LegalOn divise par deux ses coûts Codex sans ralentir le développement
LegalOn a intégré Codex. Les ingénieurs choisissent GPT-6 (Astra, Luna) ou GPT-6.1 Sol selon la tâche, et les budgets suivent le stade de chaque activité. Coûts quotidiens estimés : -65 %, domaines matures : -20 %, sans perte de vitesse.
Le 8 octobre 2026, OpenAI a publié un témoignage client consacré à LegalOn Technologies, une entreprise qui propose ce qu'elle appelle de l'IA professionnelle (Professional AI) aux équipes juridiques et métiers du monde entier. Après avoir intégré Codex à son processus de développement, LegalOn a réduit de 65 % ses coûts quotidiens estimés et de 20 % ses coûts dans les domaines d'activité matures, sans ralentir le développement. L'intérêt de ce cas tient moins au pourcentage qu'à la question qu'il traite. Quand le codage agentique se diffuse dans une entreprise, la facture progresse plus vite que prévu. Un accès illimité au modèle le plus puissant fait exploser les dépenses. Une restriction uniforme supprime la productivité qui justifiait l'outil.
LegalOn est parti de la même manière que beaucoup de pionniers. L'entreprise a donné aux développeurs un accès illimité à son modèle principal, GPT-5.5 en mode Fast, puis a étendu son usage de la conception à l'implémentation et au travail quotidien. Pendant cette phase, elle a appris par l'expérience comment répartir les responsabilités entre les personnes et l'IA. L'ordre est raisonnable : on ne rédige pas une bonne politique pour un outil dont on n'a pas encore observé les limites. Mais la source est claire sur la conséquence : continuer à utiliser sans limite un modèle très performant dépasserait inévitablement le budget annuel. Le contrôle des coûts est passé d'une question financière à une question de management de l'ingénierie.
La première moitié de la réponse est une méthode de choix des modèles. Un groupe interne, l'AI-powered Development CoE (AID CoE), a commencé à rédiger des lignes directrices pour la sélection des modèles. Il a testé et suivi les modèles, puis les managers ont transmis ses conclusions à leurs équipes. Cette répartition mérite l'attention. Les tests et la surveillance sont centralisés, afin que les preuves restent cohérentes. La décision est décentralisée : chaque ingénieur choisit lui-même le modèle le plus adapté à sa tâche, sans attendre une autorisation. Les lignes directrices ne sont pas un règlement associant types de tâches et modèles, mais un socle de preuves partagé qui permet de décider vite et bien.
Le menu comprenait GPT-6 dans ses variantes Astra et Luna, ainsi que GPT-6.1 Sol. LegalOn a choisi entre eux selon la complexité de la tâche et l'étape du développement. Le texte source disponible ne précise pas quelle variante convient à quelle tâche, et il serait erroné d'inventer une telle correspondance. Le cas établit en revanche le principe : le modèle n'est plus une valeur par défaut unique pour toute l'entreprise, mais un paramètre propre à chaque tâche. Une tâche simple n'a pas besoin de la capacité la plus chère, et une tâche difficile ne doit pas être privée de puissance pour économiser une somme modeste.
La seconde moitié de la réponse concerne la conception du budget. LegalOn a aligné les budgets sur le stade de croissance de chaque activité. Cela explique en partie pourquoi les deux chiffres diffèrent : les domaines matures affichent une baisse de 20 %, tandis que le coût quotidien estimé baisse de 65 %. Les activités matures ont un travail plus stable et plus prévisible, donc moins de marge d'économie. Les activités plus jeunes exigent davantage d'exploration, et leur logique budgétaire diffère. Lier la dépense au stade revient à traiter l'usage de l'IA comme un investissement avec un rendement attendu, et non comme une charge fixe identique pour toutes les équipes. Une précision s'impose : les 65 % décrivent une baisse des coûts quotidiens estimés. C'est une projection, pas un résultat audité sur un cycle de facturation complet.
Pour le secteur, trois enseignements se dégagent. Premièrement, la concurrence dans le codage agentique passe de la question du modèle le plus fort à celle de l'usage le plus efficace des modèles. La hiérarchisation des modèles et l'acheminement des tâches deviennent des compétences de base. Deuxièmement, la gouvernance efficace est organisationnelle plutôt que purement technique : la boucle test, suivi, consignes écrites et relais managérial garde cohérentes de nombreuses décisions indépendantes. Troisièmement, coût et vitesse ne sont pas des ennemis naturels. D'autres équipes peuvent reprendre non pas les noms de modèles, qui changeront à chaque version, mais l'ordre des étapes : observer d'abord, hiérarchiser ensuite, puis répartir les budgets selon la maturité de chaque activité.
Sources
FAQ
Comment LegalOn a-t-il réduit ses coûts Codex sans ralentir le développement ?
Deux actions menées ensemble. L'AID CoE a testé et suivi les modèles et rédigé des lignes directrices, de sorte que les ingénieurs choisissent entre GPT-6 (Astra, Luna) et GPT-6.1 Sol selon la complexité et l'étape. Les budgets ont aussi été alignés sur le stade de croissance. Les coûts quotidiens estimés ont baissé de 65 %, ceux des domaines matures de 20 %.
Le chiffre de 65 % correspond-il à une économie réelle ?
Pas exactement. La source parle d'une baisse des coûts quotidiens estimés, pas d'un résultat audité sur un cycle de facturation complet. Il faut le citer avec la mention « estimé ».
Que peuvent retenir les autres équipes de ce cas ?
L'ordre des étapes, pas les noms de modèles : ouvrir l'accès et observer, confier les tests à un groupe, transformer les constats en consignes applicables par chacun, puis lier les budgets à la maturité de chaque activité.