Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
SortieAPI / Produit · Prêt à l'emploiThe Decoder→ original

Les agents de codage d'OpenAI coûteraient 2400 $ par jour et par chercheur au tarif de l'API

OpenAI a calculé ce que coûteraient ses propres agents de codage si elle payait les tokens au tarif public de l'API, comme n'importe quel client. Résultat : 2400 $ par jour pour le chercheur médian en octobre (soit 62% de plus qu'en septembre) et 23 000 $ pour les 10% les plus actifs. Les agents suivent avec succès les entraînements de modèles dans 79% des cas, mais n'écrivent correctement le code des systèmes d'inférence que dans 25% des cas. Conclusion pratique : confiez la routine aux agents et gardez la relecture du code complexe pour les humains.

Traité par IA depuis The Decoder ; édité par Hamidun News
Les agents de codage d'OpenAI coûteraient 2400 $ par jour et par chercheur au tarif de l'API
Source : The Decoder. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireThe Decoder ↗
Rédacteur en chef
Chiffre clé #1En septembre, les dépenses théoriques liées aux agents ont atteint le double des salaires, hors actions
Chiffre clé #2Le taux de réussite sur les tâches de 2 à 4 heures est passé de 23% à 46% entre mars et octobre
Chiffre clé #327 des 28 personnes interrogées ont préféré le dernier modèle à un ingénieur de niveau intermédiaire

Combien coûte réellement le maintien d'agents de codage dans un développement sérieux ? Jusqu'ici, on ne pouvait que deviner. OpenAI dispose désormais de chiffres issus de ses propres équipes.

Imaginez que vous lanciez un agent de type Codex sur votre dépôt et que vous payiez chaque token au tarif public de l'API. C'est exactement ainsi que l'entreprise a recalculé l'activité de ses agents internes : en octobre, le chercheur médian aurait « brûlé » l'équivalent de 2400 $ de tokens par jour, et les 10% de salariés les plus actifs 23 000 $. OpenAI ne paie pas réellement ces sommes, il s'agit d'un équivalent théorique, mais il donne l'échelle : les agents sont devenus l'outil de travail principal.

Avec ce deuxième rapport sur l'accélération de la recherche interne, l'entreprise cherche aussi à documenter les signes d'une auto-amélioration récursive (RSI), c'est-à-dire une situation où l'IA accélère la création des générations d'IA suivantes.

Combien cela coûte en tokens

Le calcul repose sur les prix catalogue de l'API. En octobre, le chercheur médian aurait consommé 2400 $ de tokens par jour, soit 62% de plus que le mois précédent. Chez les 10% d'utilisateurs les plus actifs, cette somme théorique a doublé pour atteindre 23 000 $ par jour. Les agents travaillent aussi, pour l'essentiel, sur la communication et le code.

OpenAI propose aussi une conversion en temps. En additionnant tout ce que font les agents, on obtient environ 5,7 journées de travail de huit heures par chercheur pour chaque jour calendaire. Dans les équipes de pré-entraînement et de post-entraînement des modèles, on atteint à peu près huit journées. Plus des deux tiers des salariés suivis lançaient, au pic, au moins quatre agents en parallèle.

En septembre, l'équivalent API théorique du travail des agents a représenté le double des dépenses salariales ordinaires des chercheurs. Précision importante : les actions ne sont pas comptées, alors qu'elles représentent 70–80% de la rémunération totale chez OpenAI. Rapportée à l'ensemble des calculs de recherche de l'entreprise, la part des agents reste modeste : seulement 2%. Pour les équipes qui déploient des agents, la conclusion est simple : les tokens sont déjà comparables à la masse salariale, et mieux vaut les suivre dans une ligne budgétaire distincte.

Où les agents s'en sortent, et où ils échouent

Entre mars et octobre, la part estimée des tâches de 2 à 4 heures que l'agent résout seul, sans intervention humaine, est passée de 23% à 46%. Pour les tâches de 4 à 8 heures, l'indicateur est monté de 13% à 35%.

La ventilation selon la taxonomie d'Epoch AI montre un net biais vers les tâches simples. Les agents suivent avec succès les entraînements dans 79% des cas et répondent seuls aux questions techniques dans 72% des cas. En revanche, la création d'environnements d'évaluation des modèles et d'apprentissage par renforcement ne réussit que dans 29% des cas, et l'écriture de code pour les systèmes d'inférence et de service des modèles dans 25%. Pour résumer : un agent peut presque seul vérifier une courbe d'entraînement ou répondre à une question, mais il ne sait pas encore construire seul une infrastructure complexe, sans humain.

Ce que disent les chercheurs eux-mêmes

L'enquête menée auprès de 101 salariés d'OpenAI n'est pas représentative, mais elle est révélatrice. La réponse médiane : les chercheurs renonceraient plutôt à 40% des effectifs de leur équipe ou à 30% de leurs capacités de calcul que de rester trois mois sans leurs agents de codage actuels. Dans un autre sondage rapide auprès de 28 personnes, 27 ont préféré le dernier modèle interne à un ingénieur de niveau intermédiaire.

Le revers de la médaille est apparu dans des entretiens avec dix chercheurs. Selon eux, les modèles n'ont pas de « goût » : ils distinguent mal une bonne idée scientifique et ne perçoivent pas la qualité du code ni des données. Les agents multiplient les étapes inutiles, font de mauvaises hypothèses lors des analyses et envoient des correctifs de code faibles, accompagnés d'artefacts de données inutilisables, bref de l'« AI slop ». Sans contrôle humain étroit, le calcul est gaspillé.

Selon les équipes interrogées, les idées conceptuelles clés de GPT-6 Astra et de GPT-6.2 Astra ont été entièrement conçues par des humains du post-entraînement et de la sécurité. Seul dans le pré-entraînement de GPT-6.2 Astra, certains chercheurs ont dit avoir obtenu des intuitions importantes au fil d'échanges avec Codex.

Comment lire ces chiffres

OpenAI avertit elle-même que les données sur la collaboration entre humains et IA pourraient ne pas s'extrapoler de façon linéaire. L'entreprise cite les récentes percées rapides de l'IA en mathématiques et admet que des sauts similaires sont possibles en recherche sur le deep learning, lorsque les modèles gagneront en autonomie.

Voici le contexte. L'organisation METR a estimé récemment, après onze semaines d'observation chez Anthropic, concurrent d'OpenAI, que l'usage de l'IA y avait presque doublé le rythme de développement. Début septembre, dans son premier rapport, OpenAI a annoncé avoir atteint son objectif : un stagiaire de recherche IA automatisé. Dans le texte d'accompagnement, le directeur scientifique Jakub Pachocki a mis en garde contre un risque de perte de contrôle, à la suite d'un audit qui a révélé de nombreuses lacunes dans le dispositif de supervision.

Que faire en pratique ? Premièrement, mesurez non pas le volume de lancements d'agents, mais la part de correctifs acceptés : les tokens coûtent déjà autant que des salaires. Deuxièmement, confiez aux agents le suivi, les recherches d'information et les tâches types, où le taux de réussite approche 70–80%. Troisièmement, gardez sous relecture humaine le code d'infrastructure, les environnements d'évaluation et le choix des axes de recherche, sous peine d'obtenir de l'« AI slop » et du calcul gaspillé. Et gardez en tête la source : le rapport a été rédigé par OpenAI elle-même, et les enquêtes portent sur de petits échantillons non représentatifs.

Dossier

Questions clés sur cet article

Que sait-on sur Combien cela coûte en tokens ?

Le calcul repose sur les prix catalogue de l'API. En octobre, le chercheur médian aurait consommé 2400 $ de tokens par jour, soit 62% de plus que le mois précédent. Chez les 10% d'utilisateurs les plus actifs, cette somme théorique a doublé pour atteindre 23 000 $ par jour. Les agents travaillent aussi, pour l'essentiel, sur la communication et le code. OpenAI propose aussi une conversion en temps.

Que sait-on sur Où les agents s'en sortent, et où ils échouent ?

Entre mars et octobre, la part estimée des tâches de 2 à 4 heures que l'agent résout seul, sans intervention humaine, est passée de 23% à 46%. Pour les tâches de 4 à 8 heures, l'indicateur est monté de 13% à 35%. La ventilation selon la taxonomie d'Epoch AI montre un net biais vers les tâches simples. Les agents suivent avec succès les entraînements dans 79% des cas et répondent seuls aux questions techniques dans 72% des cas.

Que sait-on sur Ce que disent les chercheurs eux-mêmes ?

L'enquête menée auprès de 101 salariés d'OpenAI n'est pas représentative, mais elle est révélatrice. La réponse médiane : les chercheurs renonceraient plutôt à 40% des effectifs de leur équipe ou à 30% de leurs capacités de calcul que de rester trois mois sans leurs agents de codage actuels. Dans un autre sondage rapide auprès de 28 personnes, 27 ont préféré le dernier modèle interne à un ingénieur de niveau intermédiaire. Le revers de la médaille est apparu dans des entretiens avec dix chercheurs.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…