Tarifs d’AutoGPT : forfaits hébergés, coût de l’auto-hébergement et emplacement de la clé API

Les tarifs d’AutoGPT se déclinent en trois réponses distinctes. La plateforme AutoGPT hébergée est payante et ne propose pas de formule gratuite — Pro à 42,50 $ par mois avec facturation annuelle (50,00 $ par mois avec facturation mensuelle) et Max à 272,00 $ par mois avec facturation annuelle (320,00 $ par mois avec facturation mensuelle). L’auto-hébergement de la même plateforme ne comporte aucun frais de licence. AutoGPT Classic est gratuit, sous MIT et non pris en charge. Les trois résident dans un seul dépôt, raison pour laquelle la plupart des résumés tarifaires de ce produit sont erronés : ils citent l’un et décrivent un autre.

Le dépôt est sain, malgré ce que les anciens tutoriels peuvent laisser entendre. L’API GitHub indique que Significant-Gravitas/AutoGPT n’est ni archivé ni désactivé, n’est pas un fork, utilise la branche par défaut master, a été poussé le jour même où cette page a été vérifiée et compte 187 475 étoiles. La version la plus récente porte le tag autogpt-platform-beta-v0.8.0 et a été publiée le 19 septembre 2026, après v0.7.4 le 4 septembre et v0.7.3 le 28 août — environ chaque semaine. La chaîne du tag contient encore « beta » par héritage de nommage ; la plateforme hébergée est elle-même vendue publiquement, ne déduisez donc pas de ce mot l’existence d’une liste d’attente ou d’une version fermée.

Trois produits, un seul nom

Deux conséquences découlent de ce tableau. Premièrement, Polyform Shield est une licence donnant accès au code source, et non une licence approuvée par l’OSI — le propre texte du README est « gratuit pour un usage personnel et professionnel interne ; ne peut pas être vendu comme service hébergé concurrent » — ; la Platform n’est donc pas open source au sens de MIT, même si le marketing d’AutoGPT emploie cette expression. Seuls classic/ et le reste du dépôt sont sous MIT. Deuxièmement, si un guide vous indique de placer OPENAI_API_KEY dans un .env à côté de SMART_LLM et FAST_LLM, il décrit Classic, dont le README actuel documente exactement ces variables ainsi que Python 3.12+ avec Poetry. Il s’agit d’une cible de migration, et non d’une recommandation. Sources : README de master et classic/README.md, tous deux consultés le 21 septembre 2026.

Plateforme AutoGPT hébergée : ce que l’abonnement achète réellement

Lu sur agpt.co/pricing le 21 septembre 2026. Les montants annuels sont ceux que la page affiche par défaut ; les montants mensuels proviennent des propres attributs data-monthly de l’élément de prix dans le code source de la page, et le bouton « Save 15% » est cohérent dans les deux sens (50,00 $ × 0,85 = 42,50 $, 320,00 $ × 0,85 = 272,00 $). Team ne peut pas être acheté aujourd’hui ; considérez donc comme inventé tout montant que vous voyez cité pour cette formule.

Voici le fait qui fausse la plupart des budgets AutoGPT. L’abonnement n’est pas un forfait d’utilisation. La page tarifaire d’AutoGPT précise que les automatisations — exécution d’agents et de workflows — sont facturées à l’usage via le portefeuille de crédits, au même tarif pour toutes les formules, tandis que l’abonnement contrôle plutôt l’utilisation d’AutoPilot Chat. La FAQ de la page d’accueil l’exprime clairement : l’abonnement couvre le chat, et le portefeuille de crédits couvre les agents que vous exécutez. Ainsi, le facteur 8,5x annoncé pour Max correspond à 8,5x l’allocation de chat ; son achat ne change rien au coût d’une exécution d’agent.

Deux points où le propre texte d’AutoGPT se contredit, présentés sans être résolus. La page d’accueil indique que chaque formule « inclut suffisamment d’utilisation pour mettre les agents au travail dès le premier jour … ainsi qu’un portefeuille de crédits pour les exécutions de vos agents », tandis que le tableau comparatif affirme que vous « ne payez que les exécutions d’automatisation que vous utilisez » ; la documentation de facturation renvoie à la page tarifaire pour les détails des crédits inclus, et la page tarifaire ne publie aucun chiffre de ce type. Par ailleurs, aucune des trois pages publiques consultées ici — la page tarifaire, la FAQ de la page d’accueil et le document Credits & Billing — n’indique le prix d’un crédit en dollars, et le paiement est derrière une connexion. Confirmez les deux éléments lors du paiement avant d’établir votre budget. Cette page ne devinera ni l’un ni l’autre.

Ce que le portefeuille de crédits facture pour les tokens des modèles

AutoGPT ne publie pas de tarif par token sur sa page tarifaire, mais le code open source de la plateforme effectue le calcul au grand jour. block_cost_config.py sur master indique que les tarifs sont stockés sous la forme « crédits/1M tokens selon la conversion actuelle des crédits en USD, 1 crédit ≈ 0,01 $, marge uniforme de 1,5x par rapport au prix publié du fournisseur », avec la constante _USD_PER_1M_DIVISOR = 150 annotée « 150 = 100 cr/$ × marge de 1,5x ». La conversion du catalogue fourni avec ces deux constantes donne directement le tarif facturé.

Il s’agit des propres entrées du catalogue d’AutoGPT, converties avec les propres constantes d’AutoGPT le 21 septembre 2026 — 83 de ses entrées indiquent des tarifs par million, allant d’environ 0,12 $ à 270,00 $ par million de jetons de sortie au tarif facturé. La dernière colonne n’est renseignée que lorsque l’entrée du catalogue contient elle-même une paire provider_input_usd_per_1m / provider_output_usd_per_1m, ce qui est le cas de quatre entrées, les autres l’omettant ; diviser les crédits par 150 reproduirait plutôt le chiffre à partir duquel la marge de 1,5x a été définie, mais il s’agit du propre calcul de la marge, et non d’un tarif fournisseur publié par AutoGPT. Trois réserves comptent davantage que les chiffres. Voici ce que fait le code livré, et non un ratio qu’AutoGPT annonce quelque part sur sa page de tarification ; considérez-le donc comme une lecture du code source. Le déploiement en production superpose des remplacements propres à chaque compte à ce catalogue ; votre compte peut donc différer. Enfin, les identifiants de modèles changent chaque semaine, raison pour laquelle l’affirmation durable porte sur le mécanisme à 1,5x, et non sur un nom de modèle particulier.

Une conséquence impliquée par le code, mais qu’aucune documentation n’énonce : la facturation en crédits du bloc LLM est filtrée selon un identifiant d’identifiants d’accès associé aux propres identifiants système de la plateforme, littéralement intitulés « Use Credits for OpenAI » et « Use Credits for Anthropic ». Un identifiant d’accès que vous avez ajouté vous-même possède un autre identifiant et ne correspond à aucune entrée de coût. Indépendamment, le module de limitation du débit du chat d’AutoGPT indique clairement que les exécutions pour lesquelles l’utilisateur a fourni sa propre clé API ne décrémentent pas le compteur du chat : « l’utilisateur paie le fournisseur, pas nous ». L’utilisation de votre propre clé semble donc avoir une importance économique sur la plateforme hébergée, même si l’utilisation de votre propre endpoint y est impossible — mais cette première moitié est une lecture du code, et non un résultat de facturation testé sur un compte payant. Vérifiez-la sur votre propre facture avant de vous y fier.

Coût d’AutoGPT auto-hébergé : pas de frais de licence ne signifie pas absence de coût

L’installation elle-même consiste en un git clone, une copie de .env.default et docker compose up -d --build. Consultez le statut de l’installateur de la version avant de vous organiser en conséquence : le README indique que l’installateur de version pour conteneur unique sous Linux et macOS « arrive avec la prochaine version de l’appliance » et que les utilisateurs Windows doivent pour l’instant continuer à suivre le guide manuel. Vérifiez de nouveau cette ligne avant de l’adopter comme standard, car elle est appelée à changer.

Voici un autre coût d’auto-hébergement qu’il est facile de sous-estimer. Le texte de dépannage d’AutoGPT indique qu’AutoPilot fournit une invite système d’environ 8 000 jetons et que, sur 4 cœurs CPU, un modèle 8B Q4 est prérempli à environ 3 à 4 jetons par seconde, « si bien qu’un nouveau tour prend environ 35 à 45 min avant même de commencer à générer ». Un GPU grand public ramène cette durée à quelques secondes. Il s’agit du meilleur argument avancé par AutoGPT pour diriger l’endpoint de chat vers une API hébergée plutôt que vers un matériel local limité au CPU — et d’un chiffre publié concernant l’inférence locale, pas d’une mesure effectuée ici.

La question de la clé API AutoGPT se divise en deux

AutoGPT possède deux surfaces de configuration LLM indépendantes, et sa documentation énonce elle-même le problème : « les deux chemins lisent des variables d’environnement différentes, donc configurer l’un ne configure pas l’autre ». Les anciens tutoriels et les pages d’agrégateurs les confondent constamment.

La limite de la couche des blocs est structurelle, et non un paramètre que quelqu’un aurait oublié d’exposer. Dans blocks/llm.py, les fournisseurs acceptés sont exactement AIML_API, ANTHROPIC, GROQ, OLLAMA, OPENAI, OPEN_ROUTER, LLAMA_API, V0. Dans util/llm/providers.py, le client OpenAI est construit comme openai.AsyncOpenAI(api_key=api_key) sans paramètre base_url sur ce chemin, et Anthropic et Groq fonctionnent de la même manière ; l’utilitaire compatible avec OpenAI qui accepte une URL de base n’est atteint qu’avec quatre URL codées en dur. Ainsi, quiconque vous dit de « modifier simplement l’URL de base dans AutoGPT » décrit un autre produit. Le seul champ d’hôte modifiable, celui d’Ollama, est protégé par un contrôle SSRF vérifié par rapport à une liste de confiance configurée par l’opérateur, et la documentation d’AutoGPT indique clairement qu’Ollama « n’est disponible qu’en auto-hébergement… Il ne peut pas être utilisé avec la version hébergée dans le cloud ».

L’agent de chat est la surface qu’AutoGPT lui-même autorise pour un endpoint externe. Son guide des LLM locaux cite « une API gérée compatible avec OpenAI que vous ne payez pas à AutoGPT » comme cible prise en charge et commence par « Auto-hébergement uniquement — le déploiement agpt.co dans le cloud fait passer AutoPilot par Anthropic / OpenRouter et ignore les variables ci-dessous ». Aucun forfait — Pro, Max ou le futur Team — ne déverrouille une URL de base personnalisée. La contrainte dépend du mode de déploiement, et non du niveau tarifaire.

# Self-hosted AutoPilot chat only. These variables do NOT configure the
# agent-graph LLM blocks, and the cloud deployment ignores them entirely.
CHAT_USE_LOCAL=true
CHAT_BASE_URL=https://api.kunavo.com/v1
CHAT_API_KEY=sk-...
CHAT_FAST_STANDARD_MODEL=claude-sonnet-4-6

Quatre limites documentées à connaître avant d’emprunter cette voie, toutes issues du même guide. Le raisonnement étendu n’est pas disponible avec le transport local et rétrograde automatiquement vers le modèle rapide ; l’événement est consigné au niveau WARNING au lieu d’échouer. Depuis l’intérieur des conteneurs, l’URL de base ne doit pas être 127.0.0.1 ni localhost, et CHAT_API_KEY ne revient délibérément pas à OPENAI_API_KEY. Les backends qui ne signalent pas de fenêtre de contexte — le guide cite le proxy LiteLLM, Jan et text-generation-webui — utilisent par défaut 32k, quelle que soit la fenêtre réelle du modèle. Et ce paramètre ne concerne pas uniquement le chat : le même client sert au simulateur de blocs en mode dry-run, à l’extraction d’intégration, à la compression des invites et au passage nocturne de rêve ; prévoyez donc davantage que les seuls tours de chat visibles. Kunavo ne fournit aucun modèle d’embeddings ; l’étape d’embedding de la recherche marketplace n’est donc pas couverte par Kunavo sur ce chemin non plus — et AutoGPT verrouille de toute façon cette substitution, puisque la colonne pgvector est déclarée vector(1536) et que toute insertion d’une autre dimension échoue.

Meilleur modèle pour AutoGPT : choisissez le mécanisme, pas l’identifiant

La plateforme hébergée ne vous demande pas de deviner. Sa valeur par défaut est celle que le catalogue livré désigne comme entrée GA recommandée — llm_models.py l’énonce ainsi : « la valeur par défaut de la plateforme EST le modèle recommandé du catalogue — un fait, un emplacement », en prenant la première entrée recommandée activée qui est également GA. Le 21 septembre 2026, cela correspond à GPT-5.6 Terra. Comme le catalogue change chaque semaine, le mécanisme est le fait important à retenir ; l’identifiant ne l’est pas.

Le levier qui modifie réellement la facture d’un agent n’est pas le choix du modèle, mais la boucle de nouvelle tentative, et AutoGPT fournit un contrôle à cet effet : la page de tarification indique « Plafonds budgétaires LLM par tâche — définissez max_budget_usd pour limiter les dépenses LLM de toute tâche ». Définissez-le avant d’ajuster les modèles. Notez également que les lignes marketing de la page de tarification et le catalogue livré ne constituent pas la même liste — la page annonce des « modèles de pointe d’Anthropic, OpenAI, Google, xAI, Meta, Mistral, Cohere et d’autres » et cite une ligne Claude composée d’Opus 4.7/4.6/4.5, Sonnet 4.6/4.5 et Haiku 4.5, tandis que le catalogue de code sur master contient encore d’autres entrées. Vérifiez ce que le sélecteur de votre propre compte propose, plutôt que de vous fier à l’une ou l’autre liste.

Sur un AutoPilot auto-hébergé dirigé vers votre propre endpoint, les contraintes prennent une autre forme. Le transport local transmet votre identifiant de modèle tel quel ; il doit donc s’agir d’un identifiant résolu par votre propre endpoint. Le guide d’AutoGPT demande des noms de modèles nus parce que son exemple en cours d’exécution utilise Ollama, qui ne peut pas résoudre un identifiant provider/model. Le chemin du raisonnement étendu n’est pas disponible ; un modèle axé sur le raisonnement vous apporte donc moins que ne le laisserait penser son tarif. Un modèle dont la véritable fenêtre de contexte n’est pas annoncée par votre endpoint est traité comme un modèle de 32k. Choisissez d’abord en fonction du chemin rapide et vérifiez que la fenêtre est signalée.

Estimation détaillée pour le chemin de chat auto-hébergé

Il s’agit d’un calcul illustratif de jetons, et non du coût mesuré d’une tâche ni d’un plafond de facturation. Supposons une journée d’AutoPilot auto-hébergé qui envoie 400 000 jetons d’entrée non mis en cache — une invite système d’environ 8 000 jetons renvoyée à chaque tour, plus une conversation qui s’allonge — et reçoit 25 000 jetons de sortie. Les tarifs sont ceux des prix actuels du catalogue Kunavo par million de jetons.

Multipliez par le nombre de jours de votre propre usage avant d’en faire un budget, et notez ce que cette estimation compare ou ne compare pas. Elle ne remplace pas l’abonnement à la plateforme hébergée, qui achète le service géré, la marketplace et les identifiants qu’AutoGPT fournit pour ses intégrations — l’auto-hébergement vous fait renoncer à tout cela. Le montant du catalogue Kunavo constitue un plancher de facturation, et non un plafond : lorsque l’amont signale son coût, la facture correspond au montant le plus élevé entre le coût du catalogue et le coût amont multiplié par la majoration applicable. Les frais de cache et les outils externes ne sont pas inclus dans cet exemple. Le rechargement minimal Kunavo est de $10 de crédit prépayé, un minimum de financement plutôt que des frais de tâche ou un abonnement — consultez les détails de facturation.

Quelle route l'emporte selon le cas

Si la réponse est une passerelle sur le chemin du chat, la configuration consiste en une URL de base compatible avec OpenAI et une clé — commencez par le démarrage rapide de Kunavo et créez un compte lorsque vous êtes prêt à en financer un. Conservez une voie fonctionnelle pendant vos essais, exécutez une tâche limitée, puis consultez ce que votre compte a réellement enregistré. Pour une comparaison plus large, l’API compatible avec OpenAI couvre le protocole, les alternatives à OpenRouter comparent la passerelle existante qu’AutoGPT compile, et le répertoire des API d’agents IA indique où se situe la limite de configuration de chaque client. Si vous budgétez un outil de création de workflows plutôt qu’une plateforme d’agents, le coût de l’API IA n8n et le coût de l’API Dify appliquent la même séparation entre les frais logiciels et les jetons de modèle.

Questions fréquentes

Vérifié le 21 septembre 2026 : tarification et contenu de la page d’accueil d’agpt.co, documentation Credits & Billing, API GitHub pour l’état du dépôt et les dates de publication, sources master de README.md, classic/README.md, blocks/llm.py, util/llm/providers.py, block_cost_config.py et du catalogue de modèles, ainsi que la documentation d’AutoGPT sur les LLM locaux et Ollama. N’ont pas été établis ici et sont délibérément absents : la valeur en dollars d’un crédit, l’inclusion éventuelle de crédits de démarrage dans un forfait, le montant absolu de l’allocation de chat et l’existence éventuelle d’un essai. Kunavo n’a effectué aucun test de compatibilité avec AutoGPT ; le chemin CHAT_BASE_URL indiqué ci-dessus est le scénario documenté par AutoGPT, et chaque exemple en dollars correspond à un calcul illustratif de jetons, non au coût mesuré d’une tâche.