Microsoft et Berkeley publient TokenEconomizer : les agents codent pour 18 à 31 % moins cher

La facture des agents de codage augmente plus vite qu’on ne le pense. Une seule exécution de Claude Code ou de Codex sur une tâche non triviale implique des dizaines d’étapes, et à chacune d’elles, le modèle relit le contexte accumulé. Toute promesse de réduction des coûts sans changement de modèle attire donc l’attention des équipes pour lesquelles les tokens constituent déjà une ligne budgétaire à part entière.

C’est précisément la promesse de Microsoft et de UC Berkeley : les deux organisations ont publié TokenEconomizer, un outil destiné à réduire le coût des agents.

Ce qui est annoncé

Selon un billet publié sur X, l’équipe a testé l’outil sur 277 tâches SWE-Bench. Cinq combinaisons d’agents et de modèles ont été évaluées. Le coût moyen d’exécution a diminué de 18,4 à 30,9 % selon la combinaison. Le chiffre le plus élevé, 30,9 %, figure dans le titre, mais il s’agit du meilleur cas observé, et non d’une garantie valable pour n’importe quelle pile technologique.

La formulation essentielle est « sans modifier le modèle ». L’optimisation intervient à l’extérieur : elle ne nécessite ni entraînement supplémentaire, ni remplacement du modèle par une option moins chère, ni accès à ses poids. Pour les utilisateurs de modèles fermés via API, c’est le seul levier réaliste : vous ne contrôlez pas le prix du token, mais vous pouvez en partie contrôler le nombre de tokens consommés.

L’auteur du billet écrit que l’ensemble de la méthode tient dans un dépôt et trois étapes. Le billet ne précise pas la nature exacte de ces étapes et se contente de renvoyer vers le dépôt. Il est donc plus honnête de consulter le code que de spéculer sur le mécanisme.

Pourquoi cela compte en pratique

Dans les scénarios agentiques, le coût ne provient pas d’une requête unique, mais d’une chaîne d’interactions. Le contexte, les sorties des outils et les nouvelles tentatives sont facturés encore et encore. Économiser 20 à 30 % sur un tel flux n’est pas un ajustement cosmétique. Pour une équipe qui dépense plusieurs milliers de dollars par mois en agents, la différence est tangible ; pour une start-up dont le produit repose sur un agent de codage, elle peut modifier l’économie unitaire.

Il existe un second aspect. Le travail de Microsoft et Berkeley montre que la couche agentique recèle encore beaucoup d’inefficacités. Alors que tout le monde débat du meilleur modèle, une partie de l’argent se perd au niveau de l’orchestration. Le message adressé aux équipes produit est clair : il faut optimiser non seulement le choix du modèle, mais aussi la manière dont l’agent gère le contexte.

Ce qu’il faut vérifier

Premièrement, les métriques. Le billet parle du coût, mais ne dit rien sur le taux de tâches résolues. Si les économies sont obtenues au prix d’une baisse de qualité, il n’y a aucun bénéfice. Il faut vérifier si le taux de résolution réussie reste au même niveau.

Deuxièmement, la transposition au monde réel. SWE-Bench regroupe des tâches soigneusement structurées issues de dépôts open source populaires. Votre monorepo privé, avec son historique de commits chaotique, fonctionne autrement : les 18 à 31 % peuvent alors devenir 10 % ou, au contraire, 35 %.

Troisièmement, la source. Le billet a enregistré peu de vues et les chiffres sont rapportés de seconde main. Avant d’intégrer ces économies à votre budget, ouvrez le dépôt et, si elle existe, l’étude, puis vérifiez les conditions de l’expérience : versions des agents, tarifs et méthode de calcul des coûts.

Que faire

Le plan pratique est simple. Clonez le dépôt, testez-le sur 20 à 30 de vos tâches habituelles avec l’outil activé puis désactivé, et comparez le coût ainsi que le taux de résolution. Si les économies atteignent ne serait-ce que la moitié du niveau annoncé, l’intégration sera rentabilisée en quelques jours. Dans le cas contraire, vous aurez perdu quelques heures, mais obtenu vos propres données au lieu de vous fier aux pourcentages d’autrui.