Goose de Block défie le prix à 200 dollars de Claude Code avec une IA locale open source

Goose, l’outil open source de Block, s’impose comme une alternative moins coûteuse à Claude Code d’Anthropic, en proposant aux développeurs un agent d’IA capable d’écrire, d’exécuter, de tester et de déboguer des logiciels depuis un terminal ou une interface de bureau. Contrairement aux formules d’abonnement de Claude Code, que VentureBeat a indiquées entre 20 et 200 dollars par mois, Goose peut fonctionner localement avec un modèle open source et ne nécessite pas de frais récurrents pour l’agent lui-même.

La distinction est importante alors que les développeurs débattent de savoir si les outils premium de codage par IA justifient leurs prix et leurs restrictions d’utilisation. Goose n’est pas un remplacement direct des modèles les plus puissants d’Anthropic dans tous les flux de travail, mais sa conception locale et agnostique au modèle donne aux développeurs davantage de contrôle sur les données, le choix du modèle et les coûts d’exploitation.

Le prix de Claude Code met sous pression les outils de codage premium

Selon VentureBeat, Claude Code d’Anthropic est disponible via des niveaux d’abonnement payants. L’offre Pro signalée coûte 17 dollars par mois avec facturation annuelle, ou 20 dollars par mois si elle est réglée mensuellement, tandis que les offres Max coûtent 100 et 200 dollars par mois. La publication a indiqué que ces formules imposent des quotas de prompts ou d’utilisation qui peuvent être rapidement consommés lors de sessions de développement intensives.

VentureBeat a également rapporté qu’Anthropic a introduit des limites hebdomadaires pour les utilisateurs de Claude Code, exprimées en heures d’accès à Sonnet 4 et Opus 4. Ces chiffres ne correspondent pas clairement à des heures de travail, car la consommation réelle dépend du volume de tokens, de la taille de la base de code, de l’historique de la conversation et de la complexité de la tâche.

Anthropic aurait déclaré que moins de 5 % des utilisateurs sont concernés par ces limites et a décrit les plus gros consommateurs comme des personnes faisant tourner Claude Code en continu en arrière-plan. Les informations disponibles ne précisent pas si ce pourcentage concerne l’ensemble des utilisateurs ou un groupe d’abonnement particulier. Cette incertitude rend difficile l’évaluation de l’ampleur du différend à partir des seules informations publiques.

Pour les développeurs, la question centrale est la prévisibilité. Un abonnement qui semble généreux sur le papier peut devenir coûteux ou restrictif lorsqu’un agent relit sans cesse des fichiers, exécute des tests, révise du code et maintient un long contexte. Cela est particulièrement pertinent pour les développeurs indépendants et les petites équipes sans budget d’entreprise.

Goose déplace le coût de l’abonnement vers l’infrastructure

Goose, développé par Block, adopte une approche différente. C’est un agent d’IA sur la machine qui peut se connecter à des API commerciales ou fonctionner avec un modèle hébergé sur l’ordinateur de l’utilisateur. Sa documentation décrit un système capable d’installer des logiciels, d’exécuter des commandes, de modifier des fichiers, de tester des projets et de travailler avec des services externes plutôt que de simplement suggérer des extraits de code.

L’agent est agnostique au modèle. Les développeurs peuvent le connecter à Anthropic, OpenAI, Google, Groq ou OpenRouter, entre autres fournisseurs, ou l’associer à Ollama pour exécuter un modèle local. Avec cette configuration, l’agent logiciel lui-même est gratuit et le code peut rester sur la machine du développeur. Une utilisation hors ligne est également possible lorsque le modèle choisi est installé localement.

Cela ne signifie pas pour autant que l’IA locale est gratuite dans tous les sens pratiques. Les utilisateurs ont toujours besoin d’un matériel adapté, de stockage, d’électricité et de temps pour configurer le système. Un développeur utilisant une API payante via Goose continuerait également à engager des coûts de modèle. L’avantage financier est le plus fort pour les utilisateurs qui disposent déjà d’un matériel performant et choisissent un modèle local.

VentureBeat a cité les recommandations de Block indiquant que 32 gigaoctets de RAM constituent une base raisonnable pour les modèles plus grands et les sorties plus longues, tandis que des modèles plus petits peuvent fonctionner sur des systèmes dotés de 16 gigaoctets. Les performances varieront selon le modèle, le matériel, la longueur du contexte et la présence ou non d’un GPU dédié.

Les preuves de l’attrait de Goose restent mitigées

Le signal d’adoption le plus fort dans le rapport est l’activité GitHub de Goose. VentureBeat a indiqué que le projet comptait plus de 26 100 étoiles, 362 contributeurs et 102 versions, la version 1.20.1 étant sortie le 19 janvier 2026. Les étoiles GitHub et le nombre de contributeurs indiquent un intérêt et une participation, mais ne démontrent ni l’utilisation active, ni les déploiements en production, ni le remplacement commercial de Claude Code.

Les affirmations sur les capacités doivent également être nuancées. Goose peut effectuer des tâches agentiques via l’appel d’outils et se connecter au Model Context Protocol, ce qui permet d’accéder aux systèmes de fichiers, aux bases de données, aux outils de recherche et aux API tierces. Cependant, la qualité de ces opérations dépend fortement du modèle sous-jacent et des garde-fous entourant l’exécution des commandes.

La source citée s’est appuyée sur le Berkeley Function-Calling Leaderboard pour soutenir l’idée que les modèles Claude d’Anthropic performent actuellement bien dans l’usage des outils. Elle a également mis en avant les modèles ouverts de Meta, Alibaba, Google et DeepSeek comme alternatives en amélioration. Il s’agit de signaux de benchmark et de positionnement produit, et non de la preuve que tout modèle local égalera Claude Code sur des dépôts complexes.

Il existe des compromis pratiques. Les modèles locaux peuvent être plus lents, offrir des fenêtres de contexte par défaut plus courtes et nécessiter davantage de configuration qu’un produit hébergé. Les systèmes propriétaires peuvent aussi offrir un cache plus abouti, des sorties structurées, un meilleur comportement de débogage et du support. À l’inverse, conserver le code source sur l’appareil peut réduire l’exposition aux services externes et simplifier les flux de travail hors ligne, sous réserve de la sécurité de la machine locale et de la pile de modèles.

Ce que ce choix signifie pour les développeurs et les entreprises

Pour les développeurs individuels, Goose rend plus accessible l’expérimentation avec le codage autonome. Une équipe peut commencer avec un plus petit modèle local, le connecter à un dépôt contrôlé et évaluer si les flux de travail agentiques améliorent les tests, la documentation, le refactoring ou la mise en place d’un projet avant de s’engager dans un abonnement premium.

Pour les équipes produit, la question la plus importante n’est pas de savoir si Goose est simplement « le même » que Claude Code. Il s’agit de déterminer si l’équipe valorise davantage la qualité du modèle, la rapidité et la facilité de déploiement que le contrôle et des coûts d’infrastructure prévisibles. Un flux Claude hébergé peut être préférable pour les tâches difficiles et les grandes bases de code, tandis que Goose peut convenir aux dépôts sensibles, au travail hors ligne ou à l’automatisation interne répétable.

Les entreprises devront examiner plus que la licence. Le déploiement local peut soutenir les exigences de résidence des données et de confidentialité, mais il transfère à l’organisation la responsabilité du matériel, des correctifs, des contrôles d’accès, des mises à jour du modèle, de la surveillance et des permissions de l’agent. Un agent capable d’exécuter des commandes sur un dépôt a également besoin de points de validation, d’un sandboxing, de journaux d’audit et de limites claires sur l’accès externe.

La pression concurrentielle dépasse un seul outil. Goose rejoint des projets comme Cline et Roo Code, tandis que Cursor, GitHub Copilot et d’autres assistants commerciaux rivalisent sur l’expérience utilisateur intégrée. Si les modèles ouverts continuent de progresser, les produits payants devront peut-être justifier leurs prix par la fiabilité, la gestion du contexte, la sécurité, les fonctions de collaboration et le support opérationnel, et pas seulement par l’accès au modèle.

Ce qu’il faut surveiller ensuite

Les signaux les plus clairs seront de voir si l’activité des contributeurs de Goose se traduit par une utilisation durable et une adoption en production, et si Block continue de publier des versions au rythme annoncé. Les développeurs devraient également surveiller les améliorations de l’appel d’outils des modèles locaux, la prise en charge des fenêtres de contexte, la latence et l’efficacité matérielle.

La réponse d’Anthropic comptera aussi. Des changements dans les limites de Claude Code, des explications d’usage plus claires, des offres à moindre coût ou des contrôles d’entreprise plus solides pourraient réduire l’attrait des alternatives. Du côté de Goose, les tests clés concernent la friction d’installation, la gestion des permissions, la reprise après échec et les performances sur de grandes bases de code réelles plutôt que des démonstrations sur des tâches isolées.

Perspective Creati.ai

L’importance de Goose tient moins au fait qu’il rendrait Claude Code obsolète qu’au fait qu’il met en lumière une nouvelle ligne de fracture dans le développement logiciel par IA. Le marché sépare l’interface de l’agent du fournisseur du modèle, permettant aux utilisateurs de choisir où s’effectue l’inférence et le niveau de contrôle qu’ils conservent.

Cette flexibilité n’éliminera pas la valeur des modèles hébergés, en particulier pour les travaux d’ingénierie exigeants. Mais elle offre aux développeurs un moyen crédible de tester des agents locaux et pousse les fournisseurs à rendre les limites d’utilisation, les pratiques de confidentialité et le coût total plus faciles à comprendre. Pour les créateurs d’IA et les acheteurs d’entreprise, la décision stratégique devient autant une question de déploiement qu’une question de qualité du modèle.