Le jour où le quota a explosé
Il y a une semaine, j'ai réagi brièvement à un post LinkedIn sur le nouveau calcul de tokens de GitHub Copilot. Un simple commentaire, quelques lignes. Je pensais naïvement que le système fonctionnerait comme avant.
J'ai cru à une erreur.
Puis j'ai attendu. Je me suis dit que les crédits allaient s'ajuster, que c'était une anomalie transitoire. Les choses se corrigent toujours, non?
Nope.
En 3 à 4 jours, mon quota était complètement fumé. Et pas seulement épuisé—j'avais même de l'overquota. L'outil s'était mis en "mode dépassement" silencieusement, continuant à consommer sans prévenir.
J'ai aussi observé des fluctuations assez violentes dans les taux de token:
- Haiku est passé de 10.8 à 1.08 en quelques jours
- Les autres modèles suivaient une trajectoire similaire
Résultat: j'ai dû stopper complètement mon usage de GitHub Copilot. Plus d'autocomplétion. Plus de pair programming. Back to basics avec un éditeur classique.
Le problème: un quota mensuel vs une vraie contrainte
Voilà le vrai problème qui m'a frappé: le quota est mensuel.
Pas hebdomadaire comme chez certains concurrents. Pas ajustable. Pas flexible. Un bloc de 30 jours, et si tu le grilles en 3 jours, tant pis pour toi.
Avant les changements de pricing, je tenais le mois sans problème. Même avec une utilisation régulière, les crédits suffisaient. C'était un modèle acceptable.
Là, plus du tout.
Et c'est là que ça pique vraiment.
L'impact: qui peut se le permettre, qui en est exclu
Avec ce modèle de quota strict, GitHub Copilot reste confortable pour une catégorie précise d'utilisateurs: ceux qui peuvent absorber la facture.
- Les entreprises avec un budget IT dédié
- Les développeurs seniors en CDI dans des boîtes bien financées
- Ceux qui peuvent dépenser plusieurs centaines d'euros par mois pour optimiser, tester, itérer sans culpabiliser
Mais les founders qui buildent à moindre frais? Les petites structures qui avancent au budget serré? Les freelances qui doivent rentabiliser chaque euro?
Eux se retrouvent vite bloqués.
C'est un mur qui se dresse très rapidement, et il n'y a pas de progression graduelle. Tu passes du "c'est utile" au "c'est inaccessible" en quelques jours, pas en quelques mois.
Ce n'est pas seulement un problème technique. C'est un problème d'accès et d'équité.
L'alternative: les LLMs locaux reviennent sur le devant de la scène
Face à cette impasse, j'ai rouvert une piste que je repoussais depuis des mois: les LLMs locaux.
Ollama, LM Studio, vLLM... des outils que j'avais testés rapidement mais jamais vraiment exploités. Ils m'intéressaient mais manquaient d'urgence. Pourquoi faire tourner un modèle en local quand Copilot était là, performant et intégré?
La contrainte m'a forcé à explorer ce qui dormait depuis quelques mois.
Les LLMs locaux ne sont pas la panacée. Leurs performances varient selon le modèle et l'utilisation. Mais ils offrent quelque chose que Copilot ne peut plus garantir: la prévisibilité des coûts.
Comparaison: Copilot Cloud vs LLMs Locaux
Voici une comparaison brutalement honnête:
| Critère | GitHub Copilot | LLM Local | |---------|---|---| | Modèles disponibles | Claude, GPT-4, Gemini (selon plan) | Mistral, Llama, Qwen, Phi... | | Performance (gros projets) | Excellent | Bon (dépend du modèle et CPU) | | Latence | Immédiate (cloud) | 1-5s (selon hardware) | | Coût mensuel | 20€/mois → quota explosé | 0€ (après investissement initial) | | Dépendance cloud | Oui (problème de connectivité?) | Non (fonctionne offline) | | Confidentialité | Microsoft voit vos données | Zéro telemetry si configuré bien | | Contrôle | Microsoft décide des quotas | Vous décidez tout |
La question n'est pas "LLM local est-il meilleur?" mais plutôt "LLM local est-il suffisant pour mes besoins?".
Et là, une hypothèse s'impose: oui, probablement pour 80% des tâches.
Le vrai cas d'usage: 80% des tâches couverte
Quand on regarde l'usage réel d'un outil d'IA en développement:
- Autocomplétion simple: les petits modèles locaux écrasent le cloud
- Refactoring de code: Mistral 7B s'en sort très bien
- Documentation et comments: Phi ou Llama 2 suffisent amplement
- Debugging basique: local c'est rapide et gratuit
- Génération de boilerplate: parfait pour du local
Les cas où Copilot Cloud reste supérieur:
- Architecture complexe sur plusieurs fichiers
- Debugging avancé avec contexte large
- Optimisation algorithmique poussée
Mais honnêtement? Ça représente 20% de ma journée de travail.
Les 80% restants? Un Llama 13B ou Mistral bien configuré fait le job.
Contrainte = Opportunité
J'aurais pu attendre que le pricing se stabilise. Attendre que GitHub propose un modèle plus juste. Attendre des mois avant d'explorer autre chose.
La nécessité a juste accéléré l'inévitable.
C'est un pattern qu'on oublie trop souvent en tant que founders ou makers: les vraies innovations naissent rarement du confort. Elles naissent des contraintes. Du manque. Du "il faut que ça marche sinon c'est bloqué".
Copilot m'a bloqué. C'est frustrant. Mais ça m'a aussi forcé à redécouvrir un ecosystème qui a massément évolué en 18 mois. Ollama n'existait pas il y a 2 ans. Mistral était une expérience. Les modèles quantifiés tenaient à peine sur un MacBook.
Maintenant?
Tu peux tourner un excellent 7B model sur quasi n'importe quel hardware moderne. Pour quelques euros d'électricité par mois.
C'est un vrai choix. Pas une corvée.
La vraie question: for whom?
Copilot Cloud est toujours meilleur pour certains cas. Les enterprises avec du budget? Restez sur Copilot. L'intégration est trop bonne, la performance trop prévisible.
Mais les founders au budget serré? Les petites équipes? Les freelances qui optimisent chaque euro?
Vous avez maintenant une vraie alternative. Et elle ne demande plus qu'on se sacrifie en performance.
Ça change la game.