Le vendor lock-in se découvre presque toujours au pire moment : quand on veut partir.
Une entreprise construit un agent IA en contact avec ses clients sur une plateforme gérée. Le produit fonctionne. Puis l’un de ces trois scénarios survient : la plateforme augmente son tarif par tâche de 40 % ; un concurrent publie un modèle plus rapide que la plateforme ne prend pas en charge ; ou la plateforme est rachetée et votre palier tarifaire est supprimé sans aucun support de migration. À ce stade, chaque workflow construit dans le format propriétaire de la plateforme, chaque prompt intégré, chaque fragment de mémoire conversationnelle stocké dans son datastore — tout cela est de fait sous leur contrôle.
Le lock-in sur les plateformes d’agents IA n’est pas un risque théorique. C’est une caractéristique structurelle de la façon dont la plupart des plateformes sont conçues. Comprendre d’où il vient — et ce qu’il faut exiger lors d’une évaluation fournisseur — fait la différence entre un agent qui grandit avec votre activité et un agent qui vous retient en otage.
Où le lock-in se matérialise concrètement
Le lock-in de plateforme pour les agents IA n’est pas une chose unique. Il s’accumule sur au moins cinq couches distinctes, que la plupart des checklists d’évaluation ignorent en grande partie.
Formats de workflow propriétaires
De nombreuses plateformes gérées stockent la logique de votre agent — la séquence d’appels d’outils, les branches décisionnelles, les lookups mémoire et les gestionnaires de fallback — dans un format JSON ou visual-graph propriétaire qui ne fonctionne que sur leur infrastructure. Il n’existe pas d’équivalent standard ouvert comme un conteneur Docker ou un simple script Python. Si vous voulez déplacer l’agent vers un autre runtime, vous le réécrivez de zéro — vous n’exportez pas un fichier.
La question à poser à tout fournisseur avant de signer : Pouvez-vous exporter une représentation entièrement exécutable de la logique de l’agent qui fonctionne indépendamment de votre infrastructure ? Si la réponse implique leur SDK propriétaire ou des appels API vers leurs serveurs, vous avez votre réponse.
Prompts intégrés et mémoire
Le comportement de l’agent réside dans son system prompt et dans le contexte mémoire qu’il accumule. Sur certaines plateformes, les deux sont stockés dans les datastores de la plateforme dans un format accessible uniquement via leur API. Si vous disposez de 10 000 résumés de conversations structurées que l’agent utilise pour personnaliser ses réponses, et qu’ils se trouvent dans un vector store propriétaire, les migrer implique un export, une conversion de format et une ré-indexation — souvent avec perte de données.
Certaines plateformes vont plus loin et intègrent le tuning de persona et le comportement d’instruction-following dans un modèle fine-tuné propriétaire. À ce stade, l’identité de votre agent est littéralement encodée dans un checkpoint de poids que vous ne pouvez pas exporter.
Portabilité des modèles — ou son absence
Les plateformes d’agents gérées tendent de plus en plus à intégrer leur propre LLM plutôt que de router vers des modèles de fondation. Cela crée un produit pratique pour eux et un risque pour vous : la plateforme contrôle la qualité du modèle, le versionnage et la déprécation. Quand ils déprécie une version et que vous devez mettre à jour — modifiant potentiellement le comportement de l’agent —, vous supportez les coûts de test et de remédiation tandis qu’ils encaissent les frais d’abonnement.
Une bonne architecture sépare le runtime de l’agent du modèle. La plateforme devrait vous permettre de spécifier le fournisseur et la version du modèle, et le contrat devrait préciser ce qui se passe lorsqu’un modèle dont vous dépendez est déprécié. L’opacité sur ce point est en soi un signal de risque.
Modifications tarifaires et seuils de coût
Les abonnements forfaitaires semblent attractifs jusqu’à ce que le volume augmente. La plupart des plateformes d’agents appliquent des paliers tarifaires agressifs : vous payez par exécution de tâche, par appel API, par utilisateur ou par token — parfois les quatre à la fois. Ce qui coûte CHF 400/mois en phase pilote peut atteindre CHF 4 000/mois en production, sans protection contractuelle contre de nouvelles hausses. Si sortir est coûteux parce que votre logique, votre mémoire et votre modèle sont tous propriétaires, vous perdez votre levier de négociation tarifaire. Les plateformes le savent.
Avant de vous engager, calculez le coût projeté à 3× et 10× du volume actuel, et demandez si le contrat inclut des clauses de stabilité tarifaire.
Risque d’acquisition et d’arrêt du produit
Le marché des plateformes d’agents IA se consolide rapidement. Les fournisseurs plus petits sont des cibles d’acquisition pour les grands cloud providers et les éditeurs de logiciels enterprise — et les acquisitions se traduisent régulièrement par un repositionnement tarifaire, l’arrêt du produit ou une migration forcée vers la stack de l’acquéreur. Un fournisseur proposant des prix généreux aujourd’hui peut devenir le canal d’upsell d’un acteur bien plus grand dans 18 mois. Intégrez la solidité organisationnelle dans votre évaluation, au même titre que les capacités techniques.
Une checklist de due diligence avant de vous engager
Posez ces questions lors de toute évaluation de plateforme d’agents. Elles ne sont pas conçues pour disqualifier les fournisseurs — elles servent à chiffrer correctement le risque.
Export et portabilité
- Pouvez-vous exporter la logique de l’agent dans un format qui fonctionne sans l’infrastructure du fournisseur ?
- Pouvez-vous exporter toute la mémoire stockée, les embeddings et les données d’entraînement dans un format standard (JSON, CSV, JSONL) ?
- Existe-t-il une API pour l’export en masse des données, ou seulement un téléchargement manuel ?
Flexibilité des modèles
- Pouvez-vous spécifier quel modèle de fondation (et quelle version) l’agent utilise ?
- Quelle est la politique publiée du fournisseur pour la déprécation des modèles et les délais de migration ?
- Pouvez-vous apporter votre propre modèle fine-tuné ou system prompt, ou la plateforme les écrase-t-elle ?
Résidence et souveraineté des données
- Où vos données sont-elles stockées géographiquement ? Pour les entreprises suisses et européennes, cela est déterminant pour la conformité à la LPD révisée et au RGPD — voir Agents IA et RGPD. L’AI Act européen ajoute une couche de conformité supplémentaire : les obligations pour les systèmes d’IA à haut risque s’appliquent dès août 2026, ce qui fait des décisions architecturales d’aujourd’hui des décisions de conformité pour les déploiements clients de demain.
- À qui appartiennent les données de conversation ? Le fournisseur peut-il les utiliser pour entraîner ses propres modèles ?
Conditions commerciales
- Y a-t-il un plafond tarifaire ou une clause de stabilité dans le contrat ?
- Quels sont les droits de résiliation, et combien de temps le fournisseur garantit-il l’accès aux données après résiliation ?
- Quel engagement de support à la migration est prévu en cas d’arrêt du produit ou d’acquisition ?
Estimation du coût de sortie
- Si vous deviez migrer dans six mois, combien cela coûterait-il ? (Estimez en jours-développeur, pas seulement en argent.)
- Existe-t-il un chemin de migration documenté vers des alternatives open-source ?
Quand le lock-in est un compromis acceptable
Le lock-in n’est pas toujours le mauvais choix. Pour une proof-of-concept ou un pilote interne sur 90 jours, l’avantage en termes de rapidité de déploiement d’une plateforme gérée l’emporte généralement sur le risque de sortie. Pour des cas d’usage à faible criticité — un simple bot FAQ sans logique métier —, le coût de migration est suffisamment bas pour que le risque de lock-in soit négligeable.
Là où il devient réellement dangereux :
- L’agent gère un processus en contact avec les clients ou critique pour le chiffre d’affaires (support, devis, onboarding)
- Vous prévoyez d’itérer significativement sur le comportement de l’agent sur 12+ mois
- Votre secteur a des exigences de résidence des données que la plateforme pourrait ne pas satisfaire à long terme
- L’agent va accumuler une mémoire à valeur opérationnelle
C’est précisément là que le cadre de décision build vs buy pour les agents IA change le plus radicalement — la bonne réponse à l’échelle pilote est très différente de celle à l’échelle production.
Les garde-fous architecturaux à exiger
Si vous décidez qu’une plateforme est le bon point de départ, quelques décisions architecturales réduisent significativement votre exposition.
Externalisez vos prompts. Stockez les system prompts et les instructions de persona dans votre propre dépôt versionné, pas dans l’interface de la plateforme. L’agent devrait les charger à l’exécution. C’est une décision de cinq minutes qui préserve la portabilité totale de l’identité de votre agent.
Maîtrisez votre couche mémoire. Là où la plateforme le permet, routez le stockage mémoire via une base de données vectorielle externe que vous contrôlez. Les options standard auto-hébergeables incluent Weaviate, Chroma auto-hébergé ou Qdrant — toutes open-source et déployables sur votre propre infrastructure. Cela maintient votre contexte conversationnel accumulé portable, quoi qu’il arrive à la plateforme.
Instrumentez avant de dépendre. Avant qu’un processus devienne critique en production, assurez-vous d’avoir du logging et de l’observabilité hors de la plateforme. Si vous ne pouvez voir ce qu’a fait votre agent qu’à travers le tableau de bord du fournisseur, vous avez un problème de dépendance.
Planifiez la sortie avant d’entrer. Estimer le coût de migration avant de vous engager change ce que vous négociez dans le contrat. Un fournisseur qui refuse de discuter des conditions de sortie à l’étape commerciale vous dit quelque chose. Pour les équipes prêtes à aller au-delà des contraintes de plateforme, le chemin de migration du prototype au développement sur mesure est plus structuré que la plupart ne l’imaginent.
Le coût total, franchement calculé
Le risque de lock-in a une valeur monétaire, même s’il apparaît rarement dans la grille tarifaire du fournisseur. Le calcul : probabilité d’un événement perturbateur sur la plateforme (hausse de prix, acquisition, déprécation) sur votre horizon de déploiement, multiplié par le coût de migration s’il se matérialise, plus la prime permanente que vous payez par rapport aux alternatives parce que sortir est trop douloureux.
Pour de nombreuses organisations évaluant un déploiement d’agents sur plusieurs années, la comparaison TCO custom vs plateforme montre que le coût total d’une solution sur mesure bien architecturée est plus proche de l’alternative plateforme que les chiffres initiaux ne le suggèrent — précisément parce que le risque de lock-in est intégré au calcul plutôt que différé.
Si vous envisagez des frameworks open-source comme LangGraph ou CrewAI — où vous possédez l’infrastructure en cas de déploiement auto-hébergé —, la comparaison open-source vs plateformes propriétaires est le bon point de départ. Notez que les deux frameworks proposent également des services de déploiement cloud géré (LangSmith Deployment pour LangGraph, CrewAI Cloud pour CrewAI) qui réintroduisent certains vecteurs de lock-in ; l’avantage de portabilité s’applique au chemin auto-hébergé. Ces options modifient significativement le calcul du lock-in, bien qu’elles introduisent des compromis différents en termes de complexité opérationnelle.
Comment Orange ITS aborde les évaluations de plateformes
Lorsque nous évaluons une plateforme d’agents pour un client, nous déroulons une version de la checklist ci-dessus et modélisons explicitement le coût de sortie. Ce chiffre fait partie intégrante de la recommandation build-vs-platform — ce n’est pas une réflexion après coup.
Pour les organisations ayant des processus critiques ou de fortes exigences de résidence des données, nous recommandons fréquemment soit des frameworks open-source déployés sur infrastructure suisse ou européenne, soit des architectures d’agents entièrement sur mesure où le client possède chaque couche. Pour des pilotes à faible enjeu, nous pouvons recommander de démarrer sur une plateforme gérée — avec des escape hatches documentés dès le premier jour.
Notre service de stratégie IA existe précisément pour ce type d’évaluation : vous aider à prendre la décision de plateforme avec une vision claire du coût total, pas seulement de l’abonnement mensuel.
Si vous évaluez actuellement une plateforme d’agents IA — ou reconsidérez une déjà déployée —, un appel de 30 minutes suffit généralement à identifier les dépendances les plus risquées et à convenir de garde-fous architecturaux avant qu’ils ne coûtent cher. Prenez rendez-vous avec nous.