Les ressources cloud dormantes gaspillent 35% de la dépense cloud — instances idle, volumes orphelins, environnements de dev oubliés laissés en marche. Les recommandations d'optimisation IA capturent ce gaspillage en continu, pas dans un exercice tableur ponctuel sur lequel personne n'agit.

Sans workflow structuré, les recommandations d'optimisation meurent dans les boîtes de réception : personne ne les possède, personne ne suit les économies, et les coûts reviennent en un trimestre.

Utilyx modélise l'optimisation des coûts IT en un arbre de décision exécutable — collecte de données, analyse IA, recommandations priorisées, suivi des actions et reporting vérifié des économies.

Le workflow est structuré en arbre de décision avec 4 branches principales (Analyse d'usage, Recommandations IA, Suivi des actions, Reporting) s'exécutant sur cadence planifiée (hebdomadaire ou mensuelle), avec des sous-branches d'action parallèles et 8 étapes de bout en bout. Chaque étape est exécutée par un acteur nommé (Copilote IA, ai-agent, Manager IT, Finance) et chaque action est ajoutée à la sous-table d'audit timeline_optimization.

• Étape 1 (Start — analyse d'usage sql-query) : le workflow rassemble la facturation et l'usage cloud via sql-query dans la table usage_analysis avec champs resource_id, resource_type (instance / volume / s3 / lambda), monthly_cost, cpu_utilization, memory_utilization, last_activity_date, provider_account.

• Étape 2 (Détection de licences dormantes — sql-query) : le workflow croise les logiciels installés avec les signaux d'usage (login, lancement, activité réseau) via sql-query pour signaler les licences payées mais inutilisées — écrivant dans la table dormant_license avec champs title, edition, install_count, last_used_date, wasted_cost.

• Étape 3 (Revue d'utilisation hardware — sql-query) : les données CPU, mémoire et stockage issues du discovery sont analysées via sql-query pour signaler les serveurs sur-provisionnés et le hardware sous-utilisé dans la table hardware_utilization.

• Étape 4 (Recommandations IA de réduction — ai-agent) : l'ai-agent synthétise les trois analyses et priorise les recommandations par estimated_savings et effort (rightsizing / termination / reallocation / consolidation) — enregistrées dans la table cost_recommendation. Sous-branche : l'arbre se sépare sur estimated_savings — Branche A (estimated_savings ≥ 1 K€/mois) : haute priorité, route vers le manager IT pour action immédiate ; Branche B (estimated_savings < 1 K€/mois) : log pour la prochaine revue trimestrielle.

• Étape 5 (Suivi des actions) : chaque recommandation devient une tâche suivie via sql-query sur la table optimization_action avec champs action_id, recommendation_id, owner, deadline, realized_savings, status — visible sur le dashboard.

• Étape 6 (Vérification des économies — ai-agent) : l'ai-agent compare projected_savings vs realized_savings sur les actions clôturées et signale les variances > 20% pour revue.

• Étape 7 (usePDF rapport d'optimisation) : usePDF génère un rapport avec constats, recommandations, économies réalisées et projetées — pour finance et direction, en 7 langues.

• Étape 8 (useArchive) : useArchive conserve chaque analyse et enregistrement d'économies pour la traçabilité financière avec champs d'index analysis_date, recommendation_id, realized_savings, resource_type.

Les organisations utilisant Utilyx réduisent les 35% de gaspillage cloud dormant à moins de 5% (l'ai-agent signale les ressources idle à chaque cycle), atteignent 15-25% de réduction de dépense IT totale la première année (rightsizing cloud, terminaison de licences, consolidation hardware), avec des économies suivies et vérifiées — pas des estimations ponctuelles.

Le designer no-code et le copilote IA permettent à un manager IT de construire le workflow d'optimisation en une session — sans consultant, à un TCO 70% inférieur aux suites FinOps et ITAM legacy. Les économies sont vérifiées mensuellement, donc les coûts ne reviennent pas.