Même modèle, deux fois plus de travail ? Pourquoi OpenCode et Codex ne consomment pas votre quota ChatGPT de la même façon (harness et MCP expliqués simplement)

Un développeur a raconté sur les réseaux sociaux qu’après être passé de Codex à OpenCode, toujours avec GPT-5.6 Sol via sa connexion ChatGPT, il avait…

Utiliser les outils de lecture

Écouter lit l’article à voix haute. La lecture rapide affiche les groupes de mots au rythme choisi. La pratique des langues compare les traductions disponibles. Enregistrer ajoute un favori dans ce navigateur, accessible dans la liste du lecteur. Le casse-briques transforme les mots de l’article en briques à casser.

Partager cet article

Partager cet article

Même modèle, deux fois plus de travail ? Pourquoi OpenCode et Codex ne consomment pas votre quota ChatGPT de la même façon (harness et MCP expliqués simplement)
Image générée par IA

En 5 secondes : même avec exactement le même modèle, la consommation peut énormément varier selon ce qu’on met dans le contexte à chaque tour, le nombre d’appels au modèle, la quantité de résultats d’outils qu’on traîne avec soi et le moment où l’on compresse. Si le modèle est le moteur, un harness comme Codex ou OpenCode, c’est la boîte de vitesses, l’injection, le GPS et le mécano réunis. Même moteur ne veut pas dire même consommation.

1. « Le même quota de 5 heures, mais deux fois plus de boulot » : d’abord, c’est un retour d’expérience, pas un benchmark

Un développeur a raconté sur les réseaux sociaux qu’après être passé de Codex à OpenCode, toujours avec GPT-5.6 Sol via sa connexion ChatGPT, il avait l’impression d’abattre plus de deux fois plus de travail avec le même quota de 5 heures et le même quota hebdomadaire.

Dans les réponses, certains ont conseillé un autre harness appelé pi, d’autres ont soupçonné une différence de réglage de la limite de contexte, et d’autres encore ont dit vouloir mesurer la consommation réelle avec un routeur ou un suivi d’utilisation.

Le point le plus important : personne n’a prouvé qu’« avec OpenCode, on a officiellement droit au double ». C’est une observation intéressante, mais pas une comparaison faite dans des conditions contrôlées.

En revanche, OpenAI explique que l’usage de Codex ne se compte pas en nombre fixe de messages : il varie selon le modèle, l’endroit où la tâche s’exécute, sa complexité, le contexte, le raisonnement, la vitesse et les outils. Selon l’abonnement, il y a à la fois un quota de 5 heures et un quota hebdomadaire.

Autrement dit, le fait que « changer de harness change la consommation » est tout à fait logique vu comment le système fonctionne.

2. Un harness, c’est quoi ? « Tout » ce qui entoure le cerveau de l’IA

Si on ne regarde que le modèle, c’est simple :

Sol = le cerveau.

Mais un vrai assistant de code entoure ce cerveau d’un tas d’équipements :

  • comment les instructions système sont assemblées
  • quels fichiers il lit
  • combien de tokens de la conversation passée il garde
  • combien d’outils (shell, GitHub, etc.) il montre au modèle
  • quelle part des résultats d’outils il emporte au tour suivant
  • combien de fois il réessaie en cas d’échec
  • combien de tours de planification, de réalisation et de relecture il enchaîne
  • s’il compresse le contexte avant qu’il déborde
  • s’il répartit le travail entre des sous-agents
  • à quel moment il décide que c’est « terminé »

Tout cet ensemble, c’est le harness au sens large.

OpenAI elle-même emploie le mot « harness » pour Codex et décrit un App Server qui relie le modèle à chaque client, aux outils et à l’état de la conversation.

Donc :

même modèle ≠ même système

Mettez le même V8 dans un SUV de 2 tonnes et dans une voiture légère : la consommation ne sera pas la même.

3. Ce qui fait exploser la consommation d’une IA, c’est souvent « les bagages qu’elle trimballe à chaque tour »

Ce que consomme un agent ne dépend pas seulement du nombre de mots qu’il écrit dans sa réponse.

Dans une longue session, chaque raisonnement peut embarquer :

  • un historique de conversation très long
  • un énorme prompt système
  • AGENTS.md et d’autres règles
  • les définitions d’outils MCP
  • plein de fichiers lus depuis GitHub
  • des logs de terminal interminables
  • des résultats de tests
  • les échecs précédents
  • des infos pour la prochaine tentative

Une fois, ça passe.

Le problème, c’est de renvoyer et de relire tout ça 10, 20, 30 fois.

Parfois, « lire une fois un log de 100KB » pèse moins lourd que rappeler le modèle encore et encore en traînant un contexte de l’ordre de 100KB.

En plus, si le harness A boucle une tâche en 15 tours alors que le harness B en passe 30 à planifier → vérifier → explorer → réexplorer → relire → relire encore, l’écart est inévitable, même avec le même modèle.

La consommation ne dépend pas que du moteur. Elle s’envole à cause de :

bagages × allers-retours × nouvelles tentatives

4. Pourquoi OpenCode est intéressant : connexion ChatGPT, MCP et compression automatique dans la même boîte

D’après la documentation officielle d’OpenCode, quand vous connectez OpenAI, vous pouvez choisir ChatGPT Plus/Pro et vous connecter depuis le navigateur. C’est une option à part, distincte de la saisie manuelle d’une clé d’API.

OpenCode fonctionne aussi comme client MCP et peut ajouter aussi bien des serveurs MCP locaux que distants.

On peut donc monter quelque chose comme :

OpenCode → GitHub MCP → MCP de base de données → votre propre API → d’autres outils externes

OpenCode propose aussi une compression automatique (compaction) qui remplace l’ancien contexte d’une longue session par un point de sauvegarde. Dans la documentation actuelle, elle est activée par défaut, avec un exemple qui garde le résumé généré plus, en gros, les 15 000 derniers tokens.

Plutôt que « supprimer l’ancienne conversation », c’est comme :

laisser l’historique à l’entrepôt et ne charger que le nécessaire pour la prochaine sortie

Mais ce n’est pas magique. OpenCode prévient lui-même que plus on ajoute de serveurs MCP, plus leurs définitions d’outils grignotent le contexte, et que les gros, comme GitHub MCP, le remplissent très vite.

Brancher 20 MCP en se disant « là, je suis au max ! », c’est comme équiper son héros avec l’entrepôt entier.

5. Tout piloter depuis ChatGPT avec MCP, au fond, c’est la même idée

Un montage où ChatGPT est au centre et manipule GitHub, des serveurs, le cloud et le stockage via MCP ou des connecteurs reste, en gros, « modèle + harness + outils ».

En schéma de câblage, c’est simple :

ChatGPT → MCP / connector → GitHub, serveurs, cloud, stockage

ChatGPT décide, MCP sert de bras et de jambes, et chaque service garde l’état réel des choses.

Pareil pour OpenCode :

OpenCode → MCP / shell / API → dépôt, serveur, cloud

La différence, c’est où est gardé l’état de la conversation, où tourne la boucle d’appels d’outils et où le contexte est compressé.

Donc, à la question « c’est pas la même chose que tout piloter depuis ChatGPT avec MCP ? », la réponse est : quasiment OUI.

Même plan d’architecte, seule la marque de la salle de contrôle change.

6. Alors, ChatGPT peut-il refiler du travail à OpenCode ?

OpenCode prend officiellement en charge le rôle de « celui qui utilise MCP ». En revanche, dans la documentation citée, plutôt qu’un mode qui exposerait OpenCode lui-même comme serveur MCP généraliste, ce qui est clairement indiqué, c’est une entrée par serveur HTTP/OpenAPI avec SDK, ou par ACP.

Avec opencode serve, on peut lancer OpenCode comme serveur HTTP sans interface et piloter sessions et agents par programme via OpenAPI. Il existe aussi un SDK JS/TS.

Du coup, si vous voulez que ChatGPT envoie des tâches à OpenCode, une structure propre ressemble à ça :

ChatGPT → une passerelle MCP légère → OpenCode Server → Sol → MCP / shell / API → GitHub, cloud, etc.

La passerelle MCP peut ne proposer qu’une poignée d’outils :

  • opencode_run_task
  • opencode_get_status
  • opencode_get_result

Et ça suffit.

Au lieu de charger à chaque fois dans ChatGPT des dizaines de définitions d’outils GitHub et des logs géants, on laisse OpenCode mener le long travail de bout en bout et ne renvoyer que le résultat final.

C’est là que « consommer moins » devient vraiment un choix de conception.

7. Pour vraiment consommer moins, réduisez le nombre de retours vers l’IA, pas l’IA elle-même

L’erreur la plus courante, c’est de croire qu’un modèle moins cher va tout régler.

Bien sûr, le choix du modèle compte.

Mais pour du travail automatisé de longue durée, ce genre de répartition marche souvent mieux :

  1. ce qui se fait toujours pareil, étape par étape, part dans des scripts
  2. l’état et l’historique de ce qui a été fait restent côté machine
  3. on n’active que les outils vraiment utiles
  4. on résume ou on extrait l’essentiel des longs logs avant de les donner au modèle
  5. on ne relit pas le même fichier en boucle
  6. on enregistre la raison de l’échec et la prochaine étape comme état
  7. seules les décisions floues remontent au modèle haut de gamme
  8. à l’humain, on ne renvoie que la vérification finale de ce qui est vraiment en ligne

L’idéal :

IA = s’occupe de ce qui est flou

scripts / workflows = déroulent les étapes déjà fixées

GitHub / base de données / état sauvegardé = gardent la mémoire

Si vous obligez l’IA à se demander à chaque fois « euh, c’était quoi la suite ? », elle relance à chaque fois l’inventaire complet de l’entrepôt.

Si la machine note la prochaine étape, vous n’appelez l’IA que quand c’est vraiment nécessaire.

8. Mais on ne peut pas encore dire qu’« avec OpenCode, on est toujours gagnant à quota égal »

Ce que confirme la documentation officielle d’OpenAI : Codex et Work partagent le même quota, selon l’abonnement il y a un quota de 5 heures et un quota hebdomadaire, et la consommation varie selon le contexte, les outils, etc.

Ce que confirme la documentation officielle d’OpenCode : on peut se connecter avec ChatGPT Plus/Pro.

Mais aucune des deux documentations officielles ne propose de tableau indiquant si l’usage via la connexion ChatGPT dans OpenCode est décompté par OpenAI avec exactement la même formule et les mêmes coefficients internes que Codex, ni combien de fois OpenCode serait toujours plus avantageux.

Donc :

« Chez moi, ça a tenu deux fois plus longtemps » est un retour de terrain intéressant.

« Ça tient toujours deux fois plus longtemps » n’est pas confirmé.

Mieux vaut ne pas mélanger les deux.

Pour comparer sérieusement, prenez le même dépôt, le même modèle, la même tâche et le même critère de « terminé », puis mesurez :

  • le nombre total d’appels au modèle
  • les tokens en entrée/sortie
  • le nombre de compressions
  • le nombre d’appels d’outils
  • le temps réellement écoulé
  • le nombre de modifications terminées
  • le nombre de nouvelles tentatives
  • le résultat final des tests

Ne regardez pas « combien d’heures j’ai pu l’utiliser », mais combien a coûté chaque tâche réussie.

C’est ça, la vraie consommation.

9. Conclusion : à l’ère de l’IA, après le choix du modèle, ce qui pèse le plus, c’est le « câblage »

Avant, tout tournait autour de « quel modèle est le plus intelligent ».

À l’ère des agents, ça ne suffit plus.

Avec le même modèle, la quantité de travail abattu change selon :

  • la façon de remplir le contexte
  • le nombre d’outils
  • la gestion de l’état
  • la compression
  • les nouvelles tentatives
  • la manière de décider que c’est fini
  • la répartition du travail avec des workflows externes

Le modèle, c’est le moteur.

Le harness, c’est tout le système : injection, boîte de vitesses, GPS, équipe au stand et même le volume du coffre.

Alors se demander « pourquoi le même Sol donne des résultats si différents ? », c’est au contraire tout à fait naturel.

Et dès que vous commencez à relier plusieurs services avec MCP, ce que vous faites passe de « utiliser l’IA » à

concevoir un lieu de travail autour de l’IA

Et pour finir, la vérité la plus crue : le meilleur MCP, ce n’est pas celui qui « demande tout à l’IA ».

C’est celui qui multiplie les étapes où l’on n’a plus besoin de lui demander quoi que ce soit.

Sources

[1] https://openai.com/index/unlocking-the-codex-harness/
[2] https://help.openai.com/en/articles/11369540
[3] https://help.openai.com/en/articles/20001516
[4] https://opencode.ai/docs/providers
[5] https://opencode.ai/v2/docs/mcp-servers
[6] https://opencode.ai/v2/docs/compaction
[7] https://dev.opencode.ai/docs/server/
[8] https://opencode.ai/v2/docs/cli/acp/


Références (8)

  1. OpenAI, Unlocking the Codex harness: how we built the App Server openai.com
  2. OpenAI Help Center, ChatGPTプランでCodexを使う help.openai.com
  3. OpenAI Help Center, WorkとCodexでのGPT-6 Astraの利用量管理 help.openai.com
  4. OpenCode Docs, Providers opencode.ai
  5. OpenCode Docs, MCP servers opencode.ai
  6. OpenCode Docs, Compaction opencode.ai
  7. OpenCode Docs, Server / SDK https://dev.opencode.ai/docs/ja/sdk/ dev.opencode.ai
  8. OpenCode Docs, ACP opencode.ai

PublicitéLivres sur ce sujet

  • Co-Intelligence (édition anglaise)

    Ethan Mollick / Penguin Publishing Group / 2024

    Un livre sur IA, le sujet de cet article.

  • The Coming Wave (édition anglaise)

    Mustafa Suleyman / Penguin Random House / 2023

    Un livre sur IA, le sujet de cet article.

Cet article contient des liens affiliés (publicité). À propos de la publicité En tant que Partenaire Amazon, je réalise un bénéfice sur les achats remplissant les conditions requises. As an Amazon Associate I earn from qualifying purchases.

Partager cet article

Si cet article vous a été utile, vous pouvez soutenir le site. Soutenir

À lire aujourd’hui

Chacun répond à une question que se posent souvent les lecteurs de cet article.

Voir tous les articles

Trouver d’autres articles

Tous les articles

Mendoi-chan

Qui tient ce site

Mendoi-chan

Elle transforme les frictions du travail et du quotidien en structures claires et en prochaines étapes concrètes.