Forge redéfinit la manière de construire des applications dans Bolt : c’est un agent qui utilise uniquement des modèles open source — GLM 5.3 Flash par défaut, GLM 5.3 en parallèle, ainsi que les expérimentaux Kimi K3 et DeepSeek v4 Pro — offrant jusqu’à 50× plus d’utilisation pour les plans Pro individuels lors du lancement. Sur l’Indice de Build de Bolt, ces modèles obtiennent collectivement un score de 92,2 contre 101 pour un modèle payant de premier plan, soit un compromis d’environ neuf points de performance. L’hypothèse est que la phase de rédaction est limitée par l’économie des tokens, pas par le talent. Avec Forge, vous pouvez brainstormer, structurer et corriger davantage sans plafonds quotidiens, puis revenir à Standard ou Max pour la finition en production lorsque chaque résultat doit être parfait du premier coup.

L’économie derrière Forge est aussi importante que les modèles. Les coûts d’inférence IA ont fortement chuté, et Bolt combine une capacité réservée avec WebContainers pour éliminer les majorations par requête et la prolifération des serveurs. Cette structure supporte une seule barre d’utilisation mensuelle avec un arrêt strict à 100 % — pas de limitation quotidienne, pas de dépassement surprise. Pour les petites entreprises et les développeurs indépendants, cela crée un espace pour explorer les architectures, tester les intégrations et itérer les flux UI qui consommaient auparavant des crédits premium. C’est une séparation pratique des préoccupations : consacrer l’allocation open-model à la pensée divergente et au renouvellement du code ; réserver les crédits des modèles payants aux tâches convergentes, au contrôle qualité et aux flux utilisateurs sensibles à la latence.

Forge est délibérément positionné comme expérimental. Les projets doivent être dupliqués avant de basculer, et les charges de travail complexes en production doivent rester sur Standard ou Max. Le choix du modèle est important : Kimi K3 et DeepSeek v4 Pro peuvent consommer l’allocation plus rapidement que la paire GLM, donc commencez par les modèles par défaut et montez en puissance de manière sélective pour des phases de raisonnement ou de réparation de code. Les contraintes actuelles incluent l’absence de téléchargement PDF et la variabilité habituelle des modèles open source sous de lourdes boucles de refactorisation. Malgré ces limites, la valeur est convaincante pour structurer des tableaux de bord, connecter des points d’API CRUD ou exécuter rapidement des cycles correction-test où le coût dominant est le temps d’itération, pas la qualité d’une réponse unique.

La gouvernance est explicite. L’entraînement ne se fait que si vous y consentez en entrant dans Forge ; les secrets et identifiants personnels sont supprimés avant que les données ne quittent l’infrastructure de Bolt, et les espaces de travail Teams/Enterprise sont exclus. Les sessions partagées alimentent l’entraînement open-weight via Arcee AI, avec publication des poids. Cela crée un cercle vertueux : les développeurs bénéficient aujourd’hui d’une capacité généreuse pour la rédaction, et les modèles qu’ils contribuent à améliorer restent inspectables et portables demain. Pour les acheteurs techniques, l’évaluation se fait sur deux axes : une économie unitaire qui favorise l’expérimentation, et une politique de données visible au moment du choix plutôt que cachée dans une acceptation unique des conditions.