Claude Code coûte 100 $/mois – OpenCode fait la même chose gratuitement
En mars 2026, Lenny Rachitsky a publié un article au titre sans ambiguïté : « Everyone should be using Claude Code ». Le texte a fait le tour de LinkedIn, accumulé des centaines de milliers de vues, et depuis, chaque semaine, un manager demande : comment l’essayer ?
La réponse est inconfortable. Claude Code nécessite un abonnement Anthropic Max à 100 $ par mois. C’est un outil extraordinaire – mais c’est aussi un outil verrouillé derrière un seul fournisseur, un seul modèle, et un prix que la plupart des managers n’ont aucune raison de payer pour des tâches non techniques. Cela crée une situation étrange : l’un des outils IA les plus discutés de l’année est, pour une grande partie de son audience, soit trop cher, soit inaccessible.
Il existe une alternative directe. OpenCode – un projet open source qui fait exactement la même chose, fonctionne avec n’importe quel modèle (y compris des options gratuites), et s’installe en 15 minutes.
Ce qu’est Claude Code et pourquoi tout le monde en parle
Commençons par l’essentiel, parce que la plupart des articles passent à côté du principal.
Claude Code n’est pas un chat. C’est un agent qui s’exécute sur votre ordinateur et travaille directement avec vos fichiers. Vous lui donnez une tâche en langage naturel – « fais un résumé de tous les comptes-rendus de réunions de mars » – et il ouvre les fichiers, les lit, les analyse, et renvoie le résultat. Sans copier-coller, sans chargement manuel de documents, sans limite de taille de contexte.
C’est exactement ce que voulait dire Lenny : l’outil supprime la friction entre l’intention et le résultat. Vous ne travaillez pas avec une interface IA – vous travaillez avec vos fichiers à travers l’IA.
Pour un manager, c’est plus important qu’il n’y paraît. Une étude de Workday a montré que seuls 14 % des employés tirent un bénéfice réel de l’IA – ceux qui ont intégré l’outil dans leur travail de manière systématique. L’approche agentique, où l’IA accède elle-même aux fichiers nécessaires, abaisse précisément la barrière de cette systématicité.
Mais Claude Code a un problème d’accessibilité – et c’est là qu’OpenCode entre en scène.
OpenCode : le même principe, sans les barrières
OpenCode est un projet open source. On le présente comme « the open source AI coding agent », mais le nom est trompeur : l’agent travaille avec n’importe quel fichier texte, pas seulement du code.
Le principe est identique à Claude Code : un agent en ligne de commande qui lit et modifie les fichiers sur votre ordinateur, répond à des instructions en langage naturel et sait enchaîner des actions. La différence clé – la modularité. OpenCode n’est pas lié à Anthropic. Il fonctionne avec n’importe quel fournisseur.
Anticipons – il existe aussi une version bureau. On y reviendra un peu plus loin.
Cela change la donne pour quiconque cherche à éviter le verrouillage fournisseur ou le prix de 100 $/mois :
- DeepSeek – un modèle puissant avec un niveau gratuit généreux et des tarifs API parmi les plus bas du marché
- Google Gemini – fonctionne via API, avec un niveau gratuit incluant Gemini 2.5 Flash
- OpenRouter – un agrégateur donnant accès à des dizaines de modèles, y compris des options économiques pour les tâches routinières
- Modèles locaux (Ollama) – sans internet et sans frais, si vous disposez de suffisamment de RAM et de CPU
Pour ceux qui ont accès à Claude via API, OpenCode le supporte également. Mais l’essentiel, c’est que l’accès à Claude n’est pas obligatoire.
Détail technique important : OpenCode n’est ni un script ni un wrapper. C’est une application complète avec deux modes de fonctionnement : build (accès complet, l’agent peut créer et modifier des fichiers) et plan (lecture seule, analyse uniquement). Pour la plupart des tâches managériales, le mode plan est un point d’entrée raisonnable : l’agent lit vos fichiers, mais ne les touche pas.
Ces tâches fonctionnent parce que les prompts sont bien construits. Le module ouvert – 9 leçons qui enseignent exactement cela. Gratuit, sans installation.
Sans paiement requis • Notification au lancement
À quoi ressemble le dossier de travail d’un manager
Avant de passer aux tâches – il faut comprendre comment l’agent voit votre travail. Il ne connaît rien d’autre que les fichiers dans le dossier courant. La structure du dossier, c’est votre contexte.
Voici comment peut être organisé un dossier de projet avec lequel l’agent va travailler :
Le fichier CONTEXT.md – optionnel, mais utile. Il contient une description brève du projet, l’équipe, les priorités actuelles. L’agent le lira en premier et l’utilisera comme toile de fond pour toutes les tâches. Une page de texte économise des dizaines de questions de clarification.
Le dossier templates/ – des modèles de formats de sortie. Vous les créez une fois : à quoi ressemble un post Slack, un email au responsable, quel format pour un document Notion. L’agent les utilise comme référence de ton et de structure.
Le dossier output/ – c’est là que l’agent dépose les résultats. Les originaux restent intacts (surtout en mode plan).
Cette structure n’est pas un dogme. Mais plus les fichiers sont organisés clairement, plus l’agent travaille avec précision. Un dossier chaotique avec 200 fichiers sans structure – et l’agent se perd tout autant qu’un humain.
Trois tâches pour commencer
Un agent en ligne de commande – ce n’est pas un substitut au chat. C’est un outil pour les tâches où l’IA doit travailler avec de vrais fichiers, pas avec des fragments que vous avez copiés manuellement. Les trois exemples ci-dessous utilisent la structure de dossier décrite plus haut.
Tâche 1 : notes de trois réunions → tableau de tâches en 2 minutes
Lundi classique. De la semaine précédente, il reste des notes : sync avec la direction, revue technique avec l’architecte, brainstorming sur une nouvelle fonctionnalité. Tout dans un seul fichier, en vrac – qui a dit quoi, quelles tâches, quelles décisions. Situation familière.
Vous ouvrez le dossier contenant les notes et écrivez à l’agent (fichier de cet exemple) :
Extrais de meeting-notes.md toutes les tâches, organise-les par responsable, ajoute la priorité. Format : tableau avec les colonnes Tâche, Responsable, Échéance, Priorité.
L’agent lit le fichier, identifie les tâches, les répartit par personne. En sortie – un tableau structuré :
Manuellement : 30 minutes de relecture et de structuration. Avec l’agent : 2 minutes, vérification du résultat incluse.
Tâche 2 : 5 entretiens clients → tendances avec citations
Cinq entretiens clients menés en une semaine. Chacun – 3 à 4 pages de transcription. Le responsable demande les insights clés pour le digest hebdomadaire. Lire les cinq manuellement – 2 heures minimum.
Analyse tous les fichiers dans le dossier interviews/. Identifie les 3 principaux points de friction avec leur fréquence de mention. Pour chacun, ajoute des citations confirmant l'analyse. Format : pour un digest destiné à la direction.
Détail clé : l’agent travaille avec le dossier entier – pas besoin de copier chaque entretien séparément. Il voit les cinq fichiers, repère les tendances récurrentes, les regroupe et les confirme avec des citations tirées de conversations spécifiques.
Remarque pratique : il vaut mieux travailler en mode plan, pour que l’agent ne puisse pas modifier accidentellement les originaux. Et vérifier le résultat – comme le montre le cas OpenClaw, les agents « inventent » parfois des détails absents de la source.
Tâche 3 : un document → trois formats pour différents publics
Vous avez un brouillon de digest hebdomadaire. Le responsable a besoin d’un résumé par email. L’équipe – d’un post Slack. Pour la base de connaissances – un document Notion. Mêmes données – trois tons et formats. Écrire manuellement trois versions : 40 à 60 minutes.
À partir du fichier weekly-digest.md, crée trois versions : 1. Post Slack pour l'équipe – court, informel, avec des emojis 2. Email pour le responsable – focus stratégique, 5 paragraphes 3. Document Notion – détaillé, pour archivage, avec des liens Rassemble le tout dans un seul fichier digest-final.md.
L’agent crée trois versions avec une structure, un ton et un niveau de détail différents. Le post Slack – 5 lignes. L’email – avec des conclusions et des recommandations. Le Notion – une analyse complète. Jugez par vous-même.
Au total, trois tâches : 4 heures de travail manuel → ~15 minutes avec l’agent. Non pas parce que l’agent est « plus intelligent » – parce qu’il lit les fichiers directement, sans copier-coller manuel.
Mais il y a une nuance invisible dans les exemples ci-dessus. Les prompts de ces tâches ont l’air simples – et ils le sont. La complexité commence quand le résultat doit être non pas « à peu près correct », mais précis. Une légère reformulation – et l’agent se met à inventer des tâches absentes des notes, ou à fusionner des citations de différents entretiens en une seule. La différence entre « ça marche » et « ça marche de manière fiable » – c’est la compétence de formulation des tâches pour l’IA. Et c’est précisément cette compétence qui détermine si l’agent deviendra partie intégrante de votre rythme de travail ou restera une expérience d’un soir.
Installation en 15 minutes
OpenCode propose deux interfaces : une application bureau avec une fenêtre de chat classique et un client en ligne de commande pour ceux qui sont à l’aise avec le terminal. Les fonctionnalités sont identiques – seule l’enveloppe change.
Si vous n’utilisez pas le terminal régulièrement – commencez par la version bureau. C’est une application classique : téléchargez, installez, ouvrez le dossier contenant vos fichiers, et commencez à travailler. Aucune commande, aucun cd dans le bon répertoire.
Version bureau (recommandée pour débuter)
Téléchargez l’installateur pour votre système depuis opencode.ai/download. macOS, Windows, Linux – tous sont supportés.
Après l’installation :
- Ouvrez l’application
- Indiquez le dossier contenant vos fichiers de travail
- Au premier lancement, l’application demandera le fournisseur et la clé API. Des versions gratuites des modèles sont disponibles. Elles sont plus lentes, mais permettent de commencer.
L’interface ressemble à un chat classique – vous saisissez une tâche en français, vous obtenez le résultat. L’agent voit tous les fichiers dans le dossier sélectionné et travaille avec eux directement.
Version terminal (pour les utilisateurs avancés)
Si vous êtes à l’aise dans le terminal – le client en ligne de commande est plus rapide et plus minimaliste. Pas de fenêtres superflues, tout au même endroit. Les instructions à jour sont disponibles dans la documentation officielle.
Après l’installation, rendez-vous dans le dossier contenant vos documents de travail et lancez :
| |
L’interface terminal s’ouvre. Saisissez une tâche en français – par exemple : « Lis tous les fichiers .md dans ce dossier et dresse la liste de toutes les tâches mentionnées comme non terminées ».
Configuration du fournisseur
Le moyen le plus simple de commencer – choisir OpenCode Zen. C’est un ensemble de modèles sélectionnés et testés par l’équipe OpenCode. Les modèles gratuits sont inclus – vous pouvez essayer l’agent sans dépenser un centime.
Si vous avez besoin d’un modèle spécifique – OpenCode fonctionne avec n’importe quel fournisseur via clé API. Pour DeepSeek, la clé s’obtient sur platform.deepseek.com ; pour Gemini – dans Google AI Studio (ai.google.dev). Gemini offre un niveau API gratuit avec plusieurs modèles (dont Gemini 2.5 Flash), suffisant pour une découverte complète de l’outil. Les deux services acceptent l’inscription sans restriction géographique.
Vous avez installé OpenCode, mais vous n'êtes pas sûr de formuler vos tâches correctement ? Le module ouvert – 9 leçons sur des cas managériaux réels. Il montre comment écrire des prompts qui donnent un résultat prévisible.
Sans paiement requis • Notification au lancement
Ce qui peut mal tourner
La section honnête que les tutoriels oublient généralement.
L’agent ne trouve pas les fichiers
Le problème le plus fréquent – lancer OpenCode depuis le mauvais répertoire. L’agent travaille avec les fichiers du dossier courant et de ses sous-dossiers. Si vous l’avez lancé depuis le répertoire personnel, il ne voit pas les documents qui se trouvent dans Documents/Work/Q1-reports. Solution : toujours faire cd dans le bon dossier avant de lancer.
Le résultat contient des hallucinations
Les agents LLM « inventent » parfois des détails absents de la source. Surtout lorsqu’ils travaillent avec un grand nombre de fichiers simultanément. Règle simple : pour les tâches à conséquences (noms de responsables, délais, décisions) – vérifier le résultat par rapport à l’original. Cela prend 2 à 3 minutes, mais ça en vaut la peine.
Le modèle ne comprend pas le contexte
Les modèles économiques ou de petite taille gèrent mal les longs documents et les instructions complexes. Si le résultat est décevant – essayez un modèle plus puissant. DeepSeek V3 ou Gemini 3 Pro surpassent nettement les options minimales sur les tâches analytiques complexes.
Droits d’accès sur macOS
Au premier lancement, macOS peut bloquer OpenCode avec le message « développeur non identifié ». Dans les réglages de sécurité (Réglages du système → Confidentialité et sécurité), vous devez autoriser explicitement le lancement. C’est une procédure standard pour tout outil open source.
La langue fonctionne de manière imprévisible
Les différents modèles gèrent les instructions en français de manière variable. DeepSeek et Gemini comprennent bien le français. Pour les modèles locaux via Ollama – mieux vaut rédiger les instructions en anglais, même si les documents sont en français. Quel modèle gère le mieux votre type de tâches – consultez notre benchmark de 54 modèles.
Point distinct – ne pas donner à l’agent accès à des données confidentielles. Le problème des fuites de données en contexte professionnel n’est pas une abstraction. OpenCode envoie le contenu des fichiers à l’API du fournisseur choisi. Pour les documents contenant des données personnelles d’employés, des rapports financiers ou des documents sous NDA, il faut y réfléchir avant de lancer l’agent.
Ce que cela change dans le travail d’un manager
Ici, il faut s’arrêter et répondre honnêtement à la question : pourquoi, au fond ?
Le chat avec l’IA – c’est déjà familier. ChatGPT, Claude, Gemini – la plupart des managers ont essayé au moins l’un d’entre eux. Et beaucoup en ont gardé l’impression : intéressant, mais ça ne s’est pas intégré au quotidien. Trop de travail manuel pour préparer le contexte.
L’agent supprime précisément cette barrière. Plus besoin de copier des fragments dans un chat, de réfléchir aux limites de contexte, de charger les fichiers un par un. L’agent va lui-même là où se trouvent les données.
Eleanor Konik, autrice d’une newsletter populaire, a décrit ce basculement mieux que beaucoup d’autres : « Je n’essaie pas de faire les choses plus vite – j’essaie de les faire avec moins d’attention ». Les tâches qui autrefois ne se faisaient tout simplement pas – non parce qu’elles étaient difficiles, mais parce qu’elles exigeaient un changement de contexte et des clics routiniers – s’exécutent désormais en arrière-plan. Ce n’est pas une question de vitesse. C’est une question de réduction de la charge cognitive sur ce qui ne mérite pas votre attention.
Concrètement, cela signifie un glissement : de « j’utilise parfois l’IA pour des tâches isolées » à « l’IA fait partie de mon rythme opérationnel ». L’analyse des 300 heures que l’IA systématiquement intégrée rend au manager montre que la différence ne tient pas à la magie d’un outil particulier, mais à la régularité et à la systématicité de son utilisation.
OpenCode est un outil qui facilite cette systématicité. Il ne la garantit pas. Il la facilite.
Il y a aussi des limites qu’il faut reconnaître. L’agent ne remplace pas le jugement. Il excelle à « trouver », « regrouper », « structurer ». Il est mauvais à « décider ce qui est le plus important » ou « déterminer à qui faire confiance ». Cela reste votre travail.
Et c’est normal. Le pattern Co-Pilot – ce n’est pas un remplacement des décisions, mais une accélération de leur préparation. L’agent prend en charge la partie laborieuse de l’analyse, le manager – le jugement final. C’est précisément cet équilibre qui produit un gain réel, et non une illusion d’automatisation.
Fait surprenant : les données les plus honnêtes sur les résultats ne viennent pas des éditeurs, mais des études de productivité en entreprises réelles : l’IA fait gagner du temps sur les tâches, mais crée une charge supplémentaire de vérification des résultats. Le gain net existe, mais il est inférieur à ce que promet le marketing.
OpenCode, en ce sens, est un outil honnête. Il ne promet pas de magie. Il supprime simplement une partie de la friction entre l’intention et les fichiers.
La question qu’on pose rarement
Lenny Rachitsky écrit que tout le monde devrait utiliser Claude Code. C’est une affirmation forte. Et elle est probablement juste – pour un certain profil d’utilisateur.
Ce profil : une personne qui travaille régulièrement avec de gros volumes de données textuelles, qui est suffisamment à l’aise dans le terminal, et qui est prête à investir quelques heures dans la configuration initiale en échange d’un gain de temps systématique par la suite.
Si ce n’est pas votre profil en ce moment – ce n’est pas un problème. Cela signifie que le bon point d’entrée dans les agents IA est différent. Peut-être faut-il commencer par comprendre quelles tâches méritent d’être déléguées à l’IA, et lesquelles non. Notre étude de 52 modèles montre que l’écart entre le « meilleur » modèle et le modèle « accessible » est nettement inférieur à l’écart entre « utilisation systématique » et « utilisation épisodique ».
OpenCode existe. Il est gratuit. Il fonctionne avec n’importe quel fournisseur d’IA. La barrière dont tout le monde parle à propos de Claude Code – les 100 $ par mois et le verrouillage fournisseur – est levée.
Ce que vous faites de cette information dépend de votre disposition à franchir le pas suivant.
L'outil est là. Maintenant – la compétence
OpenCode est gratuit et ouvert. Mais un agent ne vaut que ce que vaut votre prompt. Le programme du cours – des bases du prompt engineering aux spécialisations en gestion de projet et en analytique. Apprenez à formuler vos tâches pour ne pas avoir à refaire le résultat.
