Prix des tokens LLM : à volume égal, une facture qui peut varier de 1 à 25

À retenir

• Pour 20 000 conversations mensuelles, le coût d’un Agent de connaissance (RAG) oscille entre 120 € et 2 987 € par mois selon le modèle retenu : un rapport de 1 à 25 environ.
• En cause : une facturation distincte de l’entrée et de la sortie. Les tokens générés coûtent en général 3 à 6 fois plus que les tokens lus, voire 8 à 9 fois sur certains modèles. Les modèles « thinking » creusent encore l’écart : leur raisonnement, invisible pour l’utilisateur, est facturé au tarif de la sortie.
• Sans prise en compte du cache de prompts, un comparatif surestime la dépense réelle : dans notre simulation, le cache réduit la facture d’environ 35 % selon l’architecture RAG. Encore faut-il maîtriser ses règles : un seuil de taille minimal et une durée de vie limitée.
• Le tarif au token ne suffit pas à choisir un modèle : conformité à l’AI Act, souveraineté des données et intégration au système d’information comptent autant.
• Cinq leviers permettent de contenir la facture : routage selon la complexité, mise en cache, traitement par lots, pilotes mesurés et revue régulière des tarifs.

Depuis le 1er juin 2026, toutes les offres GitHub Copilot sont facturées à l’usage. L’abonnement forfaitaire donnant un accès illimité à l’IA a disparu : chaque token est désormais compté, puis refacturé. Au-delà de l’anecdote, ce changement traduit une rupture.

En 2025, l’IA générative passait encore pour une ressource presque gratuite, que l’on déployait sans véritable arbitrage financier. En 2026, le réveil a été brutal : des budgets « IA pour développeurs » consommés en quelques mois, et des directions financières qui constatent, souvent après coup, que le coût des tokens progresse plus vite que prévu.

Dans ce contexte, toute entreprise qui met en production un agent IA ou un assistant doit se poser une question simple : le choix du modèle pèse-t-il réellement sur la facture ? Pour y répondre avec des chiffres plutôt qu’avec des intuitions, nous avons simulé le coût réel d’un Agent IA de connaissances (RAG) sur dix modèles, à volumes rigoureusement identiques.

Entrée, sortie, raisonnement : comment se calcule le prix d’un token

Pour comparer des modèles, encore faut-il savoir ce que l’on paie. Tous les fournisseurs appliquent deux grilles tarifaires distinctes :

• les tokens d’entrée, c’est-à-dire tout ce qui est transmis au modèle : la question, le contexte, les documents récupérés ;
• les tokens de sortie, autrement dit le texte produit par le modèle.

Produire une réponse token après token mobilise plus de puissance de calcul que la simple lecture d’un prompt. La sortie est donc toujours plus chère que l’entrée : 3 à 6 fois en règle générale, et jusqu’à 8 ou 9 fois pour certains modèles.

Pour les architectures RAG (Retrieval-Augmented Generation), cette asymétrie a un effet direct. Chaque appel envoie un volume important de tokens en entrée (question, historique, extraits de la base de connaissances) pour obtenir une réponse le plus souvent brève. Le premier poste de dépense n’est donc pas forcément celui auquel on pense.

Le cas particulier des modèles « thinking »

Cette logique se renverse avec les modèles dits « thinking » ou « reasoning ». Quand un modèle raisonne avant de formuler sa réponse, l’utilisateur ne voit rien de ce raisonnement, mais celui-ci est bel et bien facturé : chaque token de raisonnement compte comme un token de sortie, au tarif plein.

Une réponse attendue de 100 mots peut ainsi être précédée de plusieurs minutes de « réflexion » silencieuse, soit l’équivalent de 2 000 mots de raisonnement caché. La facture porte alors sur 2 100 mots de sortie, et non sur 100.

Pour un usage conversationnel, la vigilance s’impose. Dans notre simulation (détaillée plus bas), environ 2 000 tokens de raisonnement caché par appel RAG suffisent pour que le coût de la sortie dépasse celui de l’entrée : l’équation bascule, et l’entrée, jusque-là poste principal, passe au second plan. En relation client, où l’on attend une réponse immédiate, ce mode de raisonnement approfondi est rarement justifié. Certains fournisseurs ne garantissent d’ailleurs pas un raisonnement totalement nul, même sur demande explicite.

Simulation : de 1 à 25 pour un même volume de conversations

Afin de comparer objectivement, nous avons défini un profil d’usage type d’agent IA de connaissances (RAG) et appliqué les mêmes volumes à dix modèles du marché :

• par appel RAG : 10 000 tokens en entrée et 250 en sortie ;
• 2,5 appels RAG par conversation en moyenne ;
• 3 requêtes complémentaires par conversation, de 1 000 tokens en entrée et 40 en sortie chacune ;
• 20 000 conversations par mois.

D’une ligne à l’autre, seul le tarif du modèle varie. Voici les résultats, sur la base des tarifs officiels d’août 2026 convertis au taux de 1 $ = 0,92 € :

Le résultat est net : à volumes égaux, le modèle le plus onéreux coûte près de 25 fois plus que le plus abordable. Pour un agent IA qui gère 20 000 conversations par mois, la différence atteint environ 2 870 € mensuels, uniquement liée au choix du modèle. Sur douze mois, elle sépare une ligne budgétaire anecdotique d’un véritable poste de dépense.

Pour autant, le modèle le moins cher n’est pas le bon choix par défaut. Un modèle « nano » ou « flash-lite » raisonne moins finement qu’un modèle flagship, et une réponse approximative sur un cas complexe coûte souvent davantage en insatisfaction client qu’elle ne fait gagner en tokens. La simulation montre surtout que le choix du modèle n’a rien d’un détail technique : c’est une décision budgétaire, qui doit être prise en connaissance de cause plutôt que subie.

Attention aux requêtes complémentaires

Un piège se cache dans ce type de simulation : la taille des requêtes complémentaires. Courte (autour de 1 000 tokens), une requête n’atteint généralement pas le seuil qui la rend éligible au cache (voir ci-dessous). Elle est donc facturée plein tarif à chaque envoi.

Résultat : à l’usage, une requête de 1 000 tokens peut coûter autant qu’une requête de plusieurs milliers de tokens qui, elle, profite du cache. Chaque hypothèse doit donc être examinée ligne par ligne avant de construire un comparatif de prix fiable.

Le cache de prompts, grand absent des comparatifs

Même rigoureux, un comparatif de ce type surestime presque toujours la dépense observée en production. Il applique en effet le tarif plein à chaque appel, alors qu’une large part du prompt d’un Agent IA de connaissances (RAG) se répète, à l’identique ou presque, d’un appel à l’autre.

La mise en cache des prompts, aujourd’hui proposée par la majorité des grands fournisseurs, tire parti de cette répétition. Lors du premier envoi, un bloc de contexte est stocké en cache ; les appels suivants qui reprennent ce même contexte ne sont facturés qu’à une fraction du tarif d’entrée standard.

Un mécanisme de comparaison par préfixe

Le cache repose sur une comparaison de préfixe : le modèle reprend la requête depuis son premier token et la confronte, token par token, à ce qu’il a déjà traité. Tant que le contenu concorde, cette portion est considérée comme « en cache ». Au premier token divergent, la comparaison s’interrompt : tout ce qui suit est facturé plein tarif, même si le reste du prompt est identique à une requête antérieure.

C’est pourquoi les éléments variables (résultats de recherche RAG, historique de conversation, données de contexte) neutralisent le cache dès qu’ils figurent en début de prompt. À l’inverse, un socle stable placé tout en haut de la requête (instructions système, base de connaissances peu changeante) en tire pleinement parti.

Un seuil minimal de 1 024 tokens chez OpenAI

Autre règle souvent ignorée : la portion commune doit atteindre une taille minimale. Chez OpenAI, par exemple, elle doit dépasser 1 024 tokens pour bénéficier du tarif cache. En deçà, elle n’est pas prise en compte et se paie au prix plein, même si elle reprend à l’identique un appel précédent.

Il en résulte une zone particulièrement pénalisante, entre 800 et 1 024 tokens environ : ces requêtes pèsent sur la facture sans pouvoir profiter du cache. La bonne pratique : quand un prompt frôle ce seuil, l’enrichir légèrement pour le dépasser nettement, à condition que cette requête soit bien réutilisée pendant la durée de vie du cache.

Une durée de vie de 10 à 15 minutes

Le cache est également éphémère : chez la plupart des fournisseurs, il expire par défaut au bout de 10 à 15 minutes environ. Sans nouvelle requête réutilisant le contexte dans ce délai, il disparaît et doit être recréé au prochain appel.

Certains fournisseurs proposent une conservation prolongée, le plus souvent moyennant un surcoût à l’écriture : une option intéressante pour les cas d’usage dont le contexte varie très peu. Les modalités changent d’un fournisseur à l’autre.

Une lecture en cache environ 10 fois moins chère

Chez Anthropic comme chez Google, lire un contenu en cache coûte environ 10 % du tarif d’entrée standard, une remise documentée officiellement par les deux fournisseurs ; l’ordre de grandeur est comparable chez OpenAI. Sur GPT-5.1, par exemple, l’entrée hors cache revient à environ 1,2 à 1,3 € par million de tokens, contre 0,13 à 0,14 € en cache, soit un rapport proche de 10.

Appliqué à Claude Sonnet 5 dans notre simulation, avec une écriture en cache pour un seul des 2,5 appels RAG de la conversation et une lecture en cache pour les suivants, le coût réel par conversation baisse d’environ 35 % par rapport au calcul brut. Un comparatif qui néglige le cache risque donc d’exagérer l’écart réel entre deux solutions, et de sous-évaluer d’autant la marge d’optimisation d’une architecture existante.

Le taux de réutilisation effectif dépend largement de l’architecture. Un agent IA dont le contexte documentaire évolue peu (FAQ, base de connaissances stable) profite bien davantage du cache qu’un assistant qui mobilise des documents différents à chaque requête. Ce paramètre doit être mesuré précisément avant toute décision budgétaire fondée sur un comparatif tarifaire.

Au-delà du prix : les critères qui font vraiment la différence

Le tarif au token n’est qu’un paramètre parmi d’autres. Une étude du MIT (initiative NANDA), très relayée en 2025 et toujours citée en référence en 2026, a établi que 95 % des projets pilotes d’IA générative en entreprise ne produisaient pas de retour sur investissement mesurable.

Le coût des modèles n’était pas en cause : les principaux freins étaient des objectifs flous, une adoption insuffisante par les utilisateurs et une intégration trop faible aux workflows métier. Optimiser le seul prix au token, sans clarifier ces enjeux en amont, revient à s’attaquer à la mauvaise variable.

Pour choisir un modèle en entreprise, quatre critères comptent autant que le tarif :

• Conformité réglementaire. Avec la mise en application progressive de l’AI Act européen, les exigences de transparence, de traçabilité et de supervision humaine varient selon les usages. Un modèle moins coûteux mais peu documenté peut exposer à un risque de conformité bien supérieur à l’économie réalisée.
• Souveraineté et hébergement des données. Pour les organisations soumises à des exigences RGPD strictes, l’origine et le lieu du traitement (hébergement en Europe, absence de réutilisation des données pour l’entraînement) pèsent souvent autant que le prix.
• Intégration au système d’information. Un modèle qui se connecte nativement à vos outils (CRM, base de connaissances, applications métier) limite les coûts cachés d’intégration, qui dépassent souvent, dans la durée, le coût des tokens lui-même.
• Fiabilité sur vos propres cas d’usage. Un bon classement sur un benchmark généraliste ne présage pas des performances sur votre cas précis. Le meilleur indicateur reste un test comparatif sur un échantillon représentatif de vos requêtes.

Maîtriser sa facture de tokens : 5 leviers concrets

Quel que soit le modèle retenu, plusieurs leviers permettent de réduire la dépense sans dégrader la qualité de service :

1. Orienter chaque requête selon sa complexité. Les modèles flagship (Opus, GPT-5.5, Gemini Pro) sont réservés aux demandes complexes ; les tâches simples (FAQ, classification, extraction) sont confiées à des modèles économiques comme Haiku, GPT-5.4 nano ou Gemini Flash-Lite.
2. Mettre en cache le contexte dès que le prompt système ou la base documentaire varie peu d’un appel à l’autre. À prévoir dès la conception des prompts : une portion fixe de contexte supérieure au seuil d’éligibilité du fournisseur (1 024 tokens chez OpenAI), pour ne pas payer plein tarif un contenu presque assez long pour être mis en cache.
3. Recourir au traitement par lots (Batch API) pour tout ce qui ne requiert pas de réponse en temps réel : la plupart des fournisseurs accordent 50 % de remise sur ce mode.
4. Mesurer avant de déployer à grande échelle. Un pilote restreint, avec un suivi précis de la consommation réelle de tokens, évite les mauvaises surprises une fois le déploiement étendu à toute l’organisation.
5. Réévaluer régulièrement le rapport prix/performance. Les tarifs évoluent vite (tous les fournisseurs les ont révisés à plusieurs reprises en 2026) et le modèle le plus adapté aujourd’hui ne le sera pas forcément dans six mois.

Le choix du modèle, une décision stratégique

L’économie du token ne concerne plus seulement les équipes techniques. C’est désormais un arbitrage stratégique, au même titre que le choix d’un fournisseur cloud ou d’un logiciel métier. Notre simulation le démontre : à usage identique, le modèle retenu peut, parmi ceux étudiés, multiplier la facture par 25. Mais le prix affiché ne dit pas tout : cache de prompts, conformité réglementaire et adéquation au cas d’usage comptent tout autant.

Chez Zaion, nous vous accompagnons à chaque étape : du design des parcours à l’industrialisation de l’IA agentique, avec une gouvernance claire et des résultats mesurés dans la durée.

Vous souhaitez estimer précisément le coût d’un projet d’agent IA pour votre organisation ? Demandez une démo.