Qu'est-ce qu'un token ?
Un token est la plus petite unité de texte qu'un modèle d'IA traite — environ 3–4 caractères ou ¾ d'un mot anglais. En anglais, « ChatGPT » compte comme 2 tokens, et « Hello, how are you? » représente environ 5–6 tokens. Les autres langues se tokenisent moins efficacement — la même phrase en allemand ou en japonais peut consommer 20–40 % de tokens supplémentaires. Vous êtes facturé pour chaque token dans votre prompt (entrée) et chaque token que le modèle produit. Comprendre les tokens est fondamental pour ce qu'est le prompt engineering — la pratique de structurer vos entrées pour obtenir des sorties fiables.
Les modèles ne « pensent » pas en mots ou en caractères. En interne, ils convertissent votre texte en ID de tokens et les traitent numériquement. C'est pourquoi la tokenisation est importante : un changement de caractère unique peut parfois affecter la limite de token, et un prompt mal organisé avec des mots redondants peut gaspiller des centaines de tokens sans améliorer la qualité de la sortie.
En une phrase : un token est la plus petite unité de texte qu'un modèle d'IA traite — environ 3–4 caractères ou ¾ d'un mot anglais — et vous êtes facturé pour chaque token entrant et chaque token sortant.
Points clés
- Les tokens sont l'unité de coût et de traitement de l'IA. Environ 3–4 caractères = 1 token en anglais ; les autres langues nécessitent plus de tokens.
- Vous payez séparément pour les tokens d'entrée et de sortie — les tokens de sortie coûtent généralement 2–5× plus. Les longues sorties verbales sont l'endroit où les coûts explosent.
- Le comptage des tokens inclut les prompts système, l'historique complet des conversations, les fichiers joints et les images — pas seulement votre dernier message.
- Les limites de débit (requêtes par minute, tokens par minute) existent pour prévenir les abus et assurer une allocation équitable des ressources. Les forfaits gratuits ont des limites strictes ; les forfaits payants sont beaucoup plus élevés.
- Utiliser le bon modèle pour la tâche réduit les coûts de 10–50×. GPT-4o mini ou Claude Haiku 4.5 peuvent gérer des tâches qui ne nécessitent pas GPT-4o ou Claude 4.6 Sonnet.
- Les LLM locaux via Ollama ou LM Studio n'ont pas de coûts API par token, mais nécessitent un investissement VRAM et ont des capacités inférieures aux modèles frontière.
Comment fonctionne le comptage des tokens en pratique
Chaque élément de votre appel API — prompt système, historique de conversation, nouveau message, fichiers et la sortie du modèle lui-même — consomme des tokens de votre quota. C'est pourquoi une conversation qui a commencé par un petit message peut soudainement devenir chère après cinq échanges. Vous payez pour tout, accumulé. Comprendre la distinction entre prompt système et prompt utilisateur est critique car les deux sont facturés à chaque appel.
- Prompt système : Comptabilisé une fois par message. Un prompt système de 200 mots = ~250 tokens à chaque appel API.
- Historique complet des conversations : Inclus à chaque demande sauf s'il est explicitement résumé ou supprimé. Une conversation à 10 tours avec 500 tokens par tour = 5 000 tokens comptabilisés à nouveau au tour 11.
- Votre message d'entrée : Comptabilisé tel quel.
- Fichiers ou images joints : Les images consomment 100–2 000 tokens selon la taille et la résolution. Les gros PDF peuvent en consommer des milliers.
- Sortie du modèle : La réponse générée est comptabilisée complètement aux taux de tokens de sortie (généralement 2–5× plus qu'aux taux d'entrée).
- Exemple travaillé : Une conversation de recherche à 3 tours : Prompt système (300 tokens) + Question utilisateur 1 (150 tokens) + Réponse modèle 1 (200 tokens) + Question utilisateur 2 (200 tokens) + Réponse modèle 2 (300 tokens) + Question utilisateur 3 (100 tokens) = 1 250 tokens jusqu'à présent. Lorsque vous envoyez la question 3, vous payez à nouveau pour l'historique complet (1 250 tokens) plus la sortie de la réponse 3. Un seul suivi « court » peut coûter autant que toute la conversation précédente.
Combien coûtent GPT-4o, Claude et Gemini par million de tokens en 2026 ?
Les prix varient considérablement en fonction de la capacité du modèle. Tous les chiffres ci-dessous sont des tarifs publics à partir de mars 2026. Notez que les tokens de sortie coûtent généralement 2–5× plus que les tokens d'entrée — c'est où les coûts s'accumulent le plus rapidement. Le bon choix de modèle est le plus grand levier de coûts — voir comment choisir entre GPT-4o, Claude et Gemini pour des comparaisons détaillées.
Tarifs à partir de mars 2026. Vérifiez les tarifs actuels : Tarification OpenAI · Tarification Anthropic · Tarification Google
| Modèle | Entrée (par 1M de tokens) | Sortie (par 1M de tokens) |
|---|---|---|
| OpenAI GPT-4o | $5.00 | $15.00 |
| Anthropic Claude 4.6 Sonnet | $3.00 | $15.00 |
| Google Gemini 1.5 Pro | $3.50 | $10.50 |
| OpenAI GPT-4o mini | $0.15 | $0.60 |
| Anthropic Claude 4.5 Haiku | $0.25 | $1.25 |
| Google Gemini 1.5 Flash | $0.075 | $0.30 |
Que sont les limites de débit — et pourquoi existent-elles ?
Les limites de débit sont des plafonds sur le nombre de requêtes que vous pouvez faire par minute (RPM), le nombre de tokens que vous pouvez traiter par minute (TPM), ou le nombre de tokens par jour (TPD). Les prestataires imposent des limites pour prévenir les abus, assurer une allocation équitable des ressources entre les utilisateurs et créer des niveaux de tarification. Les utilisateurs du forfait gratuit font face aux limites les plus strictes ; les forfaits payants débloquent un débit beaucoup plus élevé.
- Requêtes par minute (RPM) : Le nombre d'appels API que vous pouvez effectuer dans une fenêtre de 60 secondes. Si vous dépassez cette limite, les requêtes sont mises en file d'attente ou rejetées.
- Tokens par minute (TPM) : Le débit total des tokens. Un seul grand prompt peut consommer votre quota TPM entier en quelques secondes.
- Scénarios courants où vous atteignez les limites : Pipelines automatisés effectuant des appels séquentiels rapides (50+ par seconde), gros travaux de traitement par lots, ou utilisateurs du forfait gratuit dans des situations de pic.
- Limites typiques : Gratuit : 3–15 RPM, 40k–100k TPM. Forfait payant 1 : 500 RPM, 200k–500k TPM. Entreprise : 3 000+ RPM, des millions de TPM.
- Stratégies de contournement : Regrouper les petites tâches en requêtes plus grandes (moins d'appels API), ajouter des délais entre les requêtes, ou passer à un compte de niveau supérieur.
Comment réduire mes coûts API LLM de 30–50× ?
Testé dans PromptQuorum — 20 prompts de synthèse de recherche identiques exécutés sur GPT-4o, Claude 4.6 Sonnet et Gemini 1.5 Pro avec différents niveaux de verbosité du prompt système : Avec un prompt système de 500 tokens, la sortie moyenne était 450 tokens avec un coût moyen de $0.032 par appel. Avec les mêmes instructions dans un prompt élaguée de 200 tokens, la sortie moyenne était 460 tokens à $0.025 par appel — une réduction de coûts de 18 % avec une qualité de sortie identique. Cela s'aligne avec comment prompter pour la vitesse — l'efficacité réduit à la fois la latence et les coûts.
Chaque token inutile dans votre prompt gaspille de l'argent — et les coûts s'accumulent plus rapidement parce que votre prompt entier est réinclus à chaque appel API dans une conversation. Réduire un prompt système de 500 tokens à 300 tokens économise $0.001 par appel, mais à 1 000 appels par jour, c'est $1/jour ou $365/an.
- Élaguez le contexte agressivement : Ne répétez pas ce que le modèle sait déjà. Au lieu de « L'utilisateur a posé la question X. Je lui ai dit Y. Maintenant il pose la question Z », incluez simplement Z.
- Utilisez des contraintes de longueur explicites : « Répondez en 3 points » ou « Maximum 100 mots » force la brièveté et prévient les sorties verbales (qui coûtent plus cher).
- Évitez le rembourrage dans les prompts système : Chaque mot de remplissage coûte de l'argent. « Vous êtes un assistant IA utile qui aide les utilisateurs » fait 10 tokens. « Vous êtes un assistant IA utile » fait 6 tokens. Les deux transmettent le même sens.
- Exemple : Prompt système gonflé vs élagué :
- Mauvais prompt « Vous êtes un assistant IA utile ayant des connaissances étendues dans de nombreux domaines. Vous aidez les utilisateurs en fournissant des réponses détaillées et complètes à leurs questions. Soyez toujours complet et expliquez votre raisonnement étape par étape. Évitez d'être concis — les utilisateurs apprécient les explications complètes. »
- Bon prompt « Vous êtes un assistant IA utile. Fournissez des réponses précises et détaillées. Expliquez votre raisonnement. »
- Différence de tokens : Mauvais = 55 tokens, Bon = 13 tokens. À 100 appels par jour : 42 × 100 × 30 jours × ($0.005 / 1M tokens d'entrée) ≈ $0.63/mois économisés par un seul prompt élagué.
Comment réduire les coûts API LLM en 5 étapes
- 1Faire correspondre le modèle à la complexité de la tâche : utilisez GPT-4o mini ou Claude 4.5 Haiku pour la classification simple et les Q&A — 33× moins cher que les modèles frontière
- 2Résumez l'historique des conversations tous les 5 tours : évite que l'historique complet soit refacturisé à chaque appel (une technique alignée avec le prompt engineering en chaîne de pensée — structurez votre raisonnement d'avance)
- 3Limitez la longueur de sortie explicitement : « Répondez en 3 points » ou « Maximum 100 mots » prévient les réponses verbales chargées en tokens
- 4Élaguer les prompts système à l'essentiel : supprimer les phrases de remplissage ; chaque mot redondant est refacturisé à chaque appel API
- 5Testez les LLM locaux via Ollama pour les workflows privés à haut volume : coût API nul par token au prix de la capacité du modèle frontière
Choisir le bon modèle pour la bonne tâche
Chaque tâche ne nécessite pas OpenAI GPT-4o ou Anthropic Claude Opus. La classification simple, les Q&A factuels et de nombreuses tâches automatisées fonctionnent parfaitement sur des modèles moins chers — et la différence de coûts est dramatique.
| Type de tâche | Modèle recommandé | Coûts vs GPT-4o |
|---|---|---|
| Classification simple / Oui-Non | GPT-4o mini, Claude Haiku 4.5 ou Gemini Flash | 33× moins cher |
| Courte Q&A factuelle | GPT-4o mini ou Claude Haiku 4.5 | 10–33× moins cher |
| Analyse complexe ou code | GPT-4o ou Claude 4.6 Sonnet | Baseline |
| Écriture créative longue | Claude 4.6 Sonnet ou GPT-4o | Baseline |
| Workflows privés à haut volume | Modèle local via Ollama | Coûts API nuls |
Quels sont les compromis entre les LLM locaux (Ollama) et les API cloud ?
Les modèles locaux via Ollama ou LM Studio n'ont pas de coûts API par token — vous payez uniquement pour le matériel (VRAM et électricité). Cela les rend idéaux pour les workflows à haut volume, les applications sensibles à la confidentialité et les pipelines critiques. Les compromis sont la capacité (les modèles locaux restent à la traîne des modèles frontière) et la latence (l'exécution sur du VRAM grand public est plus lente). Comprendre les fenêtres de contexte est essentiel lors de la planification des déploiements locaux — votre VRAM limite la taille de la fenêtre de contexte que vous pouvez supporter.
- Coûts de matériel : Les modèles Ollama comme LLaMA 3.1 7B nécessitent ~8GB VRAM, les modèles 13B ont besoin de ~16GB, les modèles 70B ont besoin de 40GB+. La mémoire GPU est le facteur limitant.
- Compromis de capacité : Les modèles locaux sont excellents pour la classification, le résumé et les tâches répétitives. Ils luttent avec le raisonnement multi-étapes, la génération de code et l'écriture créative comparés à GPT-4o ou Claude 4.6 Sonnet.
- Compromis de latence : Les modèles cloud répondent en 500ms–2s. Les modèles locaux sur du matériel grand public : 2–10s selon la taille du modèle et les spécifications du système.
- Quand utiliser le local : Automatisation à haut volume (1 000+ appels/jour), données sensibles à la RGPD (les utilisateurs de l'UE traitant des données personnelles en vertu du RGPD bénéficient du traitement sur appareil sans appels API externes), ou des workflows critiques où la qualité est « suffisante ».
- Quand utiliser le cloud : Applications sensibles à la latence, tâches nécessitant du raisonnement, ou analyses ponctuelles où le coût API est négligeable.
Comment PromptQuorum vous aide à gérer les coûts de tokens
PromptQuorum utilise deux LLM : un LLM backend et un LLM frontend (votre modèle choisi qui répond à votre question de prompt). Le LLM backend optimise votre prompt et exécute une analyse de consensus Quorum sur plusieurs modèles frontend. Contrairement aux interfaces de chat mono-modèle, PromptQuorum rend l'utilisation des tokens visible et exploitable.
Les tokens du LLM backend sont toujours visibles. La visibilité des tokens frontend dépend de la façon dont vous accédez au modèle :
- Interfaces publiques (Copilot, chat web Claude public) : Tokens frontend NON visibles — seuls les tokens backend s'affichent.
- Modèles locaux (LM Studio, Ollama) : Tokens frontend SONT visibles — s'exécute sur votre matériel, PromptQuorum voit l'utilisation des tokens directement.
- API (OpenAI, Anthropic) : Cela dépend. Avec l'intégration API directe, les tokens frontend sont visibles. Via un endpoint tiers ou une interface publique, tokens frontend NON visibles.
Testé dans PromptQuorum — 20 prompts de synthèse de recherche identiques envoyés à GPT-4o et GPT-4o mini : La qualité de sortie correspondait sur 17 des 20 tâches. Différence de coûts : $0.003 par prompt (GPT-4o) vs $0.00007 par prompt (mini) — une réduction de coûts de 43×. Sur les 3 tâches où GPT-4o était supérieur, la complexité impliquait un raisonnement multi-étapes sur des documents.
Recettes de coûts de tokens — Scénarios courants
Utilisez ces modèles comme points de départ pour optimiser les coûts dans des workflows spécifiques.
- « Recherche rapide / tâche Oui-Non »: Utilisez GPT-4o mini ou Haiku. Prompt système minimaliste (≤50 tokens). Pas d'historique de conversation. Contraindre la sortie à 1–2 phrases. Coût total par tâche : ~$0.00001–0.0001.
- « Tâche de recherche longue (5–10 tours) »: Utilisez Claude 4.6 Sonnet (excellent sur long contexte). Après tous les 5 tours, résumez la conversation et remplacez l'historique par un résumé (réduit les tokens de 70 %). Coûts : ~$0.01–0.05 par session de recherche.
- « Pipeline automatisé / Traitement par lots »: Utilisez GPT-4o mini pour le filtrage ou la classification (33× moins cher). Montez en escalade vers GPT-4o uniquement pour la synthèse finale sur les cas limites. Regroupez les prompts similaires pour réutiliser le cache de contexte où l'API le support.
- « Workflow sensible à la confidentialité »: Routez vers Ollama ou LM Studio s'exécutant localement. Gérez la fenêtre de contexte : 4k–8k tokens pour 8GB VRAM, 16k–32k pour 16GB. Coûts API nuls. Acceptez une qualité légèrement inférieure pour la conformité.
- « Comparaison de sorties sur les modèles »: Envoyez un prompt bien structuré à GPT-4o, Claude 4.6 Sonnet et Claude Haiku 4.5 simultanément. Comparez qualité + coûts. Choisissez le moins cher qui répond à votre barre de qualité. Coûts de découverte : ~$0.001. Coûts en cours : Économies de 33–43×.
Erreurs courantes qui font exploser votre facture de tokens
Évitez ces modèles de gaspillage de tokens.
- Envoyer l'historique complet de la conversation à chaque appel : Si une conversation est 5 000 tokens après 10 tours, vous payez 5 000 tokens à nouveau au tour 11 même si seulement 200 tokens sont nouveaux. Solution : Résumer tous les 5 tours ou utiliser le cache de prompts si l'API le support.
- Utiliser un modèle hautement capable pour les tâches simples : N'utilisez pas GPT-4o pour « extraire la date de cet email ». Utilisez GPT-4o mini ou Haiku. Différence de coûts : 33× sur cette seule tâche.
- Ne pas contraindre la longueur de sortie : Un prompt vague « parlez-moi de X » peut retourner 500 tokens quand « résumé en 50 mots » retourne 60 tokens. Vous payez 8× plus pour la réponse verbale.
- Répéter les longs prompts système à chaque appel : Si votre prompt système est 500 tokens et vous faites 100 appels API, c'est 50 000 tokens gaspillés si vous n'êtes pas en le réutilisant ou mettant en cache. Utilisez des modèles de prompts système ou le cache au niveau des requêtes.
- Oublier les tokens d'image : Une seule image haute résolution peut consommer 500–2 000 tokens selon la résolution. Redimensionnez les images ou recadrez à la région pertinente avant de télécharger.
- Exécuter les appels de test manuels au lieu du traitement par lots : Tester 20 variations de prompt coûte 20× le coût de tokens d'un appel. Utilisez les API par lot ou la comparaison multi-modèle de PromptQuorum pour tester toutes les variations en une seule opération.
- Basculer les modèles au milieu d'une conversation : Les API cloud (OpenAI, Anthropic) ne transportent pas le contexte de conversation entre les modèles. Redémarrer la conversation sur un modèle différent renvoie tous les messages précédents. Engagez-vous à un modèle par conversation.
FAQ
Combien de tokens contient un article ou un rapport typique ?
Un article de 1 000 mots ≈ 1 200–1 500 tokens. Un PDF de 10 pages ≈ 4 000–6 000 tokens. Une seule image haute résolution ≈ 500–2 000 tokens selon la résolution et la densité de contenu.
Pourquoi ma facture API est-elle plus élevée que prévu, même avec des prompts courts ?
Trois causes courantes : (1) Vous envoyez l'historique complet de la conversation à chaque appel — résumez après 5 tours. (2) Votre prompt système est long — élaguer à l'essentiel. (3) Vous utilisez un modèle hautement capable pour les tâches simples — basculez vers GPT-4o mini ou Haiku pour la classification ou le Q&A court.
Un prompt système plus long signifie-t-il toujours une meilleure sortie ?
Non. Un prompt système bien conçu de 100 tokens surpasse souvent un prompt verbeux de 500 tokens. La qualité bat la quantité. La spécificité bat la verbosité.
Puis-je mettre en cache mon prompt système pour économiser les coûts ?
OpenAI et Anthropic offrent tous deux le cache de prompts pour les longs prompts système ou les préfixes répétés. OpenAI facture une réduction de 90 % sur les tokens mis en cache ; Anthropic facture une réduction de 10 %. Vérifiez votre documentation API pour activer cela — cela nécessite un en-tête spécifique sur votre demande.
Les LLM locaux ont-ils vraiment zéro coût ?
Coût API nul par token, oui. Mais le matériel coûte de l'argent : VRAM GPU (8GB = ~$100, 16GB = ~$200), électricité et votre temps pour gérer la configuration locale. Pour les requêtes ponctuelles, c'est peu rentable. Pour 1 000+ requêtes par jour, les modèles locaux se rentabilisent rapidement.
Comment estimer les coûts avant d'exécuter un gros lot ?
Estimez : (tokens moyens par prompt × nombre de prompts) × (coût d'entrée par 1M + coût de sortie par 1M). PromptQuorum fait cela automatiquement avant d'exécuter un lot — entrez votre prompt et le modèle désiré, et il prévoit la dépense totale.
GPT-4o vaut-il le coût contre GPT-4o mini ?
Pour la plupart des tâches, GPT-4o mini est le meilleur choix. GPT-4o mini coûte 33× moins par token et gère la classification, le Q&A court, l'extraction de données et le résumé routinier avec une précision comparable. Réservez GPT-4o pour les tâches nécessitant un raisonnement multi-étapes, la génération de code, l'analyse nuancée ou l'écriture structurée longue — les tâches où vous pouvez mesurer la différence de qualité.
Comment les coûts des tokens de Claude et GPT-4o se comparent-ils ?
À partir de mars 2026 : Claude 4.6 Sonnet et GPT-4o sont tarifés de façon similaire ($3.00/$15.00 vs $5.00/$15.00 par million de tokens d'entrée/sortie). Claude 4.6 Sonnet est 40 % moins cher en entrée ; les coûts de sortie de GPT-4o sont identiques. Pour les workflows à haut volume lourd en entrée (gros documents, longs prompts système), Claude a un avantage coûts. Pour les workflows lourd en sortie (longs essais, long code), les coûts sont équivalents.
Lecture recommandée
- Fundamentals : Réponses d'IA plus rapides : Comment prompter pour la vitesse — l'efficacité des prompts réduit directement les coûts de tokens
- Fundamentals : GPT, Claude ou Gemini ? Comment choisir le bon modèle — la sélection du modèle est le plus grand levier de coûts
- Fundamentals : Fenêtres de contexte expliquées : Pourquoi l'IA oublie — les fenêtres de contexte limitent la quantité d'historique que vous pouvez inclure avant de frapper les limites de tokens ou de longueur