Le 29 septembre, OpenAI a présenté à son DevDay une API Agents en bêta publique, un Codex capable de tourner dans le cloud et une nouvelle gamme de modèles. Pour les équipes qui codent déjà avec des agents, le vrai sujet est économique : selon le modèle, le palier de service et la gestion du contexte, le prix d’un million de tokens en entrée va désormais de 0,05 $ à 60 $.
Ce qu’OpenAI a annoncé
Trois annonces concernent directement les développeurs :
- L’API Agents, en bêta publique : OpenAI gère l’infrastructure d’exécution, avec sous-agents, recherche d’outils, compaction de contexte et pilotage d’un navigateur hébergé (computer use).
- Codex s’exécute aussi dans le cloud, ce qui permet de lancer des tâches à distance. La CLI gagne une vue
/agentspour déléguer et suivre plusieurs tâches, et un flux de revue analyse les pull requests GitHub et les merge requests GitLab. Codex Security Cloud scanne les dépôts et les nouveaux commits, puis prépare des correctifs. - GPT-6.1 Sol, orienté code et computer use, qui selon OpenAI approche GPT-6 Astra sur plusieurs évaluations pour un cinquième de son prix.
L’adoption n’est plus la question : selon l’enquête JetBrains menée de mai à juillet 2026 auprès de plus de 15 000 développeurs, 90 % utilisent un agent de code chaque semaine, 68 % chaque jour. Reste à savoir combien coûte une tâche réussie.
Une grille de prix qui récompense les bons réflexes
La page tarifs de l’API (prix par million de tokens, entrée / sortie, palier standard) donne la mesure des écarts :
- gpt-6-luna : 0,10 $ / 0,50 $
- gpt-6.1-sol : 2 $ / 10 $
- gpt-6-astra : 10 $ / 50 $
Le palier Ultrafast, le plus rapide de l’API, multiplie ces prix par six : 60 $ / 300 $ pour Astra. À l’inverse, les modes Batch et Flex les divisent par deux. Et les tokens d’entrée déjà en cache coûtent 0,10 $ au lieu de 2 $ sur Sol, soit vingt fois moins.
Or un agent qui enchaîne les itérations renvoie son contexte à chaque tour : sur une session longue, c’est ce contexte qui fait la facture.
Le contexte, premier poste de dépense
Le guide de déploiement d’OpenAI le formule clairement : le problème n’est pas seulement d’atteindre la limite de contexte, c’est que les anciens messages, les logs d’outils, les tentatives ratées et les détails périmés évincent l’état dont le modèle a besoin. D’où deux pratiques :
Compacter aux bons moments
La compaction réduit le contexte transmis à chaque tour tout en conservant l’état utile. Elle peut se déclencher automatiquement au-delà d’un seuil de tokens, ou être appelée explicitement. OpenAI recommande de compacter après une étape significative : fin d’une phase de débogage, cause racine cernée.
Structurer ses prompts pour le cache
Le cache de prompts est actif par défaut, mais il ne fonctionne que si tout le préfixe est identique d’une requête à l’autre. Concrètement : placer en tête les instructions stables (conventions du dépôt, règles de style, exemples), garder les définitions d’outils dans le même ordre, et renvoyer le contenu variable en fin de prompt.
Choisir le modèle par tâche, pas par réflexe
Le même guide déconseille d’envoyer chaque requête au modèle le plus puissant : il faut choisir celui qui réussit les tâches représentatives et comparer le coût par tâche réussie. Luna est positionné sur le travail répétitif, Sol comme alternative moins chère à Astra pour le code complexe. La nouvelle Decisions API, en préversion limitée, s’appuie justement sur Luna pour classer une demande ou choisir la prochaine action d’un agent.
En pratique, une équipe peut router le tri des tickets ou la génération de tests simples vers un petit modèle, réserver le grand modèle aux refactorisations délicates, passer en Batch l’analyse nocturne d’un dépôt et n’activer Ultrafast que lorsque la vitesse justifie le surcoût. Et mesurer : OpenAI conseille de journaliser les tokens servis depuis le cache pour vérifier l’économie réelle.
Piloter un agent, c’est donc aussi tenir un budget : savoir ce qu’on met dans le contexte, quand on le compresse et à quel modèle on confie quoi. C’est exactement ce que nous travaillons dans la formation « Coder avec l’IA - Prompting, tokens et agents autonomes » : configuration d’IDE, prompting technique, optimisation des tokens et pilotage d’agents autonomes.
Sources
- DevDay 2026 announcements and developer resources — OpenAI Developer Community, 29 septembre 2026
- OpenAI DevDay 2026 Recap for Developers — InfoQ, 2 octobre 2026
- Pricing — documentation de l’API OpenAI, consultée le 9 octobre 2026
- Ultrafast mode — documentation de l’API OpenAI, consultée le 9 octobre 2026
- Computer use (Agents API) — documentation de l’API OpenAI, consultée le 9 octobre 2026
- Compaction — documentation de l’API OpenAI, consultée le 9 octobre 2026
- Prompt caching — documentation de l’API OpenAI, consultée le 9 octobre 2026
- API deployment checklist — documentation de l’API OpenAI, consultée le 9 octobre 2026
- AI Coding Agent Adoption in 2026 — JetBrains Research, août 2026
