Claude Code d’Anthropic a contribué à faire des agents de codage autonomes un véritable outil de développement, mais ses coûts d’abonnement et ses limites d’utilisation ouvrent la voie à des concurrents open source. Goose, développé par Block, propose un flux de travail d’agent similaire sans abonnement obligatoire et peut fonctionner localement avec des modèles choisis par le développeur.

La différence compte au-delà du prix. Claude Code dépend de l’infrastructure cloud d’Anthropic, tandis que Goose peut être configuré pour utiliser des modèles locaux via des outils comme Ollama. Cela offre aux développeurs une voie vers le développement hors ligne et conserve le code source et les conversations sur leurs propres machines, même si cette approche exige un matériel adapté et implique des compromis sur la qualité du modèle, la vitesse et l’effort de configuration.

Le prix de Claude Code met les limites d’utilisation au premier plan

Selon VentureBeat AI, Claude Code d’Anthropic est disponible via des paliers d’abonnement allant de 20 à 200 dollars par mois, selon l’usage. Le forfait gratuit n’inclut pas l’accès à l’agent de codage. La publication rapporte que le palier Pro autorise environ 10 à 40 requêtes toutes les cinq heures, tandis que les offres Max offrent des limites plus élevées et l’accès aux modèles plus performants d’Anthropic.

Anthropic a également introduit des limites hebdomadaires décrites en heures d’utilisation de Sonnet 4 ou d’Opus 4. Ces intitulés ne se traduisent pas proprement en une quantité fixe de travail de codage : la consommation réelle dépend de facteurs tels que la taille de la base de code, la longueur du contexte et la complexité de la tâche. VentureBeat a cité une analyse indépendante estimant des limites de session basées sur les tokens d’environ 44 000 tokens pour les utilisateurs Pro et 220 000 tokens pour l’offre Max à 200 dollars, mais ces chiffres ne sont pas présentés comme une métrique tarifaire officielle d’Anthropic.

Anthropic a également défendu ces limites en affirmant qu’elles concernent moins de 5 % des utilisateurs et visent les personnes faisant fonctionner Claude Code en continu en arrière-plan. Le rapport source note qu’Anthropic n’a pas précisé si ce pourcentage s’applique à l’ensemble des utilisateurs ou seulement à un groupe d’abonnement particulier. Des témoignages sur Reddit et dans des forums de développeurs décrivent certains utilisateurs épuisant rapidement leurs limites lors de sessions intensives, mais ces récits sont anecdotiques et ne constituent pas des données d’utilisation vérifiées indépendamment.

Goose déplace l’agent sur la machine du développeur

Goose, développé par Block, est un agent d’IA open source disponible sous forme d’application de bureau et d’interface en ligne de commande. Son objectif affiché va au-delà de la complétion de code : il peut installer des dépendances, créer et modifier des fichiers, exécuter des commandes, lancer des tests, déboguer des échecs et coordonner le travail sur un projet.

L’outil est agnostique au modèle. Les développeurs peuvent le connecter à des modèles commerciaux de fournisseurs comme Anthropic, OpenAI ou Google, utiliser des services de routage comme Groq et OpenRouter, ou le connecter à un modèle local via Ollama. Dans la configuration locale, le modèle s’exécute sur l’ordinateur du développeur plutôt que d’envoyer les invites et le code à un fournisseur distant.

Cette architecture prend en charge le travail hors ligne et évite un abonnement récurrent à Goose. Elle ne rend toutefois pas l’ensemble de la configuration gratuit au sens pratique du terme : les utilisateurs ont toujours besoin d’un ordinateur capable d’exécuter le modèle choisi, et les API de modèles commerciaux peuvent entraîner leurs propres coûts si les développeurs optent pour des fournisseurs cloud. Le terme « gratuit » décrit principalement Goose lui-même et une pile logicielle locale, pas le coût du matériel ni de toute connexion possible à un modèle.

Goose prend également en charge le Model Context Protocol, ou MCP, qui peut connecter un agent à des systèmes de fichiers, des bases de données, des outils de recherche et d’autres services. Combiné à l’appel d’outils, cela permet au système d’agir plutôt que de simplement suggérer du code. Le modèle sous-jacent reste toutefois essentiel. La fiabilité d’un agent dépend de la précision avec laquelle son modèle interprète les instructions, choisit les outils, gère les erreurs et respecte les contraintes du projet.

Ce que montrent les preuves — et ce qu’elles ne montrent pas

La comparaison provient d’un article de VentureBeat AI et non d’une évaluation indépendante en confrontation directe. L’article indique que Goose comptait plus de 26 100 étoiles sur GitHub, 362 contributeurs et 102 versions, la version 1.20.1 étant identifiée comme la plus récente au moment de la publication. Les étoiles GitHub et le nombre de versions indiquent un intérêt et une activité de développement, mais ils ne prouvent ni la fiabilité en production, ni la fidélité des utilisateurs, ni la parité avec Claude Code.

L’affirmation selon laquelle Goose peut effectuer un travail « presque identique » à Claude Code doit donc être traitée avec prudence. Les deux outils peuvent prendre en charge des flux de travail de codage autonomes, mais cela ne signifie pas qu’ils fournissent des résultats équivalents. Le reportage de VentureBeat identifie plusieurs différences : les modèles phares d’Anthropic restent plus performants sur les tâches difficiles d’ingénierie logicielle, les services cloud offrent généralement une inférence plus rapide, et la grande capacité de contexte de Claude peut être précieuse pour les dépôts complexes.

Les déploiements locaux introduisent leurs propres contraintes. La documentation de Block recommanderait 32 gigaoctets de RAM comme base solide pour les modèles et les sorties plus volumineux, tandis que les modèles plus petits peuvent fonctionner sur des systèmes disposant de moins de mémoire. Des fenêtres de contexte plus longues peuvent nécessiter davantage de mémoire et réduire la vitesse de réponse. Ces limites rendent un agent local plus attrayant pour les travaux sensibles à la confidentialité ou hors ligne que pour tous les flux de travail d’ingénierie à forte intensité.

Les progrès des modèles open source constituent un autre facteur rapporté, mais les comparaisons de benchmarks ne doivent pas être confondues avec une équivalence réelle. VentureBeat a cité des modèles tels que Llama, Qwen, Gemma, DeepSeek, Kimi K2 et GLM 4.5 comme preuve d’un écart de qualité qui se réduit. La source ne fournit pas de test contrôlé Goose contre Claude Code, de sorte que les affirmations sur une productivité comparable restent non démontrées.

Pourquoi ce choix compte pour les développeurs et les entreprises

Pour les développeurs individuels et les petites équipes, Goose modifie le calcul économique. Un déploiement local supprime les limites d’utilisation liées à l’abonnement et peut faciliter l’expérimentation, en particulier pour les projets qui ne justifient pas un forfait mensuel à 100 ou 200 dollars. Il donne aussi aux équipes davantage de contrôle sur l’endroit où le code propriétaire, les identifiants et la documentation interne sont traités.

Le compromis est la responsabilité opérationnelle. Les équipes adoptant Goose doivent sélectionner des modèles, gérer la capacité mémoire et de calcul, configurer les intégrations et vérifier si l’agent peut être autorisé à modifier des fichiers ou à exécuter des commandes shell. Les entreprises auraient également besoin d’une gouvernance autour de l’origine des modèles, des contrôles d’accès, des journaux d’audit, des mises à jour de dépendances et du traitement des données sensibles. Un agent local peut réduire l’exposition au cloud, mais il ne fournit pas automatiquement une sécurité ou une conformité de niveau entreprise.

Le modèle de développement compte aussi. Des outils commerciaux comme Claude Code et Cursor regroupent l’infrastructure, l’accès au modèle, les mises à jour et une expérience utilisateur soignée. Goose sépare ces couches. Cela peut réduire la dépendance vis-à-vis d’un fournisseur et permettre la personnalisation, mais cela transfère davantage de travail à l’acheteur ou à l’équipe d’ingénierie.

Pour Anthropic et les autres fournisseurs, la pression ne vient pas simplement du fait qu’un outil gratuit existe. Goose montre que la couche agent peut être séparée du modèle et fournie comme infrastructure ouverte. Si les modèles locaux continuent de s’améliorer, les produits de codage premium devront peut-être rivaliser sur la fiabilité, la gestion du contexte, les intégrations, les contrôles de sécurité et la qualité du flux de travail plutôt que sur le seul accès aux actions autonomes.

Ce qu’il faut surveiller ensuite

Le signal le plus important sera de savoir si l’adoption de Goose se traduit par des contributions durables, des déploiements documentés en production et des résultats reproductibles sur de véritables dépôts — pas seulement par de l’intérêt sur GitHub. Les développeurs devraient également surveiller les améliorations de l’appel d’outils des modèles locaux, le support des fenêtres de contexte, la vitesse d’inférence et l’efficacité mémoire.

Du côté commercial, l’interprétation par Anthropic de ses limites d’utilisation restera importante, y compris des définitions plus claires de l’usage et d’éventuels changements dans les offres Claude Code. D’autres comparaisons avec Cursor, GitHub Copilot et d’autres produits de codage agentique pourraient montrer si le marché se divise entre agents premium hébergés et systèmes locaux plus configurables.

Point de vue Creati.ai

Goose est important parce qu’il remet en cause l’idée selon laquelle le codage autonome doit être acheté sous forme d’abonnement cloud groupé. Sa proposition la plus forte est le contrôle : les développeurs peuvent choisir le modèle, l’environnement d’exécution et la frontière des données au lieu d’accepter les tarifs et l’infrastructure d’un seul fournisseur.

Cela ne fait pas de Goose un remplacement direct de Claude Code. Le véritable test est de savoir si son coût inférieur et ses avantages en matière de confidentialité compensent les compromis en matériel, en configuration et en qualité du modèle pour un flux de travail donné. Pour les créateurs, la leçon pratique consiste à évaluer séparément l’agent, le modèle et la couche de déploiement — et à mesurer la fiabilité sur leur propre base de code avant de considérer soit un outil local gratuit, soit un accès hébergé premium comme une solution complète.