Le bon modèle d'IA, pour chaque tâche, au juste prix.

Le prix affiché n'est pas le prix payé

Quatre écarts reviennent entre la grille tarifaire et la facture :

• Les tokens de raisonnement sont facturés en sortie. Sur un modèle qui « réfléchit », cette partie invisible dépasse souvent la réponse elle-même : c'est la première cause de budget sous-estimé.
• Le contexte est refacturé à chaque tour. Un agent renvoie tout l'historique à chaque étape : une tâche de dix tours coûte bien plus que dix fois le premier appel.
• Le cache change les classements. Relire un contexte déjà envoyé coûte 0,1 fois le prix chez Anthropic et DeepSeek, 0,25 fois chez Google et xAI, 1 $ le million sur GPT-6 Astra. L'écriture en cache coûte en revanche 1,25 à 2 fois le prix : le cache n'est rentable qu'à partir de la deuxième relecture, et il cesse de fonctionner si le début de vos requêtes change d'ordre.
• Le paramètre max_price vous protège. Posé sur chaque requête en production, il refuse l'appel plutôt que de laisser filer la facture.

La répartition entrée / sortie décide du classement

Le prix moyen n'a de sens que rapporté à votre trafic réel, et celui-ci varie énormément d'un usage à l'autre. Quatre sessions d'agents de développement, mesurées chez nous :

• agent sur MiniMax M3 : 171 225 tokens d'entrée pour 493 en sortie, soit 0,3 % de sortie ;
• création de tâches : 42 556 contre 671, soit 1,6 % ;
• Claude Opus 5, raisonnement lourd : 86 902 contre 9 510, soit 9,9 %, le maximum observé ;
• Claude Opus 5, relecture : 112 058 contre 791, soit 0,7 %.

Un agent consomme donc 90 à 99 % d'entrée, pas 75 %. À l'inverse, rédiger un texte à partir d'une consigne de trois lignes inverse le rapport. Le curseur couvre toute l'amplitude et se règle par défaut sur la valeur attendue de la tâche choisie. Décochez « automatique » pour tester votre propre trafic : sur un usage presque tout en entrée, ce sont les modèles à entrée bon marché qui remontent.

Une limite à connaître : sur trois de ces sessions, 94 à 99,9 % de l'entrée était relue depuis le cache, facturée 10 à 25 % du tarif plein selon l'éditeur. Le prix moyen affiché est donc un plafond, pas une prévision : sur un agent qui exploite bien le cache, la facture réelle peut tomber au quart.

Via OpenRouter : ce qui décide vraiment

• Aucune marge sur les tokens. OpenRouter prélève 5,5 % au rechargement par carte, 5 % en crypto, et rien en BYOK — avec votre propre clé éditeur — sous 25 000 $ de consommation mensuelle. Dès que vous avez une clé éditeur, passez en BYOK : vous gardez le routage, les bascules et les statistiques, sans les frais.
• Le routage par défaut favorise le moins cher : un hébergeur trois fois moins cher a neuf fois plus de chances d'être choisi. Un avantage sur les modèles à poids ouverts, un risque sur un modèle sensible, car la quantification n'est pas toujours documentée. Les paramètres only et ignore verrouillent le choix.
• Trois modes de routage : équilibré, :nitro pour le débit, et un mode orienté précision des appels d'outils. Pour un agent qui enchaîne des outils, cette précision compte plus que le prix du token.
• data_collection: "deny" exclut les hébergeurs susceptibles d'entraîner leurs modèles sur vos requêtes : à poser par défaut dès que les données sont sensibles. zdr: true échoue sur les modèles Anthropic, qui n'offrent pas de rétention zéro.
• Les variantes :batch coûtent moitié moins chez Anthropic, OpenAI et Google : tout ce qui peut attendre 24 heures doit y passer.

Trois modes d'accès, trois lectures du tableau

Le contexte d'utilisation choisi dans vos réglages ne change pas qu'un calcul de frais : il change ce que le tableau signifie.

• Routés via OpenRouter. Ce qui compte : le prix effectif après routage, les variantes par lot, la bascule automatique quand un hébergeur tombe. Le plancher à 0,05 $ obtenu sur DeepSeek via des hébergeurs tiers est un vrai gain, à condition de tester la qualité : la quantification n'est pas documentée par hébergeur.
• API directe chez l'éditeur. Le bon choix quand vos clients, vos données ou votre secteur imposent de limiter les intermédiaires : un intermédiaire américain de plus est difficile à justifier dans une démarche de conformité. Les tarifs restent valables, comme base de négociation d'un contrat direct. Deux points se négocient en même temps et n'apparaissent pas dans le tableau : les limites de débit, qui conditionnent le dimensionnement, et le niveau de service garanti.
• Poids auto-hébergés. Le prix par token disparaît : le coût devient une facture de serveurs, fixe et indépendante du volume. La question n'est plus « combien coûte le token ? » mais « quelle machine faut-il ? ». Les colonnes de prix laissent place à la taille du modèle, à sa part active, à l'empreinte de ses poids et au matériel minimum ; le classement suit l'adéquation seule, parmi les modèles à poids ouverts.

Auto-héberger : deux pièges

Un modèle à poids ouverts n'est pas gratuit : son coût change de nature. En dessous de quelques centaines de millions de tokens par mois, une API directe revient presque toujours moins cher qu'un serveur à cartes graphiques amorti, et sans astreinte d'exploitation. L'auto-hébergement se justifie par la souveraineté, par une facture prévisible ou par un volume qui remplit vraiment la machine — rarement par le prix seul.

Second piège, propre aux architectures à experts (MoE) : la part active fait la vitesse, le total fait la mémoire. GLM-5.3 n'active que 39 de ses 744 milliards de paramètres, ce qui le rend rapide, mais les 744 doivent tenir en mémoire : 756 Go en FP8, soit un serveur de huit cartes. La colonne « actifs » ne dit rien du matériel ; la colonne « paramètres », si.

Quatre classes de matériel : poste de travail pour une carte grand public, une carte 80 Go pour le palier au-dessus, nœud multi-GPU pour deux à huit cartes dans une même machine, cluster multi-nœuds au-delà. L'écart est brutal : Ministral 3 8B tient sur un poste de travail, Kimi K3 réclame 1,56 To de poids et au moins soixante-quatre accélérateurs. Les deux sont pourtant « à poids ouverts ».

Deux points de licence à connaître : Mistral Large 3 est sous Apache 2.0 — 675 milliards de paramètres, dont 41 actifs — et c'est le meilleur candidat souverain auto-hébergeable du tableau ; GLM-5.3 n'est plus sous MIT, contrairement à sa variante Flash : sa licence propre à Z.ai est à lire avant tout déploiement.

Souveraineté : deux questions, pas une échelle

Le mot recouvre deux exigences distinctes. Avant de choisir, précisez laquelle vous visez — ou demandez-le à votre client.

• Qui opère le traitement ? C'est la question juridique, celle de la doctrine « cloud de confiance » et de la qualification SecNumCloud : un éditeur établi dans l'Union, un contrat de droit européen, aucune exposition au CLOUD Act. Sur ce point, un modèle que vous servez vous-même fait mieux encore que l'API de l'éditeur : il n'y a plus de tiers.
• D'où viennent les poids ? C'est la question industrielle. Mistral l'emporte partout ; un Qwen ou un GLM la perd, même exécuté en France. Certains acheteurs publics refusent une origine quel que soit le lieu d'exécution ; d'autres ne regardent que le trajet des données.

Un seul choix répond aux deux à la fois : les modèles Mistral à poids ouverts, servis sur une infrastructure française. Mistral Small 4, Ministral 3 8B et Devstral 2 couvrent le généraliste, l'embarqué et le code, sans coût par token.

Le réglage propose deux niveaux. Stricte ne garde que les éditeurs établis dans l'Union. Élargie y ajoute les poids ouverts déployables sur votre infrastructure, en acceptant une origine hors Union. Tout le reste est hors périmètre : Azure, Vertex et Bedrock offrent des régions européennes, c'est-à-dire une résidence des données, pas une souveraineté — l'opérateur reste soumis au droit américain.

Dernier point : la licence décide de ce que vous avez le droit de faire avec des poids ouverts. Le catalogue l'indique, et signale « à vérifier » quand elle n'est pas confirmée pour la version exacte. À trancher avant tout engagement. Pour aller plus loin : où vont vos données, et comment exiger qu'elles restent en France.

En production : trois étages, pas un seul modèle

Un agent sérieux ne tourne pas sur un seul modèle. Le schéma qui tient en production sépare trois étages : un petit modèle qui trie et prépare, un modèle intermédiaire qui exécute la plupart des étapes, un modèle frontière appelé seulement sur les décisions difficiles ou après deux échecs. Pour 240 millions de tokens d'entrée et 90 millions de sortie par mois, l'écart entre le haut et le bas du tableau dépasse un facteur soixante, à trafic identique.

Ce découpage vaut pour les trois modes d'accès. Via OpenRouter, il s'implémente avec les règles de routage. En direct ou en auto-hébergement, c'est une décision d'architecture : trois fournisseurs à contracter, ou un modèle auto-hébergé pour les deux premiers étages et une API directe pour le troisième. Sur ce dernier schéma, Mistral Large 3, à 0,50 $ en entrée et 1,50 $ en sortie, reste le meilleur compromis souveraineté-prix du marché.

Les tarifs vivent dans un dépôt public, data-routeo, dans un seul fichier. Routéo le recharge à chaque visite : quand un prix bouge, la page est à jour sans être republiée. Le fichier contient aussi les valeurs autorisées de chaque champ, la définition des niveaux de souveraineté, l'adresse de la page tarifaire officielle de chaque éditeur, et un journal daté de chaque modification, avec sa source.

Chaque jour, un rapprochement automatique

Chaque matin à 6 h (UTC), un traitement automatique interroge l'API publique d'OpenRouter — tarifs et contextes de tous les modèles —, rapproche ces chiffres du jeu de données, puis vérifie strictement le résultat avant d'écrire quoi que ce soit : valeurs autorisées, prix numériques, champs verrouillés inchangés, aucun modèle supprimé, entrée datée du jour dans le journal. Si une vérification échoue, rien n'est modifié.

Pourquoi chaque jour : en un seul trimestre, GPT-5.6 Luna a baissé de 80 %, Terra de 20 %, une hausse programmée de Sonnet 5 a été annulée, DeepSeek a introduit des heures creuses, et deux modèles frontière sont sortis à 50 $ le million de tokens de sortie.

Chaque semaine, une relecture humaine

Le rapprochement automatique couvre les prix et les contextes, pas les nuances : tarifs promotionnels, notes, licences, modèles absents d'OpenRouter comme les Mistral. Une relecture hebdomadaire vérifie ces points sur les pages des éditeurs.

Échéances déjà connues

• 16 octobre 2026 : retrait de Gemini 2.5 Flash-Lite.
• 21 novembre 2026 : fin de la garantie de prix sur GPT-5.6 Sol. Ce n'est pas une expiration : c'est la première date à laquelle OpenAI se réserve le droit de changer son tarif. Aucun tarif postérieur n'est publié.
• 31 décembre 2026 : fin du tarif de lancement de la famille Gemini Flash, qui double au 1er janvier.

• openrouter.ai/models et documentation OpenRouter : frais, routage, cache, BYOK, limites
• platform.claude.com, pages tarifaires d'Anthropic
• developers.openai.com/api/docs/pricing
• ai.google.dev/gemini-api/docs/pricing et Google Cloud
• api-docs.deepseek.com : heures pleines et heures creuses
• docs.x.ai, platform.kimi.ai, z.ai, mistral.ai/pricing
• artificialanalysis.ai, Intelligence Index v4.3
• SWE-bench Verified, SWE-bench Pro, Terminal-Bench 4.0 : code
• BFCL v4, MCP Atlas, Tau-Bench, Toolathlon : appels d'outils
• LongBench v2, MRCRv2, RULER : long contexte
• OSWorld 2.0, ScreenSpot-Pro : pilotage d'ordinateur
• MMLU-ProX, MGSM : multilingue

Les benchmarks saturés, comme SWE-bench Verified, ne départagent plus les modèles de tête : pour arbitrer entre modèles frontière, privilégiez SWE-bench Pro et Terminal-Bench.