← Tous les articles

Comparaison

Claude Code vs Codex vs Cursor : le test de 10 minutes pour votre propre facture

Toutes les comparaisons que vous pouvez trouver répondent à la même question — lequel écrit le meilleur code — avec la même preuve : un après-midi, une tâche, un auteur. La question qui décide de votre facture est plus étroite et mesurable.

Rédigé par Ted Mavera, Product Manager chez HarnessUp, l'entreprise qui fait l'outil décrit ici. Les textes de ce blog sont rédigés avec l'aide de l'intelligence artificielle et relus par l'équipe avant publication.

Trois moniteurs côte à côte sur des bureaux peints, chacun affichant une marque — une étoile corail, un nœud blanc et un cube noir —, avec devant chacun une feuille cochée, un reçu et des piles de pièces, et un chronomètre au premier plan.

Pourquoi une comparaison de plus

Les trois outils ont réellement des formes différentes. Claude Code est un agent natif du terminal qui tourne aussi dans une application de bureau et dans des extensions d'IDE. Codex est l'agent de codage d'OpenAI, disponible en CLI, dans l'IDE et comme travailleur dans le cloud lié à une offre ChatGPT. Cursor est l'IDE qui a rendu les agents natifs dans l'éditeur et les facture depuis un pool d'usage partagé. Ces différences sont réelles et valent d'être connues.

Ce ne sont pas non plus elles qui font réagir votre facture. Déplacez la même tâche de l'un à l'autre et la facture peut varier d'un facteur trois sans qu'une seule ligne de code change — parce que le coût réside dans le nombre de tours que la tâche demande, dans la quantité de contexte que chaque tour renvoie et dans la quantité de reprise avant que la tâche ne soit réellement finie. Donc, au lieu de classer les agents sur une tâche que vous n'avez pas exécutée, cet article vous donne un protocole que vous pouvez exécuter sur une tâche que vous avez exécutée. Dix minutes, un dépôt, trois nombres.

Ce qui diffère réellement entre eux

Trois différences structurelles comptent pour une comparaison, le reste est affaire de préférence.

Où vit l'agent. Un agent de terminal voit le dépôt à travers les commandes que vous le laissez lancer. Un agent d'IDE voit l'état de l'éditeur, les fichiers ouverts et les diagnostics. Un agent cloud voit la branche que vous lui confiez. Chaque point de vue change davantage les dix premières minutes d'une tâche que les dix dernières, et c'est dans les dix premières que le contexte se charge.

Comment l'usage est compté. Les offres Claude Code se comptent en fenêtres, avec un bloc de cinq heures et un plafond hebdomadaire. L'usage de codage de ChatGPT vient avec le palier de l'offre. Cursor compte un pool partagé de requêtes et d'usage de modèles. Trois compteurs différents, trois façons différentes de heurter un mur à 16 h un jeudi — et le mur est ce dont la plupart des gens parlent réellement quand ils demandent lequel est le moins cher.

Comment le contexte est géré. C'est celle que personne ne met dans le tableau comparatif, et elle déplace la facture plus que le choix du modèle. Qu'un grand fichier soit livré entier, qu'une lecture répétée soit refusée, qu'un journal soit tronqué : ce sont des décisions de harness, et chacun des trois les prend différemment. Ce sont aussi les décisions que vous pouvez mesurer.

Une seule fiche bristol sur une table en bois avec un chronomètre, un crayon et trois petits tokens identiques alignés, photographiée d'en haut.
Même tâche, même commit de départ, trois exécutions. La fiche, c'est tout le protocole.

Le test

Choisissez une tâche que vous avez déjà terminée la semaine dernière. Pas un casse-tête de benchmark — quelque chose de votre propre backlog, avec le désordre intact : un bug à la description vague, une petite fonctionnalité avec deux fichiers à toucher, un refactor qui a cassé quelque chose. Ensuite, faites ceci.

1. Figez le point de départ. Faites un checkout du commit où la tâche a commencé, dans un worktree propre. Les trois exécutions doivent partir du même arbre, sinon vous comparez l'état de votre dépôt plutôt que l'outil.

2. Écrivez le même prompt. Un paragraphe, celui que vous auriez écrit de toute façon. Ne le réglez pas outil par outil — le réglage fait partie de ce que vous mesurez, et il n'est pas gratuit.

3. Lancez-la une fois par outil, dans l'ordre où vous travailleriez normalement. Ne sauvez pas une exécution qui part en vrille. Le flottement est une donnée. Arrêtez quand la tâche est faite ou quand vous auriez abandonné dans la vraie vie, et notez de quel cas il s'agissait.

4. Notez quatre nombres par exécution. Les tours (allers-retours vers le modèle), les tokens d'entrée, les tokens de sortie, et si le résultat a nécessité une seconde passe. Si l'outil affiche les lectures de cache séparément, gardez-le aussi — c'est la ligne qui explique les longues sessions.

5. Chiffrez l'exécution comme vous payez. Si vous êtes sur un abonnement, le nombre à comparer est la part de la fenêtre que l'exécution a consommée, pas des dollars par token. Si vous êtes sur l'API, multipliez les tokens par les tranches de votre modèle. Ne mélangez pas les deux ; une exécution sur abonnement et une exécution sur API ne sont pas la même unité.

Ce qu'il faut noter

Cinq champs suffisent, et ils tiennent sur une fiche bristol : tâche, tours, tokens en entrée, tokens en sortie, reprise. Gardez la fiche. Dans un mois vous aurez six fiches et une image de votre propre travail qu'aucune comparaison publiée ne peut vous donner, parce qu'aucune comparaison publiée n'a votre dépôt.

Le champ que les gens oublient, c'est la reprise. Une exécution qui finit en huit tours et livre un bug n'est pas moins chère qu'une exécution qui finit en douze et livre le correctif. Comptez la seconde passe, la correction, le message « en fait, non ». C'est là que se cache la vraie différence de coût entre agents, et c'est pourquoi un prix au token est un mauvais proxy de la valeur.

Comment lire le résultat

Divisez par tâches terminées, pas par prompts. Le nombre qui compte est le coût par tâche restée réparée, et il classe généralement les outils autrement qu'un classement. Deux schémas reviennent assez souvent pour mériter d'être nommés. Le premier : l'outil qui donne la meilleure première réponse gagne sur les tâches simples et perd sur les désordonnées, parce qu'il relit plus de contexte à chaque tour. Le second : l'outil au prix au token le plus bas perd dès qu'on compte la reprise, parce que la version bon marché a eu besoin de la correction.

La seule conclusion que le test ne permet pas est « ce modèle est meilleur ». Il permet « ce modèle, dans ce harness, sur cette tâche, m'a coûté tant ». Cette phrase est moins citable et bien plus utile.

La partie que les comparaisons sautent : le harness autour de l'agent

Entre votre prompt et le modèle, il y a une couche de décisions — quel fichier est lu en entier, quel journal est tronqué, si une lecture répétée est refusée, si le build tourne avant le tour suivant. Ces décisions appartiennent au harness, et elles expliquent une grande part de la variance du test ci-dessus. Ce sont aussi la seule partie de la pile que vous pouvez changer en gardant l'agent que vous aimez déjà.

C'est la thèse de notre produit, alors traitez-la comme une affirmation à vérifier plutôt que comme un fait. HarnessUp est une seconde couche locale qui agit par les hooks officiels de Claude Code et de Codex, avec 151 outils sur dix fronts ; ce n'est pas un proxy, un serveur MCP ni un plugin, et il ne lit jamais votre token ni votre clé. Deux outils du front Savings correspondent directement à cet article : Renew Session, qui marque le tour où continuer coûte plus cher que redémarrer, et First Pass, qui compile juste après une modification pour qu'un build cassé voyage avec le tour suivant au lieu d'en acheter un. Le panneau fait aussi tourner HarnessUp Bench, un classement public des modèles et des efforts par précision, optimisation et dépense, construit à partir de mesures anonymes d'installations réelles — y compris celles qui vous diraient que nous avons tort sur un modèle.

Et la frontière honnête : aujourd'hui, la couche intègre Claude Code et Codex automatiquement. Cursor est sur la feuille de route, pas dans la boîte. Si votre test dit que Cursor gagne pour votre travail, le bon geste est de garder Cursor et de nous sauter.

Un verdict que vous pouvez défendre

Faites le test sur trois tâches au lieu d'une — un bug, une fonctionnalité et un refactor — et vous aurez un verdict avec un échantillon de neuf exécutions, ce que la plupart des comparaisons publiées n'ont pas. Notez les nombres, gardez les fiches, et revenez-y quand une version de modèle change. Cette dernière partie est la raison pour laquelle cette méthode vieillit mieux qu'un classement : l'outil qui gagne aujourd'hui ne gagnera pas toujours, mais votre méthode de vérification fonctionnera encore.

Faites le test avec vos propres nombres. HarnessUp mesure vos sessions Claude Code et Codex localement et gratuitement — les mêmes quatre champs, sans la fiche bristol.

Installer gratuitement