voire cent fois » plus qu’auparavant. TechCrunch s’en est emparé. CNBC aussi. The Register également. Tous ont traité cette lecture comme une évidence, avant de passer directement au nombre d’emplois supprimés.

Dans son contexte complet, Cloudflare répartit ses 1,100 suppressions de postes entre les fonctions dont le travail, selon Prince, est désormais pris en charge par l’IA. Autrement dit, les humains qui l’effectuaient constituaient le goulet d’étranglement, et l’IA l’aurait fait disparaître. Le chiffre d’affaires progresse de 34%. Les effectifs reculent de 20%. Pour les investisseurs, le récit s’écrit tout seul : même production, moins de personnel, marges en hausse.

Une question n’a pourtant été posée ni pendant ces conférences de résultats ni dans les articles qui ont suivi : la « productivité 100x » constitue-t-elle seulement une unité d’analyse cohérente lorsqu’un agent exécute désormais un processus de bout en bout ? Car il y a une différence entre un ingénieur humain rendu 100x plus productif grâce à l’IA et un processus entièrement sorti de la colonne du travail humain. Ce n’est pas la même chose. Et pour un fondateur qui doit décider qui garder, la nuance est décisive.

Ce que je fais concrètement cette semaine

J’exploite pour ce blog un système de publication sur Workers et Durable Objects. Il compte six agents : ManualIntake, Discovery, Editorial, Writer, Distribution et Maintenance. Le mois dernier, ils ont publié 24 articles. Je ne suis intervenu directement que sur quatre d’entre eux, tout au plus. La facture est détaillée ci-dessous.

Agent IA en production : le coût réel de 6 agents sur Workers

Voici la facture Cloudflare réelle d’avril 2026 pour faire tourner ce système de publication à six agents.

Le calcul sur Workers a coûté $11.40. Les lectures et écritures D1 — mémoire de travail des agents, files de tâches, brouillons d’articles et métadonnées de contenu — ont représenté $3.20. Le stockage R2 des médias et des exports d’archives est revenu à $0.84. Vectorize, utilisé pour la recherche sémantique dans le corpus d’articles, a coûté $1.10. Enfin, l’Agents SDK et la couche d’orchestration Workflows ont totalisé $2.60 en frais liés aux requêtes et à leur durée. Total de l’infrastructure Cloudflare : $19.14 sur le mois.

La facture d’inférence est distincte et relève du fournisseur de modèles. En avril, pour l’ensemble des six agents exécutés sur Claude Sonnet 4.5 ou Haiku 3.5 selon la complexité de la tâche, elle s’est élevée à $214. Coût total du système d’IA, infrastructure et inférence comprises : $233.14.

Répartition des tâches en avril : ManualIntake a traité 31 demandes de contenu. Discovery a effectué 188 tâches de recherche et de collecte de sources. Editorial a produit 47 briefs et cycles de révision. Writer a généré 24 brouillons ensuite publiés. Distribution a pris en charge 96 tâches de syndication et de diffusion sur les réseaux sociaux. Maintenance a lancé 240 contrôles de bon fonctionnement planifiés, audits de liens et actualisations d’index. Au total : 626 tâches d’agents sur un mois, pour environ $0.37 par tâche, tout compris.

Le système utilise aussi une instance Hetzner CX22 à €4.42 par mois pour une petite couche de coordination. Rien d’autre.

Combien coûterait une personne capable d’accomplir 626 tâches par mois avec la même qualité et au même rythme ? Sur un marché occidental, un profil intermédiaire chargé des opérations de contenu coûte entre $6,500 et $9,000 par mois, charges comprises. Les agents réalisent une part significative de ce travail pour $233. Ce calcul est réel, inutile de faire semblant du contraire.

Mais un point change toute la lecture : je consacre encore environ 12 heures par semaine à ce système. Pas pour exécuter les tâches confiées aux agents, mais pour faire autre chose. C’est précisément ce que le récit du 100x laisse totalement de côté.

Pourquoi le modèle de l’ingénieur 100x ne tient pas face à l’automatisation par IA

Le modèle de l’ingénieur 100x suppose qu’un ingénieur reste l’unité de base et que l’IA multiplie sa productivité par 100. Il suffirait donc d’en employer moins pour obtenir le même volume de production.

Ce n’est pas ce qui se passe dans un véritable déploiement d’agents. Un processus entier quitte la colonne du travail humain. L’agent Discovery ne rend pas un chercheur 100x plus productif : il n’y a plus de chercheur. Le processus de recherche s’exécute selon une tâche cron, appelle un ensemble d’API et de modèles, écrit une sortie structurée dans D1, puis déclenche l’agent Editorial. Le processus existe toujours. Le poste humain qui en avait auparavant la charge, lui, n’existe plus.

Cela peut sembler n’être qu’une nuance de vocabulaire. Ce n’est pas le cas : elle modifie entièrement le raisonnement qui guide les recrutements et les réductions d’effectifs.

Avec le prisme de « l’ingénieur 100x », on regarde les effectifs techniques et on se demande : quelles sont les dix personnes à conserver pour remplacer les cent autres ? On privilégie les individus qui produisent le plus et on supprime les autres postes.

Avec le bon prisme — un processus transféré à l’automatisation — les questions changent. Quels processus de l’entreprise peuvent être entièrement automatisés ? Lesquels exigent un jugement humain que les agents ne savent pas reproduire ? Quel nouveau poste faut-il créer pour gérer, auditer et faire évoluer la flotte d’agents ? Les réponses ne désignent pas les mêmes personnes.

Le poste que personne ne cherche encore à pourvoir est celui que j’appellerais responsable des opérations liées aux agents IA. Ce n’est ni un prompt engineer ni un ML engineer. Il faut connaître suffisamment bien le processus métier pour définir ce que l’agent doit accomplir, savoir lire le journal d’état d’un Durable Object afin de diagnostiquer un workflow bloqué, repérer quand les sorties d’un agent s’écartent du niveau de qualité acceptable et faire évoluer le système au rythme de l’entreprise. Les 12 heures hebdomadaires que je consacre au système de publication correspondent à peu près à ce rôle. Ce n’est pas un travail peu qualifié, mais une fonction à fort levier qui exige à la fois une connaissance des processus et une maîtrise technique suffisante pour exploiter le système.

Cloudflare dispose presque certainement de cette fonction en interne. Elle n’a simplement pas encore de titre officiel. Si l’entreprise est réduite à une équipe minimale sans avoir développé cette capacité, sa flotte d’agents se dégradera en six mois.

L’automatisation crée du travail — simplement, pas le même
Chaque agent de production que j’exploite génère environ 3 à 5 incidents par mois nécessitant une intervention humaine : état corrompu, sortie de modèle rejetée par un contrôle qualité, modification du schéma d’une API en aval ou tâche bloquée parce que deux agents ont écrit simultanément dans la même ligne D1. Aucun n’est catastrophique. Tous réclament l’intervention d’une personne qui connaît le système. Réduire les effectifs sans préserver une compétence d’exploitation des agents revient à laisser ces incidents s’accumuler sans résolution.

Il existe aussi une catégorie de travail que l’automatisation crée au lieu de la supprimer. L’agent Editorial produit 47 briefs par mois, qu’un éditeur humain doit désormais relire et valider. Avant son arrivée, peut-être 15 briefs étaient-ils rédigés. L’agent n’a pas remplacé l’éditeur : il a élargi son périmètre et relevé le niveau d’exigence de son poste. Certaines fonctions proches d’une flotte d’agents sont amplifiées, pas éliminées. Les fondateurs qui ne cartographient pas précisément ces interactions supprimeront les postes amplifiés, puis s’étonneront de voir la production baisser.

La grille de décision des fondateurs pour le S2 2026

Si le récit de Cloudflare sert de base à votre plan d’effectifs du S2, voici la grille que j’utiliserais réellement.

Commencez par répartir vos activités en deux colonnes : les processus à automatiser de bout en bout et les postes potentiellement remplaçables.

Les processus de la première colonne reposent sur des workflows largement déterministes, qui peuvent être décrits intégralement et dont la qualité de sortie peut être mesurée automatiquement. Maintenance de pipelines de données, production de contenu à grande échelle, triage du support client, génération de tests QA, mise à jour de documentation, traitement de factures. La question n’est pas : « l’IA peut-elle aider cette personne à aller plus vite ? », mais : « puis-je sortir entièrement ce processus de la colonne du travail humain au cours des 90 prochains jours ? » Avant de toucher aux effectifs, testez un agent pendant quatre semaines.

Les postes potentiellement remplaçables relèvent d’une autre logique et sont beaucoup plus rares. Il s’agit de fonctions dont l’essentiel consiste à exécuter avec compétence une tâche bien définie, désormais automatisable, sans prise de décision connexe ni travail relationnel autour de cette tâche. Ces postes sont réellement menacés. Mais ils sont moins nombreux que ne le laisse entendre le récit de Cloudflare, car la plupart des métiers regroupent plusieurs tâches au lieu de se réduire à une seule. Un ingénieur qui écrit du code, relit des PR, définit le périmètre des travaux, accompagne les profils juniors et échange avec les clients ne peut pas être remplacé par un agent de code. La partie programmation, elle, peut l’être.

À l’échelle du conseil d’administration d’une entreprise de série A à C, le calcul d’effectifs qui résiste à l’examen est le suivant : prenez le coût actuel complet d’un processus, soustrayez le coût total projeté de la flotte d’agents qui le remplacerait — infrastructure, inférence et charge d’exploitation des agents comprises — puis présentez l’écart. À $233 par mois pour 626 tâches, le calcul est évidemment convaincant pour les bons processus. Pour un poste qui réunit réellement plusieurs tâches exigeant du jugement, l’équation se dégrade rapidement.

Voici ce que je testerais avant de supprimer le moindre poste : faire travailler l’agent en parallèle avec l’humain pendant 60 jours. Mesurer la qualité des sorties avec la même grille que celle appliquée à l’humain. Mesurer le taux d’échec et le taux d’intervention. Calculer ce que représente réellement la charge d’exploitation des agents dans le temps d’une personne. Si l’agent atteint le niveau de qualité requis pour 30% du coût humain, charge d’exploitation comprise, le dossier est solide. Si le taux d’échec exige davantage d’heures d’intervention que l’agent n’en économise, il ne l’est pas.

Ce test en régime de croisière n’a rien de complexe. La plupart des fondateurs l’ignorent parce que le récit de Cloudflare le rend superflu en apparence. La promesse du 100x est séduisante. Mais depuis un déploiement en production sur la même stack, voici le chiffre qui compte vraiment : non pas le multiplicateur de productivité, mais le coût par tâche à un niveau de qualité acceptable, charge d’exploitation incluse. Faites le test avant d’inscrire le résultat dans le board deck.

Q : Le coût mensuel de $233 augmente-t-il linéairement à mesure que j’ajoute des agents ?

À peu près, pour l’inférence. Les coûts d’infrastructure Cloudflare progressent lentement, car Workers et Durable Objects restent efficaces à grande échelle. Chez moi, l’inférence constitue la principale variable. Si le volume des tâches d’agents double, il faut s’attendre à ce que son coût double lui aussi. L’infrastructure augmentera peut-être de 20-30%. La charge d’exploitation croît moins vite que le volume, puisqu’il s’agit de gérer des systèmes et non des tâches individuelles.

Q : Quels produits Cloudflare sont réellement indispensables à une flotte d’agents en production ?

Durable Objects porte l’essentiel de l’architecture. Ces machines à états persistantes coordonnent les tâches longues des agents entre plusieurs invocations de Workers, sans base de données externe dédiée à la coordination. D1 sert de stockage relationnel aux données métier. R2 assure le stockage objet. Vectorize stocke les embeddings. L’Agents SDK constitue une couche d’orchestration relativement légère au-dessus de Durable Objects. Pour évaluer cette stack, Durable Objects en est la pièce maîtresse.

Q : À quoi ressemble concrètement le quotidien d’un responsable des opérations liées aux agents IA ?

Dans mon cas : 30 minutes chaque matin pour examiner les journaux de tâches et repérer les échecs ou les dérives de qualité, environ deux heures par semaine pour diagnostiquer les problèmes ou faire évoluer les workflows des agents, puis une revue fixe chaque lundi de la qualité des sorties de la semaine précédente. Le reste est réactif : quelque chose casse, je le répare. Pour une flotte plus importante au service d’une équipe de 20+, il s’agit probablement d’un mi-temps, pas d’une activité à caser entre deux tâches.

Ce qu’il faut surveiller au cours des 30 prochains jours

Le cadrage adopté par Cloudflare pour ses résultats va se propager. Avant la fin de la saison des résultats du Q2, attendez-vous à voir au moins trois à cinq autres entreprises technologiques cotées invoquer des « gains de productivité liés à l’IA » pour justifier des réductions d’effectifs. Les fondateurs à suivre sont ceux qui accompagneront ces annonces de détails concrets sur le déploiement de leurs agents, plutôt que d’affirmations vagues sur la productivité. Ce serait un véritable signal. Sans stack, sans volume de tâches et sans coût par tâche, ces déclarations ne sont qu’une mise en scène pour le conseil d’administration.

Concernant la stack Cloudflare elle-même, l’Agents SDK gagne rapidement en maturité. La tarification de l’hibernation des Durable Objects a changé plus tôt cette année et se montre désormais nettement plus favorable aux agents actifs en permanence. Si cette architecture était à l’étude mais que son adoption restait en suspens, la courbe des coûts évolue désormais dans le bon sens. La complexité opérationnelle n’a pas disparu, mais elle reste gérable à l’échelle dont la plupart des entreprises de série A à C ont réellement besoin.

Dans les 12 prochains mois, les opérations liées aux agents vont s’imposer comme une catégorie de postes à part entière sur le marché du recrutement. Mieux vaut prendre de l’avance en définissant ce rôle dans votre entreprise avant que son intitulé n’apparaisse sur LinkedIn.

Pour auditer vos processus avant de figer le plan du S2, la checklist d’audit des workflows que j’utilise chez DVNC.dev s’applique directement à cette grille.

En résumé

• Lors de ses résultats du T1 2026, Cloudflare a associé un chiffre d’affaires de $639.8M à 1,100 licenciements et à une promesse de productivité de l’IA allant de « 2x à 100x ».
• Faire tourner 6 agents en production sur Cloudflare Workers, Durable Objects, D1 et l’Agents SDK coûte au total $233 par mois pour 626 tâches, soit environ $0.37 par tâche, inférence comprise.
• Le modèle de l’ingénieur 100x est trompeur. Le véritable basculement consiste à sortir entièrement des processus de la colonne du travail humain, pas à multiplier la production d’une personne.
• Le poste que personne ne recrute encore est celui de responsable des opérations liées aux agents : gérer, auditer et faire évoluer la flotte. Réduisez l’équipe au strict minimum sans cette compétence et la flotte d’agents se dégradera.
• Avant d’intégrer le résultat au board deck, menez un test parallèle de 60 jours : agent et humain côte à côte, même grille de qualité, charge d’exploitation réelle mesurée. Le calcul est souvent convaincant, mais pas toujours conforme au récit dominant.
• La variable de décision est le coût par tâche à un niveau de qualité acceptable, charge d’exploitation comprise, et non un multiplicateur de productivité.