Peter Steinberger a dépensé 1,3 million de dollars d'API en un mois d'expériences avec OpenClaw

Peter Steinberger, ingénieur chez OpenAI et créateur d'OpenClaw, un système de codage autonome, a récemment publié le bilan financier de son expérience d'un mois. Les chiffres ressemblent à de la science-fiction : en un seul mois, la facture a atteint 1,3 million de dollars. Ce n'est ni une coquille ni une hypothèse. C'est de l'argent réel dépensé sur l'API d'OpenAI pour que des machines écrivent du code à l'échelle industrielle.

Comment la facture a atteint ce niveau

Pendant 30 jours, Steinberger a fait tourner simultanément environ 100 instances de modèles de langage. Chacune travaillait en parallèle sur des tâches de codage distinctes. Sur le mois, 603 milliards de tokens ont été traités via 7,6 millions de requêtes API. Ce n'est pas seulement un grand nombre : c'est une démonstration en conditions réelles de ce qui se passe quand un agent d'IA se met à écrire du code à l'échelle industrielle, sans intervention humaine.

Chaque requête à l'API d'OpenAI coûte de l'argent. Quand on lance 100 agents en même temps, et que chacun peut générer des dizaines ou des centaines de requêtes par minute, la facture croît de manière exponentielle. Ce n'est pas une hausse linéaire des dépenses, mais une loi de puissance.

Pourquoi c'est cher : l'économie des LLM actuels

• Le prix par token n'est pas le même dans tous les cas : un contexte long (beaucoup de texte dans le prompt initial) coûte plus cher
• 100 sessions parallèles multiplient les coûts les uns par les autres, avec un effet d'échelle dans le pire sens
• Chaque requête oblige le modèle à traiter l'intégralité du contexte, ce qui est le plus coûteux en calcul dans les réseaux transformers
• Les agents de longue durée renvoient l'ancien contexte dans de nouvelles requêtes, et paient donc plusieurs fois les mêmes tokens
• Aucune remise de volume en temps réel : OpenAI facture chaque token au tarif en vigueur

Dans son rapport, Steinberger estime que la construction d'un produit commercial exige de sérieuses optimisations. Par exemple : le cache de tokens (une nouvelle fonction de l'API d'OpenAI qui réduit le coût des appels répétés avec un même contexte), le batching (regrouper plusieurs requêtes) et l'emploi de modèles moins chers pour les tâches auxiliaires comme l'analyse de code. Sans ces astuces, le passage à l'échelle du codage autonome devient économiquement non viable.

Ce que cela révèle du coût du calcul

Des dépenses de cette ampleur révèlent l'économie réelle et cachée des outils d'IA. Quand un agent est assez capable pour travailler des heures sans supervision humaine, le prix devient visible et incontournable. Ce n'est pas une critique d'OpenAI, c'est la mathématique du coût de calcul. Les transformers sont coûteux en inférence, et aucune optimisation n'y changera radicalement quoi que ce soit.

«

Si vous lancez un agent entièrement autonome qui travaille longtemps et change souvent de modèle, votre facture va simplement exploser », c'est à peu près ainsi que Steinberger a résumé le cœur du problème.

Ce qui va changer sur le marché

Pour les développeurs et les startups, c'est un signal important : le codage par IA à grande échelle demande non seulement des compétences techniques, mais aussi une compréhension fine du coût du calcul. Il est probable qu'une vague d'optimisations se profile. Les entreprises chercheront à réduire le prix effectif par token, utiliseront des modèles plus légers pour les brouillons et l'analyse de contexte, et mettront en cache et réutiliseront les contextes autant que possible. Pour OpenAI, cela peut signifier de nouvelles formules tarifaires pour les gros volumes : des remises de gros, des tarifs contractuels ou des solutions dédiées aux entreprises.

L'époque où le codage par IA était bon marché et accessible à tous touche à sa fin. Commence celle de l'usage réfléchi et optimisé financièrement des agents autonomes.