Cloudflare event highlights AI cost concerns

Lors de la conférence Cloudflare Connect à San Francisco, le 21 octobre, Dane Knecht, directeur technique de Cloudflare, a indiqué que Peter Steinberger, fondateur de PSPDFKit et créateur d'OpenClaw, avait affirmé disposer d'un « budget de jetons presque illimité ». Steinberger a estimé le coût du mois précédent à environ 10 millions de dollars (près de 9 millions d'euros), selon The Register.

OpenClaw’s high costs and OpenAI’s pricing

Steinberger, qui a rejoint OpenAI en février, est le créateur d'OpenClaw, un agent open source qui agit au nom des utilisateurs sur leurs ordinateurs et sur des plateformes de messagerie. Les 10 millions de dollars sont probablement calculés au tarif public de l'API, celui qu'un client paierait, alors que le coût réel pour OpenAI sur ses propres serveurs est sans doute bien inférieur.

Comparing costs over time

En mai, Steinberger a partagé sur X une capture d'écran de son outil de suivi, CodexBar, qui affichait 1,3 million de dollars sur 30 jours (environ 1,16 million d'euros). Interrogé pour savoir si OpenAI lui facturait ce montant, il a répondu : « Bien sûr que non », ce qui indique que la facture a été multipliée par près de huit en quatre mois.

Scale of usage and implications

Les 10 millions de dollars de septembre représentent environ 330 000 dollars (près de 295 000 euros) par jour, soit l'équivalent de 500 000 abonnements ChatGPT Plus à 20 dollars par mois. En mai, le relevé indiquait 603 milliards de jetons et 7,6 millions de requêtes sur 30 jours, principalement sur GPT-5.5. Steinberger utilisait aussi le « Fast Mode », plus coûteux, mais il n'est pas certain que les coûts de septembre incluent ce mode, ce qui rend la comparaison avec mai fragile.

OpenClaw’s goals and performance

Steinberger a expliqué sur X, en mai, qu'il faisait tourner « environ 100 Codex dans le cloud » en continu. Ces agents relisent chaque contribution, recherchent des failles de sécurité, éliminent les doublons et le spam, et écoutent même les réunions d'équipe pour commencer à travailler pendant qu'on en discute. Son objectif est de découvrir comment le logiciel sera construit « quand les jetons n'auront plus d'importance ».

Results and limitations of the project

Le résultat se voit dans l'annonce d'OpenClaw 2.0, publiée le 30 août, qui fait état de 933 contributeurs et de plus de 16 000 modifications intégrées, soit environ la moitié de toutes les modifications acceptées par le projet depuis son lancement. Le projet est resté près de sept semaines sans publier de version, alors qu'il en avait publié 106 en 230 jours auparavant. Toutefois, cette version 2.0 est sortie avant septembre : elle montre ce que la machine produit, mais rien de ce que les 10 millions de septembre ont produit.

Implications of high usage

À ce rythme, on peut supposer qu'une grande partie du travail des agents consiste à refaire, corriger et relancer, ce qui expliquerait la remarque de Steinberger selon laquelle « tout n'est pas utile ». Par ailleurs, rien n'indique que les 10 millions par mois soient uniquement destinés à OpenClaw. Il est possible que le développeur utilise aussi ces jetons pour aider à l'amélioration de GPT et de Codex chez OpenAI.

Infrastructure and local vs. cloud computing

Steinberger déplore que l'infrastructure ne suive pas, en déclarant : « Pourquoi utilise-t-il encore mon ordinateur ? Tout cela ne devrait-il pas être dans le cloud ? » The Register pose la question inverse : ne devrait-il pas plutôt fonctionner en local ? Un agent comme OpenClaw lit vos e-mails, vos messages et vos fichiers. L'annonce d'OpenClaw 2.0 cite elle-même l'exemple d'un agent qui surveille les e-mails de l'école d'un enfant, le genre de données que l'on préfère garder à la maison.

Performance of local models

Le projet tient aussi un discours différent de celui de son créateur : pendant l'installation, OpenClaw 2.0 détecte les modèles locaux déjà présents sur la machine, tout comme les abonnements ChatGPT ou Claude et les clés API. Un test sur un mini-PC avec le modèle Qwen3 Coder 30B, que le logiciel Ollama fait tourner au sein d'OpenClaw, a montré que la première requête, qui envoie d'un coup environ 20 000 jetons, prend 3 à 4 minutes. Les suivantes tombent à 4 à 8 secondes tant que le modèle reste chargé en mémoire. Cela fonctionne, mais un modèle local ne fait pas le travail d'un modèle de pointe.

Trust and agent behavior

Concernant la confiance à accorder à un agent, Steinberger reconnaît que « c'est une question difficile ». Il conseille de ne pas tout autoriser et de déléguer les permissions à un second agent, qui accorde ou refuse et « négocie » avec le premier. Il admet toutefois qu'une grande partie du comportement dépend du modèle lui-même, et donc de la confiance qu'on lui accorde. Selon lui, l'agent surveillé se reconsidère souvent ou trouve une solution plus simple qui reste dans les limites fixées.