Les « alternatives à l'OpenAI Agents API », ce sont en réalité deux recherches sous le même manteau. Soit vous voulez garder la même forme d'agent mais l'exécuter sur un autre modèle, soit vous voulez cesser de dépendre d'un seul modèle. Une fois cette scission claire, la présélection se fait toute seule.
Si vous voulez les modèles d'un autre fournisseur, les vrais rivaux sont le Claude Agent SDK, l'ADK de Google et la Gemini Enterprise Agent Platform, le Microsoft Agent Framework avec Foundry, Amazon Bedrock AgentCore et Mistral. Si vous voulez garder le libre choix du modèle, les frameworks indépendants du modèle sont LangChain / LangGraph, CrewAI et LlamaIndex.
Une chose à garder en tête jusqu'au bout : chaque option ici reste de l'infrastructure. Vous choisissez quelle boucle, quel banc d'évaluation et quelle pile de supervision vous voulez construire et posséder. Si l'agent est un moyen pour atteindre un but, comme un bon service client, l'alternative honnête est de ne pas en construire, ce qui est l'échange que propose eesel, à un prix mensuel fixe à partir de 299 $ pour 500 crédits.
Pourquoi on quitte l'OpenAI Agents API
Soyons justes d'abord, car la plupart de ceux qui cherchent à changer apprécient ce qu'ils quittent. L'OpenAI Agents API est un bon endroit pour construire un agent. La Responses API est une primitive propre, l'Agents SDK gère bien la boucle et les handoffs, les outils hébergés font gagner un vrai travail, et les modèles GPT sont solides. Si GPT est là où vous voulez vivre, vous devriez probablement rester.
Les raisons d'aller voir ailleurs sont généralement précises, pas générales :
- Dépendance au modèle. Toute la pile suppose des modèles OpenAI. Dès que vos évaluations indiquent que Claude ou Gemini l'emporte sur votre tâche, vous voulez pouvoir changer de modèle sans réécrire l'agent.
- Où vos données doivent résider. Si votre acheteur exige une résidence des données uniquement dans l'UE ou un déploiement auto-hébergé, une API hébergée aux États-Unis est une contrainte stricte, pas une préférence.
- La pile que vous utilisez déjà. Une équipe très investie dans Azure, AWS ou GCP veut que l'agent vive dans la même identité, facturation et gouvernance qu'elle a déjà.
- Le signal de fermeture. OpenAI retire son Agent Builder sans code et ses Evals le 30 novembre 2026, ce qui pousse les équipes sans code vers les Workspace Agents dans ChatGPT ou vers autre chose.
Je construis sur ces API pour gagner ma vie, en livrant les intégrations d'eesel, alors je dis le non-dit : aucun de ces outils n'est magique. Un agent est un modèle auquel on a confié une tâche, un ensemble d'outils et la permission de se rappeler lui-même jusqu'à ce que la tâche soit finie. Chaque option ci-dessous n'est qu'une réponse différente à qui exécute cette boucle, sur quel modèle et où.
Les deux camps, en un coup d'œil
Avant les avis individuels, voici la carte que je garde en tête. Les alternatives se répartissent en deux tas, et celui que vous voulez vous dit presque tout ce que vous devez savoir.
Changer de fournisseur de modèles vous garde sur une pile hébergée et tout-en-un, vous changez seulement de qui sont les modèles et le cloud. Changer la couche d'orchestration sacrifie un peu de confort contre la liberté de pointer le même code d'agent vers n'importe quel modèle. Aucun n'est meilleur dans l'absolu. Une équipe qui a déjà choisi Claude veut le premier ; une équipe qui veut comparer les modèles à l'infini veut le second.
Voici comment les huit se comparent sur les critères qu'un acheteur pèse vraiment.
| Outil | Camp | Choix du modèle | Open source | Langages | Runtime géré | Prix de départ | | --- | --- | --- | --- | --- | --- | | LangChain / LangGraph | Orchestration | Tout fournisseur | Oui (MIT) | Python, JS/TS | LangGraph Platform | Framework gratuit ; LangSmith Plus 39 $/siège | | Claude Agent SDK | Fournisseur de modèles | Claude uniquement | Oui (SDK) | Python, TS | Managed Agents (séparé) | Tokens du modèle ; Sonnet 5 2 $/10 $ par 1M | | Google ADK | Fournisseur de modèles | Gemini + catalogue de 200+ | Oui (ADK) | Python, TS, Go, Java, Kotlin | Agent Runtime | Tokens du modèle ; Gemini Flash ~0,75 $/3,75 $ | | Microsoft Agent Framework | Fournisseur de modèles | Catalogue de 11 000+ | Oui (SDK) | .NET, Python, Go | Foundry Agent Service | Consommation ; packs ACU à partir de 19 000 $ | | Bedrock AgentCore | Fournisseur de modèles | Tout modèle, tout framework | Non (géré) | Tous | AgentCore Runtime | Harness gratuit ; 0,0895 $/vCPU-heure | | CrewAI | Orchestration | Tout fournisseur | Oui (MIT) | Python | Control Plane | Gratuit (50 exécutions/mois) ; Enterprise sur mesure | | LlamaIndex | Orchestration | Tout fournisseur | Oui | Python, TS | LlamaCloud | Gratuit 10k crédits/mois ; ensuite 1,25 $/1k crédits | | Mistral Agents API | Fournisseur de modèles | Mistral (poids ouverts) | Poids (Apache 2.0) | Tous (API) | Mistral Studio | Tokens du modèle ; Small 4 0,15 $/0,60 $ |
Place aux avis individuels. Chaque point suit la même forme : ce que c'est, ce qui se démarque, le prix et un verdict clair sur qui devrait le choisir.
1. LangChain / LangGraph
Idéal pour : les équipes qui veulent garder le choix du modèle et sont prêtes à exploiter leur propre pile.
LangChain est la réponse par défaut quand on quitte une API à fournisseur unique, et il mérite cette place par sa neutralité agressive. Sa promesse : changer de modèles, d'outils et de bases de données sans réécrire l'application, appuyée par plus de 1000 intégrations. Le même code d'agent peut tourner sur GPT aujourd'hui et sur Claude demain, exactement le verrou que l'OpenAI Agents API ne peut pas lever. C'est l'un des noms les plus cités dans tout panorama des meilleurs agents IA.
Il faut séparer les pièces, car le marketing les brouille. LangChain est le framework de haut niveau, et sa primitive phare create_agent donne un schéma ReAct éprouvé en quelques lignes. LangGraph est le runtime d'orchestration de plus bas niveau en dessous, où l'on descend pour les flux de contrôle multi-agents et hiérarchiques avec persistance, points de contrôle et human-in-the-loop intégrés. Les deux sont sous licence MIT et gratuits. LangSmith est la couche commerciale, traçage, évaluations et déploiement, et c'est là que se trouve tout l'argent.
Tarifs. Les frameworks sont gratuits ; on paie en adoptant LangSmith. Developer coûte 0 $ par siège avec 5 000 traces par mois, Plus coûte 39 $ par siège avec 10 000 traces et un petit déploiement gratuit, et Enterprise est sur mesure. En interne, la mesure se fait en deux unités : une LangChain Compute Unit à 1,50 $ et une Storage Unit à 1,00 $, avec des traces supplémentaires à 0,005 LSU chacune.
Notre avis : si la liberté de modèle est la raison de quitter OpenAI, commencez ici. Mais gardez la tête froide : « framework gratuit » et « gratuit à exécuter en production à grande échelle » ne sont pas la même phrase, la plateforme du quotidien est une vraie facture SaaS mesurée. Lisez la comparaison LangGraph vs AgentKit si vous le pesez directement face à la voie sans code d'OpenAI.
2. Claude Agent SDK
Idéal pour : les équipes qui standardisent sur Claude, surtout pour le code et les opérations agentiques.
Le Claude Agent SDK est le nouveau nom du Claude Code SDK, et cette filiation dit tout. Il vous donne la même boucle d'agent et la même gestion de contexte qui font tourner Claude Code, sous forme de bibliothèque qui exécute la boucle dans votre propre processus. Contrairement à la plupart des frameworks d'agents, celui-ci est la version produit d'un vrai agent de code déjà livré, pas une nouvelle abstraction, et arrive donc avec des outils de fichiers et bash, des sous-agents, des hooks, des permissions, des sessions et MCP de première classe déjà câblé.
Il ne gère que Python et TypeScript ; pour piloter la même boucle depuis un autre langage, on lance la CLI comme sous-processus. Si vous voulez une version entièrement hébergée plutôt que d'exécuter la boucle vous-même, Anthropic vous oriente vers son produit séparé Managed Agents.
Tarifs. Vous payez les tarifs de tokens standard de l'API Claude. Claude Opus 5 coûte 5 $ en entrée / 25 $ en sortie par million de tokens, Claude Sonnet 5 2 $ / 10 $ (nettement moins cher que l'ancien Sonnet 4.6 à 3 $ / 15 $) et Claude Haiku 4.5 1 $ / 5 $. Comme un agent renvoie son prompt système et son historique à chaque tour, le prompt caching compte ici ; un succès de cache coûte 10 % du prix d'entrée standard.
Notre avis : le choix le plus fort si vous avez déjà décidé que Claude gagne vos évaluations, et le foyer naturel du travail de code agentique. Deux limites honnêtes : vous êtes lié à Claude, et les produits tiers doivent utiliser l'authentification par clé d'API, il n'y a pas de connexion claude.ai à donner à vos utilisateurs. Pour une lecture directe des coûts face à OpenAI, notre article OpenAI API vs Anthropic API fait les calculs.
3. ADK de Google et Gemini Enterprise Agent Platform
Idéal pour : les équipes qui vivent déjà dans Google Cloud.
Google a récemment renommé Vertex AI Agent Builder en Gemini Enterprise Agent Platform, gardez donc l'ancien nom en tête pour vos recherches, mais le produit actuel est différent. La pièce open source est l'Agent Development Kit (ADK), et il est plus large qu'on ne l'imagine, disponible en Python, TypeScript, Go, Java et Kotlin. Un agent ADK minimal tient en quelques lignes : un Agent avec un modèle, une instruction et une liste d'outils comme google_search. ADK 2.0 ajoute des workflows en graphe pour mêler code déterministe et raisonnement du modèle.
Autour d'ADK se trouve la plateforme gérée : un Agent Studio low-code, une Managed Agents API orientée REST et un Agent Runtime géré qui héberge des agents construits avec ADK ou d'autres frameworks, avec Sessions et Memory Bank pour l'état. Vous n'êtes pas non plus bloqué sur Gemini, le Model Garden propose plus de 200 modèles dont Claude et Gemma. Google s'appuie aussi sur deux protocoles ouverts, MCP pour les outils et A2A pour la communication entre agents.
Tarifs. Vous payez des tokens Gemini plus du calcul de runtime séparé. D'après la page de tarifs : Gemini 3.1 Pro coûte 2 $ / 12 $ par million de tokens, et les modèles Flash actuels sont au tarif de lancement de 0,75 $ / 3,75 $ jusqu'au 31 décembre 2026, passant à 1,50 $ / 7,50 $ en 2027. Le grounding avec Google Search inclut 5 000 requêtes gratuites par mois, puis 14 $ pour 1 000.
Notre avis : le choix évident si vos données, votre identité et votre facturation sont déjà dans GCP, et l'ADK multilingue est un vrai avantage pour les équipes Java et Go que les frameworks axés Python laissent de côté. Le piège est la gravité habituelle du cloud : le calcul du runtime géré est facturé séparément des tokens, budgétez donc les deux.
4. Microsoft Agent Framework et Foundry
Idéal pour : les entreprises Microsoft et .NET qui veulent le plus large catalogue de modèles.
La réponse de Microsoft, ce sont deux produits qui s'emboîtent. Le Microsoft Agent Framework est un SDK open source en .NET, Python et Go, et il fusionne l'orchestration multi-agents d'AutoGen et les fonctions d'entreprise de Semantic Kernel dans une bibliothèque supportée. Il est récent, le paquet .NET s'installe encore avec l'option --prerelease, traitez-le donc comme en cours de stabilisation, pas comme réglé. Le Foundry Agent Service est le runtime géré sur lequel on déploie, avec des agents de prompt pour la voie rapide et des agents hébergés pour un contrôle total.
Le point fort est l'étendue des modèles. Foundry annonce l'accès à plus de 11 000 modèles d'OpenAI, Anthropic, Meta, Google et xAI, plus un routeur de modèles qui choisit selon la tâche. Il mérite aussi une mention que ses rivaux n'ont pas : Foundry héberge des agents construits avec l'OpenAI Agents SDK et l'Anthropic Agent SDK, c'est donc un runtime sous ces SDK, pas seulement un concurrent. Le support de .NET est le vrai différenciateur pour la grande base de développeurs Microsoft que les outils axés Python ignorent.
Tarifs. À la consommation, sans chiffre forfaitaire par agent publié, vous payez les tokens du modèle sous-jacent plus le calcul des outils et conteneurs. Le seul chiffre concret est le pré-achat d'Agent Commit Units : 20 000 unités pour 19 000 $ (5 % de remise), 100 000 pour 90 000 $ (10 %) ou 500 000 pour 425 000 $ (15 %), où 100 unités valent à peu près 100 $ d'usage au tarif public.
Notre avis : le bon choix si vous êtes une équipe Azure et .NET, l'identité Entra par agent, l'isolation VNet et la gouvernance Purview sont des choses qu'un framework ne peut pas offrir. Sachez seulement que c'est l'option la plus récente de cette liste, et que les tarifs exacts par token se cachent derrière plus de clics qu'il ne faudrait.
5. Amazon Bedrock AgentCore
Idéal pour : les équipes AWS qui ont déjà construit un agent et doivent maintenant l'exécuter en production.
Bedrock AgentCore reformule le problème. Son argument : construire un agent est rapide, la partie lente est de le relier à vos systèmes, de sécuriser les appels d'outils et de passer à l'échelle sans tout reconstruire. Il est donc délibérément indépendant du framework et du modèle : il exécute LangGraph, CrewAI, Strands, Google ADK et même l'OpenAI Agents SDK, sur des modèles Claude, Nova, Llama, Mistral, Gemini ou OpenAI. Vous apportez l'agent ; AWS apporte la tuyauterie.
Cette tuyauterie est un ensemble de services à la carte : un Runtime serverless avec vraie isolation de session, une mémoire à court et long terme, un Gateway qui transforme API et Lambdas en outils MCP, Identity qui se branche sur Cognito, Okta ou Entra, un outil de navigateur headless, un Code Interpreter et Observability vers CloudWatch. À noter : l'ancien Bedrock Agents est désormais « Classic » et fermé aux nouveaux clients, AWS orientant tout le monde vers AgentCore.
Tarifs. Le harness est gratuit ; vous payez les ressources en dessous. Le Runtime coûte 0,0895 $ par vCPU-heure et 0,00945 $ par Go-heure, facturé à la seconde, et AWS souligne que le temps d'attente E/S inactif est gratuit, ce qui compte car les charges d'agents passent le plus clair de leur temps à attendre les appels de modèles et d'outils. La recherche web coûte 7 $ pour 1 000 requêtes, la mémoire à court terme 0,25 $ pour 1 000 événements, et les nouveaux clients reçoivent 200 $ de crédits gratuits.
Notre avis : le meilleur choix quand vous êtes déjà sur AWS et que l'agent a besoin d'une infrastructure d'entreprise autour, l'Identity de niveau IAM et les garde-fous de politiques Cedar sont des éléments que la plupart des frameworks vous laissent assembler vous-même. Le revers est la complexité : c'est une douzaine de services facturés séparément et plusieurs sous-services sont encore en preview, lisez donc de près la grille tarifaire.
6. CrewAI
Idéal pour : monter rapidement un flux multi-agents, surtout pour une démo ou un prototype.
CrewAI aborde les agents sous l'angle multi-agents. Vous définissez une Crew d'agents avec des rôles qui collaborent et délèguent, plus des Flows déterministes pour les étapes que vous voulez sous contrôle explicite, ce qui correspond bien à un vrai workflow de service client. C'est un framework Python open source, indépendant du modèle et construit indépendamment de LangChain. L'adoption est réelle : environ 58 000 étoiles GitHub et l'affirmation d'être utilisé par 65 % du Fortune 500, en plus d'un tour de table de 18 M$. La plateforme commerciale ajoute un Studio visuel et un Control Plane qui se place dans le chemin d'exécution pour le traçage et la gouvernance.
La communauté est franche sur les limites au-delà de la démo, exactement le signal que l'on veut avant d'adopter :
"I started with langgraph and always felt its too manual (in the age of AI)... while CrewAI felt like a fast way to get something up and running especially for a demo."
"With CrewAI, it honestly feels like an immature framework right now: No proper out-of-the-box observability (at least in the free version)... Debugging is painful because engineers don't know what's being sent to the LLM."
Tarifs. Seulement deux paliers publiés. Basic est gratuit avec 50 exécutions de workflow par mois, ce qui est aussi le plafond strict, et 2 automatisations. Enterprise est uniquement sur devis et ajoute SSO, RBAC, masquage des données personnelles, déploiement en VPC et dépassement flexible. Il n'y a pas de palier intermédiaire en libre-service.
Notre avis : le moyen le plus rapide de faire tourner un flux multi-agents, et excellent pour le prototypage. Mais prenez au sérieux les réserves sur la production, la faible observabilité du palier gratuit et le plafond de 50 exécutions signifient que le vrai coût à grande échelle est le plan Enterprise sur devis, intégrez-le avant de vous engager.
7. LlamaIndex
Idéal pour : les agents qui vivent ou meurent de leur capacité à récupérer l'information dans vos propres documents en désordre.
LlamaIndex est le choix quand la partie difficile de votre agent n'est pas la boucle, mais d'y faire entrer un bon contexte. C'est un framework de données open source, indépendant du modèle et le plus fort en RAG, et son centre de gravité est l'ingestion et la récupération : analyser des documents complexes, les indexer et exposer des moteurs de requête qu'un agent appelle comme outils. Côté agent, on obtient FunctionAgent, AgentWorkflow pour l'orchestration multi-agents et un moteur de Workflows avec branchement, parallélisme et human-in-the-loop.
La couche commerciale est LlamaCloud et LlamaParse, son analyse et indexation de documents gérées, là où se trouve la vraie différenciation pour qui traite des PDF scannés, des tableaux et des fichiers multimodaux. Il existe en Python et TypeScript, et le dépôt compte environ 52 000 étoiles GitHub.
Tarifs. À base de crédits, où 1 000 crédits valent 1,25 $. Free donne 10 000 crédits par mois (environ 1 000 pages), Starter ajoute le paiement à l'usage jusqu'à 500 $ par mois, et Pro monte jusqu'à 5 000 $ par mois avec des limites plus élevées. L'analyse basique peut descendre à 1 crédit par page ; l'analyse agentique sensible à la mise en page coûte plus.
Notre avis : si le travail de votre agent est au fond « répondre avec précision à partir de ce tas de documents », LlamaIndex est l'outil le plus affûté ici, et il se combine bien avec d'autres frameworks plutôt que de les remplacer. Le cadrage honnête est qu'il est d'abord une couche de données et de récupération, puis un runtime d'agents, si bien que beaucoup d'équipes l'associent à autre chose plutôt que de tout faire tourner dessus.
8. Mistral Agents API
Idéal pour : les équipes qui ont besoin de résidence des données dans l'UE, de poids ouverts ou d'une facture plus légère.
La Mistral Agents API est l'option européenne, et la géographie est l'argument réel. Elle est construite sur Chat Completions avec un état persistant côté serveur, et propose quatre connecteurs intégrés : exécution de code, recherche web, génération d'images via FLUX et une bibliothèque de documents pour le RAG, plus le support MCP et des handoffs d'agents pour le travail multi-agents. Sur le papier, les primitives correspondent à ce que l'on attend d'OpenAI, un passage est donc surtout une décision de modèle, de région et de coût.
Les différenciateurs sont concrets. Les modèles de Mistral sont à poids ouverts et sous licence Apache 2.0, vous pouvez donc les auto-héberger et garder les données dans votre périmètre, et vous pouvez fixer l'inférence sur des endpoints UE moyennant un supplément de 10 %. Cette combinaison est quelque chose qu'une API hébergée aux États-Unis ne peut pas offrir nativement aux acheteurs dont les données restent dans l'UE. Un praticien a bien résumé la stratégie :
"Their strategy doesn't make sense to you because you're looking for a technical feature that differentiates them... geography is their key differentiator. They'll get a lot of contracts in Europe simply because they're European."
Tarifs. Les modèles sont bon marché. D'après la page de tarifs de l'API : Mistral Medium 3.5 coûte 1,5 $ / 7,5 $ par million de tokens, Mistral Large 3 0,5 $ / 1,5 $ et Mistral Small 4 0,15 $ / 0,60 $. Les connecteurs intégrés sont facturés à part, la recherche web et l'exécution de code coûtent 30 $ pour 1 000 appels et la génération d'images 100 $ pour 1 000, un usage intensif des outils s'additionne donc plus vite que les faibles tarifs de tokens ne le laissent penser.
Notre avis : le choix évident pour la résidence des données dans l'UE et pour qui veut des poids ouverts exécutables soi-même, à un vrai prix de tokens plus bas. Surveillez les frais par appel des connecteurs, c'est là qu'une facture d'apparence légère grossit en silence.
Lequel choisir ?
Pour la version courte, remontez à partir de ce qui compte le plus pour vous.
- Garder le choix du modèle ? LangChain / LangGraph, avec CrewAI ou LlamaIndex si votre cas est multi-agents ou RAG.
- Vous préférez Claude ? Le Claude Agent SDK, surtout pour le code et les opérations agentiques.
- Déjà dans un cloud ? Google ADK sur GCP, Microsoft Foundry sur Azure, Bedrock AgentCore sur AWS.
- Besoin de résidence des données dans l'UE ou de poids ouverts ? Mistral.
- Vous construisez un agent sur des documents ? LlamaIndex.
Mais il y a une question sous-jacente à toutes celles-ci que la liste ne peut pas trancher, et elle mérite d'être posée clairement.
Quand la vraie réponse est « n'en construisez pas »
Chaque outil ci-dessus est de l'infrastructure. En choisir un, c'est s'engager à construire et à posséder pour toujours une boucle d'agent, un banc d'évaluation et une pile de supervision. C'est le bon choix quand l'agent est votre produit et que vous voulez le contrôle jusqu'au token.
C'est le mauvais choix quand l'agent est un moyen pour atteindre un but. Si ce dont vous avez vraiment besoin, c'est d'un service client pris en charge ou d'un agent IA de helpdesk qui fonctionne, un framework est le chemin des écoliers vers un travail que vous auriez pu simplement embaucher. Voilà la distinction à retenir : ces API sont la matière première, et il existe toute une autre catégorie de produit qui est l'employé fini.
Essayez eesel, le collègue plutôt que la boîte à outils
Voici le cadrage honnête pour finir. L'OpenAI Agents API et toutes les alternatives de cette liste sont de l'infrastructure, les pièces avec lesquelles on assemble un agent, plus la boucle, les évaluations et la supervision que vous maintenez vous-même.
eesel est l'autre bout de cet échange. C'est une plateforme de collègues IA, et vous embauchez des collègues prêts à travailler pour des tâches précises plutôt que d'en construire un à partir de pièces. L'équipe actuelle comprend un collègue IA de support qui se branche sur votre helpdesk et un rédacteur de blog IA. Chacun arrive en connaissant déjà votre entreprise, grâce à vos anciens tickets et à votre centre d'aide, il n'y a donc aucune boucle à construire. Nous passons des années à placer des agents IA sur de vraies files de support, c'est pourquoi chaque déploiement est simulé sur vos tickets historiques avant de répondre à un seul vrai client. Le prix est fixe, à partir de 299 $ par mois pour 500 crédits, où 1 crédit correspond à un ticket ou un chat, quel que soit le nombre d'appels de modèle ou de sauts d'outils nécessaires. La boucle imprévisible est notre problème, pas le vôtre.
Et si c'est le contrôle programmatique qui vous attirait dans une API d'agents, eesel le conserve. Il existe une vraie CLI publique (@eesel/cli) ainsi qu'un serveur MCP, des webhooks et un accès réseau, de sorte que vous pouvez connecter une intégration, modifier les instructions du collègue, lister et approuver les actions human-in-the-loop et lire le journal d'activité exécution par exécution depuis un terminal ou un script. La documentation le dit simplement : tout ce qui se trouve sur le site peut se faire depuis le terminal, et des agents de code comme Claude Code et Cursor peuvent le piloter directement. Vous obtenez la surface adaptée aux agents sans construire ni surveiller l'agent qui se cache en dessous.
Si vous construisez un agent parce que vous voulez posséder chaque token, choisissez l'un des huit ci-dessus et profitez-en. Si vous en construisez un parce que vous avez besoin d'un service client pris en charge, démarrez un essai gratuit et laissez le collègue faire le travail.