Réduire le coût de l’IA sur IBM i : économisez vos tokens !

Réduire le coût de l’IA sur IBM i est devenu un enjeu concret pour les équipes qui adoptent l’intelligence artificielle. Car la facture des tokens, que vous payez à chaque utilisation, grimpe vite dès que l’IA manque de contexte sur votre application. Tout le monde peut ouvrir un ChatGPT, un Claude ou un Copilot, mais le vrai défi n’est pas d’accéder à l’IA : c’est de faire en sorte qu’elle comprenne réellement votre application, sans multiplier les prompts coûteux.

On parle beaucoup des hallucinations de l’IA. On parle moins de son coût. Pourtant, ce coût (celui des tokens) est directement lié au même problème : le manque de contexte. Et sur un environnement IBM i, il se paie doublement, en fiabilité comme en euros.

Faute de contexte sur votre application, l’IA réclame toujours plus d’informations : du code, de la documentation, des explications. On reformule le prompt une fois, deux fois, trois fois, en espérant une réponse fiable. Et à chaque reformulation, on consomme davantage de tokens.

Autrement dit : moins l’IA connaît votre environnement, plus elle doit deviner. Et plus elle doit deviner, plus elle coûte cher.

Sur un système critique comme l’IBM i, une IA sans contexte peut donner une réponse très convaincante, parfois plus qu’un expert. Mais convaincant ne veut pas dire correct. Elle peut oublier une dépendance, ignorer une règle métier, sous-estimer un impact.

Le résultat : des allers-retours de prompts pour corriger le tir, des relances, des reformulations, donc davantage de tokens consommés pour au final obtenir une réponse dont la fiabilité reste incertaine.

Pour être réellement utile dans un environnement critique, une IA a besoin de trois choses :

C’est précisément là qu’intervient le Repository ARCAD, en apportant du déterminisme. Il peut être vu comme la mémoire applicative de votre IBM i. Au lieu de demander à l’IA de deviner comment votre application fonctionne, on lui donne accès aux faits : les sources, les objets, les dépendances, les procédures, les relations ; bref, tout ce qui constitue la réalité de votre patrimoine applicatif.

On passe ainsi d’une logique de supposition à une logique d’interprétation et de connaissance. Ce socle factuel permet de réduire à la fois les erreurs et la consommation inutile de tokens.

L’idée à retenir : l’IA doit interroger, elle ne doit pas deviner. Le Repository ARCAD devient la source de vérité.

Pour connecter l’IA au Repository, ARCAD s’appuie sur le protocole open source MCP (Model Context Protocol), qui permet à différents types d’IA (agents conversationnels, assistants de code comme Claude Code ou IBM Bob, IA intégrées dans d’autres outils) de dialoguer avec des systèmes externes.

ARCAD MCP Server fonctionne comme un traducteur : une requête en langage naturel du développeur (« fais-moi une analyse d’impact sur ce fichier ») est transformée en appels structurés vers le Repository ARCAD. Le serveur propose aujourd’hui plus de 70 outils dédiés au Repository, et 200 outils sur l’ensemble de l’écosystème ARCAD (DevOps, anonymisation de données, déploiement avec DROPS). Il est également possible de créer ses propres outils, parfois en une vingtaine de lignes de code, pour interconnecter d’autres solutions.

Concrètement, cela permet de rester dans son éditeur de code (Claude Code, par exemple) du début à la fin d’un cycle : analyse d’impact via le Repository, édition du code par l’IA, vérification par compilation via ARCAD Builder, puis déploiement via DROPS, sans changer d’interface ni multiplier les prompts exploratoires.

Le second pilier, ce sont les Skills. Contrairement à un simple prompt prédéfini, un Skill est un dossier structuré (fichiers Markdown, descriptions, check-lists, exemples) qui traduit le process de développement propre à chaque client. Il ne se déclenche que lorsqu’il est pertinent, en fonction de sa description.

L’intérêt direct pour vos tokens tient à un mécanisme simple : lorsqu’un développeur demande par exemple d’ajouter une zone à un fichier sans en préciser le nom, l’usage ni la taille, un Skill bien configuré empêche l’IA de deviner ces informations manquantes. Au lieu d’inventer, l’IA demande directement les précisions nécessaires. Résultat : une hallucination potentielle est évitée, ainsi que les tokens qui auraient été consommés pour rien. Le Skill agit en amont, avant même que l’IA ne commence à travailler.

Sur le terrain, un exemple d’implémentation d’ARCAD MCP Server illustre bien ces gains.

Le besoin initial : pouvoir poser des questions en langage naturel (français, anglais) sur le référentiel applicatif et obtenir rapidement des réponses précises sur les impacts d’une évolution, plutôt que d’aller chercher dans le code ou dans une documentation pas toujours à jour.

Le déploiement complet (cadrage, installation, configuration et formation initiale) a représenté environ une journée de travail. Le client envisage désormais d’étendre l’usage du MCP à d’autres outils de son écosystème et à d’autres équipes, notamment le support client, pour interroger le référentiel technique de la même façon.

À retenir : le contexte est essentiel pour implémenter et utiliser ARCAD MCP Server efficacement, et la qualité des réponses obtenues dépendra toujours de la qualité des questions posées, les Skills permettant justement de cadrer ces questions, même lorsqu’elles sont formulées de façon imprécise.

Au final, le sujet n’est pas seulement d’avoir accès à l’IA : tout le monde y a déjà accès. Le sujet, c’est de lui donner le bon contexte, les bons outils, et les bons garde-fous. C’est l’approche qu’incarne ARCAD MCP Server : moins d’hallucinations, moins de tokens gaspillés, plus de maitrise sur votre environnement IBM i.