OpenClaw coûte cher — pourquoi l'agent consomme des tokens et comment économiser

OpenClaw est un agent autonome doté d'une architecture à plusieurs niveaux. Contrairement aux assistants simples, où un seul prompt part vers le modèle et une réponse revient, OpenClaw construit une chaîne composée de plusieurs rôles et de plusieurs itérations. Chaque maillon de la chaîne consomme des tokens, et la dépense totale pour une seule tâche utilisateur dépasse celle d'un assistant conversationnel d'un ordre de grandeur, voire plus.

Le workflow typique d'OpenClaw sur une tâche « écrire le module X » :

1. Le planificateur lit la description de la tâche et tout le contexte du projet (~30K input + 2K output)
2. Le décomposeur découpe le plan en sous-tâches (~20K input + 1K output)
3. L'exécuteur pour chaque sous-tâche : lit les fichiers, génère le code, applique les patchs (5—15 itérations × ~50K input + 3K output)
4. Le critique vérifie les résultats et propose des corrections (~40K input + 2K output)
5. Le correcteur applique les corrections (5—10 itérations × ~30K input + 2K output)
6. Vérification finale et mise en forme du rapport (~30K input + 1.5K output)

Additionnez le tout : pour une tâche moyenne, OpenClaw dépense 800K—1,5M de tokens en input et 50—120K tokens en output. Sur des tâches complexes avec de longues itérations autonomes, la consommation grimpe à 5—15M input + 200—500K output.

Les chiffres réels pour des types de tâches concrets :

• Fonctionnalité simple (une fonction avec son test) : ~600K tokens au total ≈ 3 $ sur Anthropic
• Fonctionnalité moyenne (un nouveau module de 200 lignes) : ~3M tokens au total ≈ 12 $
• Fonctionnalité complexe (refactoring + nouvelle fonctionnalité) : ~10M tokens au total ≈ 35 $
• Tâche autonome longue (une exécution d'une heure avec critique et itérations) : 30—50M tokens au total ≈ 100—170 $
• Une journée complète d'agent avec plusieurs tâches dans OpenClaw : 100—200M tokens au total ≈ 350—700 $

La grande différence avec Cline ou Cursor : OpenClaw effectue 3—5 appels de rôle à chaque étape, là où Cline n'en fait qu'un. Ce n'est pas un bug — c'est une feature, qui améliore la qualité de la prise de décision et réduit le nombre d'erreurs. Mais financièrement, c'est aussi ce qui fait d'OpenClaw l'outil agentique le plus cher du marché lorsqu'on utilise Anthropic ou OpenAI directement.

Comparaison de la vitesse de consommation avec d'autres outils sur la même tâche :

• Cursor Agent : ~5K—50K tokens par tâche
• Cline : ~500K—5M tokens par tâche
• Claude Code : ~200K—3M tokens par tâche
• OpenClaw : ~3M—50M tokens par tâche (×5—10 par rapport à Cline)

OpenClaw prend en charge tous les fournisseurs compatibles avec OpenAI via des variables d'environnement et un fichier de configuration. Cela signifie que le passage de l'API Anthropic à JoinGonka Gateway ne nécessite aucune modification de code dans OpenClaw lui-même — juste un changement de point de terminaison (endpoint) et de clé API.

Comparaison par type de tâche :

L'architecture multi-niveaux d'OpenClaw, qui le rend coûteux chez Anthropic, devient un avantage chez JoinGonka : plus d'appels de rôles = plus de précision dans la prise de décision, et maintenant cela ne coûte presque rien. Vous pouvez activer tous les critiques et vérificateurs, laisser les exécutions autonomes tourner la nuit, expérimenter avec de longues chaînes — sans crainte de voir une facture à quatre chiffres le matin.

JoinGonka Gateway facture l'entrée et la sortie — des fractions de centime par million de jetons (la sortie est plus chère que l'entrée). Chez Anthropic, l'entrée coûte 3 $, la sortie 15 $ : même la sortie de JoinGonka est des centaines de fois moins chère, ce qui est particulièrement avantageux pour OpenClaw, qui génère beaucoup de jetons de sortie lors des échanges de rôles.

Ce qu'il y a sous le capot — des modèles MoE ouverts du réseau : MiniMax M2.7 (modèle par défaut dans la configuration ci-dessous), DeepSeek V4 Flash et GLM-5.3 Flash. Pour les tâches de rôle (planification, exécution, critique), le structured output et le tool calling sont essentiels — les trois modèles prennent en charge l'appel natif d'outils. Sur le benchmark SWE-bench Verified, qui mesure la qualité du développement autonome, DeepSeek V4 Flash est au coude-à-coude avec les fleurons fermés. Plus de détails dans l'article sur les meilleurs modèles pour le codage. Le contexte général du marché — dans l'aperçu de l'API AI la moins chère en 2026.

Le plus simple : un installateur en une seule commande. Il configure lui-même le fournisseur JoinGonka dans ~/.openclaw/openclaw.json avec le bon baseUrl et les bons modèles, après avoir sauvegardé votre configuration actuelle :

npx @joingonka/setup --tool openclaw

C'est l'installateur universel de JoinGonka — sans le flag npx @joingonka/setup, il vous proposera de choisir un outil dans une liste (il y en a déjà 25 : Claude Code, Codex CLI, OpenClaw, Cline et d'autres — liste complète), vous demandera votre clé API (jg-…) et n'ajoutera que le fournisseur JoinGonka, sans toucher au reste de vos réglages. Le modèle principal sera DeepSeek V4 Flash, avec GLM-5.3 Flash et MiniMax M2.7 en secours : si un modèle est occupé, l'agent bascule vers le suivant au lieu de s'arrêter. Ci-dessous, la méthode manuelle si vous préférez tout configurer vous-même.

{
  "models": {
    "providers": {
      "gonka": {
        "baseUrl": "https://gate.joingonka.ai/v1",
        "api": "openai-completions",
        "apiKey": "jg-your-key",
        "models": [
          { "id": "deepseek-ai/DeepSeek-V4-Flash-0731", "name": "DeepSeek V4 Flash", "contextWindow": 380000, "maxTokens": 32768 },
          { "id": "zai-org/GLM-5.3-Flash", "name": "GLM-5.3 Flash", "contextWindow": 390000, "maxTokens": 8192 },
          { "id": "MiniMaxAI/MiniMax-M2.7", "name": "MiniMax M2.7", "contextWindow": 200000, "maxTokens": 8192 }
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "gonka/deepseek-ai/DeepSeek-V4-Flash-0731",
        "fallbacks": ["gonka/zai-org/GLM-5.3-Flash", "gonka/MiniMaxAI/MiniMax-M2.7"]
      }
    }
  }
}

Comparons trois profils d'utilisation typiques d'OpenClaw en production.

Profil 1 : « Expérimentation avec des agents ». Un développeur exécute OpenClaw 5 à 10 fois par semaine, principalement sur des tâches moyennes pour évaluer la qualité. Consommation mensuelle — ~50M total tokens.

• Anthropic : 50M × $0.005 ≈ $250/mois
• JoinGonka : 50M × $0.0099 = $0.50/mois. Économie — d'environ 500 fois.

Profil 2 : « Utilisation régulière dans le workflow ». OpenClaw est utilisé quotidiennement pour des tâches complexes, parfois laissé sur de longues sessions autonomes. Consommation mensuelle — ~500M total tokens.

• Anthropic : 500M × $0.005 ≈ $2500/mois
• JoinGonka : 500M × $0.0099 = $4.95/mois. Économie — d'environ 500 fois.

Profil 3 : « Pipeline de production sur OpenClaw ». L'équipe a automatisé une partie des processus de travail via OpenClaw — génération de rapports, refactoring de code ancien, code review. Consommation — ~3B total tokens par mois.

• Anthropic : 3B × $0.005 = $15000/mois
• JoinGonka : 3B × $0.0099 = $29.7/mois. Économie — d'environ 500 fois.

Au niveau du Profil 3, l'effet est particulièrement intéressant — OpenClaw passe du statut de « trop coûteux pour une automatisation régulière » à celui de « si bon marché qu'on peut tout automatiser ». Cela change l'économie même de la prise de décision : une tâche qui semblait autrefois trop chère pour un agent peut désormais lui être confiée sans hésitation.

Sur une période d'un an, les économies sont d'environ 30 000 $ pour un utilisateur actif et de 180 000 $ pour une équipe. Il ne s'agit plus simplement d'optimisation budgétaire, mais d'un changement qualitatif dans la manière dont l'équipe utilise l'agentic AI : gratuitement au lieu de « selon le budget ».

Dans le même temps, OpenClaw en tant qu'outil reste inchangé : les mêmes pipelines de rôle, la même décomposition qualitative, le même contrôle via les critiques. Seule la source d'inference change — et avec elle, toute l'économie du workflow.

Stratégie de mixage de modèles dans OpenClaw. OpenClaw prend en charge différents modèles pour différents rôles dans le pipeline. Via JoinGonka Gateway, vous pouvez affecter MiniMax M2.7 à toutes les étapes (modèle universel), ou le combiner avec GLM-5.3 Flash pour le critique et la vérification finale — le modèle de raisonnement réfléchit avant de répondre, ce qui est particulièrement utile lors de l'évaluation de résultats en plusieurs étapes — et pour les prompts volumineux sans raisonnement, utiliser DeepSeek V4 Flash (380K de contexte). Comme les trois modèles sont tarifés à $0.0069/1M, il n'y a aucun avantage financier à utiliser un modèle « plus léger » dans les rôles peu coûteux — mais vous pouvez ajuster finement la qualité des réponses pour chaque étape du pipeline.

Cas de production : automatisation du code review. L'un des scénarios réels rendus possibles par l'économie JoinGonka est le code review automatique pour chaque pull request via OpenClaw. Pipeline : « lire le diff → analyser chaque fichier → vérifier la couverture des tests → rédiger le rapport final ». Chez Anthropic, ce pipeline coûterait environ 5 à 15 $ par PR ; chez JoinGonka — 0,007 à 0,017 $. Une équipe de 10 développeurs faisant 50 PR par jour passe de 750 $/jour chez Anthropic à 0,83 $/jour chez JoinGonka — et l'agent de code review passe du statut de luxe à celui de workflow quotidien.