Modèle et profil de tâche
—jetons d'entrée / tâche
—capture d'écran partage de la facture
—coût / tâche
Rétention des captures d'écran : le plus gros levier de coûts
Même tâche, mêmes étapes : seul le nombre de captures d'écran précédentes reste dans les changements de contexte. Les anciennes captures d'écran d'états d'écran obsolètes améliorent rarement l'action suivante, mais elles sont toujours facturées comme de nouveaux jetons d'entrée.
| Stratégie | Jeton d'entrée/tâche | Coût / tâche | Mensuel | vs garder tout |
|---|
La boucle de capture d'écran est l'endroit où les budgets d'automatisation du navigateur meurent
Un agent informatique ne lit pas le DOM – il regarde l’écran. Chaque étape de chaque tâche est un aller-retour complet : capturez une capture d'écran, envoyez-la au modèle sous forme de jetons d'entrée de vision, récupérez une action de clic, de saisie ou de défilement, exécutez-la et capturez la capture d'écran suivante. Avec environ 1 000 à 1 600 jetons par capture d'écran (en fonction de la résolution) et 10 à 30 étapes pour une tâche de routine, l'entrée de vision éclipse à elle seule tout le reste de la demande. Le résultat textuel réel du modèle – une coordonnée et une brève justification – est trivialement petit en comparaison. Cette inversion prend les équipes au dépourvu : dans les charges de travail de chat, les jetons de sortie sont la partie la plus coûteuse ; dans l'utilisation d'un ordinateur, les dépenses représentent généralement 80 à 95 % de la facture.
L'accumulation de contexte est le multiplicateur en haut. Si l'agent conserve toutes les captures d'écran précédentes de la conversation, l'étape 15 renvoie quatorze captures d'écran obsolètes plus la capture d'écran actuelle, et le nombre total de jetons de capture d'écran augmente quadratiquement avec la longueur de la tâche : une tâche en 15 étapes à 1 200 jetons par capture d'écran brûle environ 144 000 jetons de capture d'écran avec historique complet contre environ 50 000 en ne gardant que les trois derniers. Ce paramètre de rétention unique modifie la composante de coût dominante de près de 3 fois, c'est pourquoi l'implémentation de référence d'Anthropic supprime les anciennes captures d'écran par défaut. Les mêmes calculs de contexte d'accumulation pour les agents textuels sont traités dans notre Calculateur du coût des étapes de l'agent IA; les captures d’écran ne font qu’augmenter les enjeux d’un ordre de grandeur.
Deux notes pratiques. Tout d’abord, prévoyez un budget pour les tentatives : les agents utilisant l’ordinateur échouent et réexécutent les tâches à des taux significatifs (modifications de l’interface utilisateur, délais d’attente, clics erronés), et une allocation de tentatives de 10 à 20 % fait partie de toute estimation honnête. Deuxièmement, la résolution est un véritable levier : la réduction des captures à la résolution effective du modèle avant l'envoi évite de toute façon de payer pour les pixels que le modèle rééchantillonne. Si votre charge de travail est axée sur le grattage plutôt que sur l'interaction, comparez-la à une charge de travail conventionnelle. API de grattage Web: lorsqu'aucun clic ou saisie n'est requis, les captures d'écran sont un moyen coûteux de lire une page.
Comment fonctionne cette calculatrice
Le Calculateur de coût d'agent d'utilisation d'ordinateur estime ce qu'il en coûte pour exécuter un agent d'utilisation informatique ou d'automatisation de navigateur, où chaque étape alimente un nouveau capture d'écran dans le modèle en tant que jetons de vision. Vous entrez votre modèle, le nombre de tâches par mois, les prix d'entrée et de sortie par million de jetons, le nombre de captures d'écran que vous conservez en contexte et le pourcentage de tâches ayant échoué ou tentées. À partir de ceux-ci, l’outil projette votre facture mensuelle. Le facteur clé qu’il capture est accumulation de contexte: étant donné qu'un agent parcourt de nombreuses étapes et que chaque capture d'écran coûte cher, les images conservées s'empilent sur une tâche, de sorte que le coût augmente avec les étapes, la rétention d'image et les tentatives plutôt qu'avec le seul nombre de tâches.
Le levier pratique mis en avant par cette calculatrice est la conservation des captures d’écran. Garder chaque capture d'écran précédente dans son contexte permet à chaque étape de récompenser toutes les images précédentes, donc un stratégie de maintien du dernier N - en ne conservant que les captures d'écran les plus récentes - peut réduire les factures environ deux à trois fois sans grande perte d'état utile. Le compromis à surveiller est qu'un découpage trop agressif peut supprimer le contexte dont l'agent a besoin, augmentant ainsi la échoué/réessayé taux, et les tentatives sont également facturées. Ajustez la rétention et réessayez les entrées ensemble pour trouver le point où vous dépensez le moins tout en gardant les tâches fiables.
Questions fréquemment posées
Pourquoi les agents utilisant un ordinateur sont-ils tellement plus chers que les discussions par chat ?
Un agent informatique fonctionne en boucle : capturez l'écran, envoyez-le au modèle sous forme de jetons d'entrée de vision, recevez un clic ou une action de frappe, exécutez-le, capturez à nouveau. Chaque capture d'écran coûte environ 1 000 à 1 600 jetons d'entrée en fonction de la résolution, et une seule tâche prend généralement 10 à 30 étapes. Si l'agent conserve les captures d'écran précédentes dans leur contexte, les jetons d'entrée augmentent à chaque étape : une tâche en 15 étapes conservant un historique complet peut graver bien plus de 150 000 jetons d'entrée, soit des centaines de fois une fin de conversation typique. Les jetons de vision, et non la sortie texte du modèle, dominent la facture.
Qu'est-ce que la stratégie de capture d'écran Keep-last-N et combien permet-elle d'économiser ?
Au lieu de renvoyer chaque capture d'écran précédente à chaque étape, l'agent conserve uniquement les N captures d'écran les plus récentes dans leur contexte (l'implémentation de référence d'Anthropic supprime par défaut les anciennes). Pour une tâche en 15 étapes avec 1 200 jetons par capture d'écran, conserver l'historique complet envoie environ 144 000 jetons de capture d'écran tout au long de la tâche, tout en conservant les 3 derniers envois environ 50 000 - soit une réduction d'environ 2,9 fois de la composante de coût dominante, généralement sans perte de réussite de la tâche, car les anciennes captures d'écran d'états d'écran obsolètes aident rarement à l'action suivante. Il s’agit du levier de coût le plus important dans l’utilisation d’un ordinateur.
Comment se comparent les tarifs d’utilisation de l’ordinateur Claude et ceux de l’aperçu de l’utilisation de l’ordinateur OpenAI ?
Les deux facturent des tarifs de jetons standard en boucle : utilisation d'un ordinateur de classe Claude Sonnet à 3 $/M en entrée et 15 $/M en sortie (avec un tarif promotionnel de 2 $/10 $ en vigueur jusqu'en août 2026), aperçu de l'utilisation de l'ordinateur OpenAI à 3 $/M en entrée et 12 $/M en sortie. Étant donné que les jetons de vision d'entrée dominent la charge de travail, le taux d'entrée compte le plus et les deux sont proches : la véritable différence de coût vient des étapes par tâche et de la stratégie de conservation des captures d'écran, et non du fournisseur. L'outil informatique de Claude ajoute également environ 700 à 1 200 jetons système/outil fixes par requête, que ce calculateur modélise en tant que surcharge par étape.