Asana réduit ses coûts d'agent 76x avec GPT-6.1 Sol

Contexte

Asana, éditeur de logiciels de gestion de projet, a reconstruit son agent de navigateur avec GPT-6.1 Sol dans Codex, selon un cas client publié par OpenAI le 9 octobre 2026. Lors des tests, l'agent a coûté 76 fois moins cher et s'est exécuté 5 fois plus vite. Asana y voit la marge nécessaire pour proposer à ses clients des modèles plus performants sans payer cher chaque appel.

Ces chiffres demandent de la prudence : ils viennent d'un environnement de test, et le résumé public ne précise ni le jeu de tâches, ni le modèle de référence, ni le mode de calcul des coûts. Ce sont des ordres de grandeur, pas une promesse transposable. Le coût d'un agent de navigateur tient à sa boucle : lire la page, choisir un clic ou une saisie, relire le nouvel état. Une tâche compte souvent des dizaines d'étapes, et chacune renvoie la page et l'historique au modèle, ce qui gonfle les jetons et la latence.

Analyse approfondie

Coût et vitesse sont les deux faces d'un même problème : plus d'étapes et de contexte font grimper la facture et l'attente. Une baisse de 76 fois, presque deux ordres de grandeur, vient rarement d'un simple changement de modèle. Un modèle plus capable peut finir la tâche en moins d'étapes et réessayer moins souvent. Côté ingénierie, on peut réduire le contenu de page envoyé, réutiliser un contexte en cache ou confier à du code déterministe les étapes qui n'ont pas besoin du modèle.

Le cas montre aussi une boucle notable : Asana a mené ce travail dans Codex, un agent de codage, donc un outil d'IA a servi à rendre plus efficace un produit d'IA. Une inconnue demeure : les sources ne disent pas quelle part des 76 fois revient au modèle et quelle part à la refonte. Si c'est surtout de l'ingénierie, d'autres équipes peuvent viser le même résultat avec tout modèle capable. Sinon, le gain dépend d'un fournisseur précis.

Impact sur l'industrie

Le cas touche la tension centrale des produits d'agents : un coût par appel peut transformer une fonction séduisante en perte à grande échelle. Quand le coût d'une tâche s'effondre, la fonction peut s'ouvrir par défaut à plus d'utilisateurs, et l'éditeur peut réinvestir l'économie dans un modèle plus fort sur les tâches clés pour viser un meilleur taux de réussite. Un gain de 5 fois en vitesse change aussi l'usage : quelques secondes s'intègrent au quotidien, plusieurs minutes relèvent de la tâche de fond.

Pour Asana, l'agent sert à répéter des corvées entre systèmes : ranger des tâches, synchroniser des statuts, déplacer des informations entre outils web sans interface ouverte. Ces cas sont sensibles à la latence comme au coût. Chez Notion, Atlassian ou Salesforce, qui poussent aussi des agents, un coût démontré à la baisse affaiblit l'argument du prix de l'inférence, et la différence se déplacera vers les données, les permissions et l'intégration aux flux de travail.

Les fournisseurs de modèles affichent désormais la dépense et la durée réelles par tâche, plus seulement des scores de benchmark. Les start-up indépendantes d'agents de navigateur, face à de grandes plateformes qui détiennent déjà les données métier, devront prouver leur avantage en fiabilité, en couverture ou sur un créneau vertical.

Perspectives

Premier signal : le détail. Si Asana ou OpenAI publie les taux de réussite, la taille de l'échantillon, les conditions de comparaison et la répartition entre modèle et ingénierie, le cas sera plus facile à juger et à reproduire. Deuxième signal : les prix. Si l'économie atteint les offres clients et que l'agent s'ouvre à plus d'utilisateurs, elle devient une stratégie produit, pas une simple marge interne.

Reste la fiabilité : refonte des sites, vérifications de connexion, limites de permissions et actions erronées ne disparaissent pas avec le coût. Les clients professionnels jugeront ces fonctions sur la stabilité et la traçabilité. Enfin, la réponse des autres fournisseurs dira si la compétition se joue désormais sur le coût par tâche. Le test d'Asana est un premier point de donnée, qui attend des preuves plus larges.