Mes agents de code ont utilisé Claude Fable 5 et les modèles GPT-5.4, GPT-5.5 et GPT-5.6 d'OpenAI sur un travail réel tout au long de 2026 : sites web, applications iOS, e-commerce, CRM, outils musicaux, systèmes SEO et mes propres flux de travail d'agent. Lorsque j'ai additionné les journaux de session locaux qui restaient sur mon Mac, le nombre s'élevait à 21,54 milliards de tokens.
Ce chiffre est absurde. Il a également besoin de contexte.
La plupart de cela n'est pas 21,5 milliards de nouveaux mots écrits pour moi. De longues sessions d'agent envoient de grandes bases de code et des instructions à travers le contexte plusieurs fois. Une grande partie est lue depuis le cache. Le compte de tokens montre principalement combien de contexte mes agents de code ont traité.
Ma conclusion après cette période est toujours claire : nous avons progressé. Les modèles peuvent gérer des tâches plus longues, utiliser des outils et corriger des erreurs à un niveau qui semblait lointain il y a un an. Cependant, le modèle lui-même est toujours la partie la moins intéressante d'un système fiable.
Ce que 21,5 milliards de tokens disent sur les agents de code
J'ai compté l'utilisation d'OpenAI à partir de chaque valeur `last_token_usage` dans les journaux Codex préservés. J'ai compté Fable à partir de messages d'assistant uniques dans les journaux Claude, en utilisant des entrées normales, la création de cache, la lecture de cache et la sortie. Le résultat est une mesure d'activité locale — pas une facture d'OpenAI ou d'Anthropic.
| Modèle | Tokens d'activité enregistrés | Événements d'utilisation uniques / réponses du modèle |
|---|---|---|
| --- | ---: | ---: |
| GPT-5.5 | 12,96 milliards | 95,930 |
| GPT-5.6 Sol, Terra et Luna | 1,88 milliard | 12,370 |
| GPT-5.4 y compris Mini | 3,43 milliards | 26,624 |
| Claude Fable 5 | 3,27 milliards | 16,878 |
| Total | 21,54 milliards | 151,802 |
En utilisant la méthode du niveau d'eau élevé, GPT-5.4 représentait environ 3,21 milliards de tokens d'entrée mis en cache, GPT-5.5 pour 12,30 milliards, et la famille GPT-5.6 pour environ 1,82 milliard. Les journaux de Fable contenaient environ 3,05 milliards de lectures de cache et 181 millions de tokens de création de cache.
C'est pourquoi comparer le total à la quantité de texte qu'un humain pourrait lire est trompeur. Le travail des agents réutilise de grands contextes. La question pertinente est de savoir si le système a fait ce qu'il fallait avec eux.
La base de code derrière l'utilisation : 59 projets GitHub
Au moment de la mesure, mon compte GitHub avait 59 dépôts : 50 privés et 9 publics. Ils se décomposent à peu près comme suit :
Sur les 26 dépôts GitHub qui avaient un checkout local avec le même nom exact, j'ai trouvé 6,90 millions de lignes de code source suivies après avoir filtré les fichiers de fournisseur, de construction, de cache et minifiés. Ce chiffre est dominé par trois grandes plateformes PHP héritées. Si je les retire, environ 357,000 lignes restent dans la surface plus moderne et plus auto-construite qui inclut TypeScript, Python, Swift, Shell et Astro.
Ce n'est pas une tentative de gagner un concours de lignes de code. Un million de mauvaises lignes est toujours une dette. Les statistiques montrent l'étendue de l'environnement où les modèles ont été testés : mobile, backend, frontend, automatisation, contenu, opérations et logique d'affaires.
Fable 5 et GPT-5.6 sont meilleurs — de différentes manières
Anthropic décrit Fable 5 comme son modèle pour de grands projets de code, des migrations et de longues sessions autonomes. OpenAI décrit GPT-5.4 comme une fusion de codage de pointe, de travail de connaissance et d'utilisation d'ordinateur. La famille GPT-5.6 a poussé l'accent encore plus vers le travail d'agent de longue durée.
Cela correspond assez bien à mon expérience. Fable est souvent meilleur pour comprendre la forme d'un problème difficile avant de commencer à changer le code. GPT-5.6 Sol est plus susceptible de saisir le problème, d'utiliser les outils et de faire avancer le travail.
Le débat X montre la même division :
Cette critique est juste. Un meilleur modèle peut toujours créer une journée de travail pire si le routage, la tarification, les limites de contexte ou la politique de sécurité sont difficiles à comprendre.
Le modèle est le moteur, pas la voiture
Un modèle de langage peut raisonner sur le code. Un agent de code doit également fonctionner à l'intérieur d'un système réel.
Mon stack pratique ressemble à ceci :
Chaque partie résout un problème différent. Une compétence sans outils est de la documentation. Un outil sans politique est un risque. La mémoire sans contrôle de version devient un vieux folklore. Une construction sans vérifications en direct peut encore laisser la production cassée.
MCP Developer Workflows: The Real Control Layer→ est particulièrement important car il déplace l'intégration loin des prompts personnalisés et dans un contrat que plusieurs clients peuvent comprendre. Mon MCP de page personnelle peut, par exemple, rechercher, créer un brouillon, générer des images, analyser le SEO et publier. Le même agent doit encore savoir quand s'arrêter à un brouillon non publié.
Le grand saut est des chaînes de travail plus longues
Dans mon test précédent de GPT-5.5 dans Codex→, j'ai vu le même changement. Il y a un an, une bonne session de codage était souvent : demander, obtenir un bloc de code, copier, le tester soi-même. Maintenant, un agent peut lire les règles du projet, trouver le bon dépôt, inspecter un chemin, modifier le code, construire, résoudre un conflit, pousser et vérifier la production.
C'est un changement qualitatif.
En même temps, j'ai vu des modèles :
La dernière étape est toujours la plus coûteuse : prouver que le résultat existe au bon endroit et fonctionne pour un utilisateur réel.
Ce qui nous manque encore
Meilleur routage automatique des modèles
Je ne veux pas choisir des noms de modèles et des niveaux de raisonnement pour chaque sous-tâche. Le système devrait envoyer la révision d'architecture au modèle qui est le meilleur pour l'ensemble du tableau, les changements mécaniques à un modèle plus rapide, et la vérification finale à un vérificateur séparé.
Mémoire de travail portable
Le contexte est toujours bloqué à l'intérieur d'un client, d'un modèle ou d'un fichier de session spécifique. Les compétences et le MCP réduisent la douleur, mais un agent devrait être capable de changer de modèles sans perdre la manière de travailler prouvée du projet.
Vérification comme fonctionnalité de première classe
La plupart des agents de démonstration récompensent la production de code. Je veux mesurer la part des tâches qui se terminent dans un état externe vérifié correct : route en direct, ligne de base de données, application installée, message envoyé ou construction approuvée.
Coût plus clair
Les tokens mis en cache sont moins chers et parfois rapportés différemment, mais l'utilisateur ne voit souvent qu'une barre qui disparaît rapidement. L'agent devrait être capable de dire : cette tâche a utilisé X nouveaux tokens d'entrée, Y lectures de cache, Z tokens de sortie, et a créé le résultat vérifié suivant.
Ma recommandation : construire le système avant le super-prompt
Commencez par une tâche étroite qui peut être vérifiée. Donnez à l'agent un petit ensemble d'outils, écrivez une compétence pour le flux de travail et définissez ce qui compte comme terminé. Ensuite, ajoutez de la mémoire et plus d'outils lorsque vous voyez un besoin récurrent.
Un agent de code utile n'a pas besoin d'un accès gratuit à tout. Il a besoin du bon accès, du bon ordre et d'une règle d'arrêt.
J'utilise maintenant les modèles Fable et OpenAI moins comme des oracles et plus comme des composants. Fable peut examiner un design difficile. GPT-5.6 Sol, Terra et Luna→ peut être divisé par profil de travail, et GPT-5.6 peut conduire un long flux d'outils. Un modèle plus petit peut traduire ou classifier. MCP les connecte à de vrais systèmes. Les compétences donnent à Codex un moyen de travailler réutilisable→. Git et les tests décident si le résultat peut avancer.
21,54 milliards de tokens plus tard, la plus grande amélioration n'est pas que les modèles écrivent un code plus joli. Ils peuvent rester dans le travail plus longtemps. Notre tâche est de construire des garde-fous, de la mémoire et de la vérification qui rendent ce temps précieux.