Réduire le coût d'un agent IA : la leçon du cas Asana
Un facteur 76 sur un coût d'infrastructure, c'est le genre de chiffre qui circule vite dans les comités de direction. Asana l'a publié le 18 septembre 2026 à propos de son agent navigateur StackAI : 36,21 $ par exécution avant optimisation, 0,47 $ après. De quoi donner envie de copier la recette telle quelle. Avant de le faire, il vaut mieux comprendre d'où vient réellement ce gain, et ce qu'il ne dit pas.
Ce qu'Asana a réellement obtenu
Le chiffre : de 36,21 $ à 0,47 $ par run
Dans son billet « How we cut our browser agent's cost by 76x » publié le 18 septembre 2026, Asana détaille le coût moyen d'une exécution de son agent navigateur avant et après une phase d'optimisation ciblée. Le coût de base, 36,21 $, correspond à un agent qui navigue dans une interface web, capture des informations et produit un résultat structuré. Après optimisation, ce coût tombe à 0,47 $. Le ratio de 76x est calculé sur ces deux valeurs moyennes, pas sur un cas isolé.
Le contexte : agent navigateur StackAI à l'échelle
StackAI est la plateforme que Asana a rachetée, annoncée le 4 août 2026 dans un communiqué de presse évoquant une « exécution inter-systèmes pour des équipes homme-agent ». L'agent navigateur en question automatise une tâche de collecte de données sur une interface web, un cas d'usage classique d'automatisation de processus métier. À l'échelle d'une entreprise qui lance ce type d'agent des milliers de fois par mois, un facteur 76 sur le coût unitaire change radicalement l'équation budgétaire d'un projet.
Pourquoi le 76x mélange deux leviers
Le chiffre agrège en réalité deux types d'économies : une réduction du volume de texte traité par l'agent, et une meilleure exploitation du cache de prompt proposé par les fournisseurs de modèles. Les deux jouent dans le même sens mais n'ont pas le même mécanisme ni la même reproductibilité. C'est le point que la communication d'Asana, naturellement orientée vers le résultat global, ne détaille pas assez pour un décideur qui voudrait appliquer la méthode ailleurs.
D'où vient vraiment l'économie
Le cache qui ne couvrait pas l'historique
Les fournisseurs de grands modèles de langage facturent moins cher le texte déjà vu dans une conversation précédente, via un mécanisme de cache de prompt. Le problème identifié par l'équipe Asana : à chaque nouvelle action de l'agent dans le navigateur, l'historique complet de la session était renvoyé au modèle, mais une partie significative de ce contenu changeait d'une étape à l'autre et sortait donc du cache. Résultat, une grande partie du texte facturé l'était au tarif plein.
La gestion des captures d'écran et du texte
Un agent navigateur travaille à partir de captures d'écran et de contenu textuel extrait de la page. Asana a réduit le volume de ces éléments transmis au modèle à chaque étape, en ne conservant que ce qui est nécessaire à la décision suivante plutôt que l'intégralité de l'état de la page. Moins de texte envoyé signifie moins de texte facturé, cache ou pas cache.
Le rôle du budget d'historique (120k vs 480k caractères)
Le levier le plus documenté dans le billet du 18 septembre 2026 est la réduction du budget d'historique conservé par l'agent, de 480 000 caractères à 120 000 caractères. Concrètement, l'agent oublie plus vite les étapes anciennes de sa propre navigation. Cette limitation réduit mécaniquement le volume non mis en cache à chaque appel, au prix d'une mémoire de contexte plus courte — un arbitrage qui a des conséquences sur la fiabilité, abordées plus loin.
La méthode : un agent qui optimise l'agent
GPT-6 Astra dans Codex pour cartographier le code
Selon la publication d'OpenAI du 15 septembre 2026, l'équipe Asana a utilisé le modèle GPT-6 Astra au sein de l'environnement de codage Codex pour analyser le code existant de l'agent navigateur, repérer les appels redondants au modèle et proposer des refactorisations. L'agent de codage a servi d'outil d'audit plus que de générateur final : les changements ont ensuite été validés par l'équipe technique.
Une étude de 144 runs sur 4 modèles
Pour objectiver les choix d'architecture, Asana a mené une étude comparative de 144 exécutions réparties sur quatre modèles de langage différents, dont GPT-6.1 Sol selon les éléments publiés. Trois de ces modèles concurrents ne sont pas nommés dans le billet d'Asana, ce qui limite la portée comparative de l'exercice : on sait qu'un écart existe, pas précisément face à quoi il se mesure.
Deux mois de travail ramenés à une semaine
Le billet d'OpenAI avance qu'un travail d'optimisation estimé à deux mois en méthode purement manuelle a été réalisé en une semaine grâce à l'assistance d'un agent de codage pour la cartographie initiale. Ce chiffre vient de la source elle-même et doit être lu comme une estimation interne d'Asana, pas comme une mesure indépendante.
Ce que ça change pour vos coûts d'exploitation
Le cache à 5 % du prix non-caché : le vrai levier
Le point le plus actionnable du cas Asana n'est pas le chiffre 76x lui-même, mais le rappel d'un ordre de grandeur tarifaire : le texte mis en cache coûte environ 5 % du prix du texte non mis en cache sur les modèles utilisés, selon le billet du 18 septembre 2026. Concevoir ses appels à un agent pour maximiser la part de texte réutilisable d'une étape à l'autre — instructions système stables, format de sortie fixe, contexte peu variable — est un levier disponible sans racheter de plateforme.
Coût vs fiabilité : l'historique conditionne la réponse
Réduire le budget d'historique de 480 000 à 120 000 caractères fait baisser la facture, mais cela réduit aussi la mémoire disponible pour l'agent. Sur une tâche longue ou ambiguë, un agent qui oublie ses étapes précédentes peut se répéter ou perdre le fil. Asana ne publie pas de données chiffrées sur un éventuel effet secondaire en taux d'échec après cette réduction, ce qui invite à tester ce paramètre progressivement plutôt qu'à l'adopter tel quel.
Transposer sans agent maison
La majorité des entreprises n'opèrent pas leur propre agent navigateur en interne, mais passent par des plateformes d'automatisation tierces. Dans ce cas, la question à poser au fournisseur devient concrète : le système exploite-t-il le cache de prompt du modèle sous-jacent, et quel est le budget d'historique par défaut pour la tâche concernée. Ce sont des paramètres de configuration, pas des secrets d'ingénierie.
Les limites et angles morts du cas Asana
Trois réserves s'imposent avant de considérer ce cas comme une référence générale.
Les coûts annoncés (36,21 $ et 0,47 $) sont des coûts estimés de consommation de modèle, pas une facture d'exploitation complète incluant infrastructure, supervision humaine et maintenance.
Le benchmark porte sur une tâche unique de navigation et de collecte de données, dans un environnement contrôlé par Asana. Une tâche plus ouverte ou moins structurée ne donnerait pas nécessairement le même ratio.
Trois des quatre modèles comparés dans l'étude de 144 runs restent anonymisés dans la publication, ce qui empêche de savoir si le modèle retenu l'a emporté par ses capacités propres ou par un tarif plus favorable au moment du test.
Un autre détail mérite d'être signalé : certaines exécutions de la version non optimisée de l'agent n'allaient pas jusqu'au bout de la tâche. Le coût de 36,21 $ inclut donc des runs incomplets, ce qui peut gonfler artificiellement l'écart avec la version optimisée, plus fiable. Le gain réel sur des runs strictement comparables, menés jusqu'à leur terme des deux côtés, n'est pas isolé dans la publication.
Par où commencer
Mesurez d'abord votre coût par exécution actuel, modèle par modèle et étape par étape, avant toute optimisation : sans cette ligne de base, aucun pourcentage d'économie n'a de sens.
Vérifiez auprès de votre fournisseur de modèle ou de plateforme d'automatisation si le cache de prompt est activé et quelle part de vos appels en bénéficie réellement.
Testez une réduction progressive du contexte ou de l'historique transmis à l'agent sur un sous-ensemble de tâches, en suivant en parallèle le taux de complétion, pas seulement le coût unitaire.
Sources
Asana browser agent — OpenAI, OpenAI, 15/09/2026
How we cut our browser agent's cost by 76x — Asana, Asana (Inside Asana), 18/09/2026
Asana Acquires StackAI, Adding Cross-System Execution for Human-Agent Teams — Asana, Asana Press, 04/08/2026
Cet article a été rédigé et illustré par un système d'intelligence artificielle à partir des sources citées ci-dessus, puis publié automatiquement, sans relecture humaine préalable. Si vous relevez une erreur factuelle, merci de nous la signaler.
Commentaires