LegalOn annonce 65 % de coûts Codex en moins. Ce que ce chiffre mesure
LegalOn décrit une baisse estimée de ses coûts Codex après un changement d’organisation. Le retour client ne constitue pas un benchmark universel.
Un chiffre spectaculaire peut cacher un changement très concret. Dans un retour client publié par OpenAI le 8 octobre 2026, LegalOn annonce environ 65 % de baisse de ses coûts quotidiens estimés de Codex par rapport à sa période avec GPT-5.5. L’entreprise dit conserver son rythme de développement. OpenAI publie ce témoignage commercial et ne présente pas un audit indépendant.
Répartir les modèles plutôt que tout accélérer
LegalOn explique avoir séparé les travaux selon leur difficulté. GPT-6 Luna prend les réalisations simples et bien définies. GPT-6.1 Sol intervient notamment sur la conception et la documentation. GPT-6 Astra couvre les problèmes d’architecture les plus difficiles. L’entreprise limite aussi le mode Fast par défaut et garde des exceptions.
Elle décrit des plafonds à plusieurs niveaux et veut relier les dépenses aux fonctionnalités livrées. Cette démarche de suivi reste en construction. La page ne fournit ni toutes les factures ni un protocole complet de comparaison. Le chiffre concerne donc ce cas précis et une estimation quotidienne. Il ne signifie pas que Codex réduit partout une facture de 65 %.
Une demande ne représente pas un coût fixe
La documentation de tarification de Codex aide à comprendre ce qui varie. La consommation dépend du modèle choisi et de la complexité du travail. Le contexte conservé et l’usage d’outils comptent aussi. Deux demandes aussi courtes peuvent déclencher des parcours très différents.
Le mode Fast mobilise davantage de crédits que le mode standard. La documentation distingue aussi les usages inclus dans un abonnement des crédits payés en supplément. Les tarifs de l’API suivent encore un autre cadre. Comparer ces colonnes comme si elles décrivaient la même facture donnerait une conclusion trompeuse.
Mesurer le parcours entier
Une demande peut conduire l’agent à lire des fichiers puis à modifier le code et à recommencer après un contrôle. Le texte initial ne décrit pas à lui seul cette consommation. Pour interpréter une hausse ou une baisse, il faut donc savoir ce que le relevé compte. Le prix d’un jeton ne résume pas la quantité de travail engagée. Une mesure utile rapproche la dépense du résultat obtenu et précise son périmètre.
La documentation ne recommande pas le maximum partout
La page officielle consacrée aux modèles de Codex distingue le choix du modèle et son effort de raisonnement. Monter cet effort peut demander davantage de temps et de jetons. Un nom de modèle ne suffit donc pas à décrire les réglages d’une session.
OpenAI présente Luna pour des travaux ciblés à volume élevé. Sol couvre des tâches complexes répétées avec un coût inférieur à Astra selon l’éditeur. L’accès effectif dépend aussi du client et des réglages du compte ou de l’espace de travail. Une recommandation de documentation ne prouve pas que chaque utilisateur retrouve immédiatement les mêmes options.
La répartition décrite par LegalOn illustre un choix d’organisation. Elle ne devient pas une règle générale qui affecterait définitivement chaque métier à un modèle. Le niveau de difficulté change au cours d’un projet. Une demande simple peut révéler un problème d’architecture. La sélection doit donc garder une possibilité de réévaluation.
Une économie doit garder son dénominateur
Une baisse de dépenses n’a pas le même sens si le nombre de tâches baisse aussi. À l’inverse, livrer davantage pour une dépense stable peut améliorer l’efficacité sans réduire la facture. Ces deux situations illustrent pourquoi le montant et le résultat doivent se lire ensemble. Elles ne décrivent pas des mesures supplémentaires chez LegalOn.
Le retour client apporte ainsi une piste claire. Choisir un réglage adapté peut compter autant que chercher le modèle le plus puissant. Mais le chiffre de 65 % reste une déclaration sur un cas particulier. Pour en tirer un enseignement solide, il faut garder visibles la période de référence et les limites des informations disponibles.
Notre décryptage de GPT-6.1 Sol et du coût des agents explique aussi la différence entre capacités annoncées et économie réellement mesurée.