Source: https://aiprimetech.io/fr/blog/choosing-the-right-model-cost/ Juin 21, 2026 · 6 min · API # Choisir le bon modèle pour la tâche (et le budget) A Par [AI Prime Tech](https://aiprimetech.io/fr/) · Avec l’aide de l’IA Un mardi à 9:17 du matin, notre outil de synthèse des demandes d’assistance semblait « en bonne santé » sur le tableau de bord : 99.4 % de réussite, une latence p95 inférieure à 3 secondes, aucune accumulation dans la file d’attente. La facture racontait une autre histoire. Nous dépensions des sommes dignes d’Opus pour résumer des tickets comme celui-ci : ``` { "subject": "Can I reset my password?", "messages": 3, "language": "en", "attachments": 0 } ``` Ce n’est pas un problème de raisonnement. Ce n’est pas un problème de contexte de 1M. C’est à peine un problème de langage. La solution n’était pas « utiliser partout le modèle le moins cher ». Cette approche échoue dès qu’un litige sur un remboursement, un rapport de bug embrouillé ou une escalade sensible sur le plan de la conformité se présente. La solution était le routage : commencer à faible coût, mesurer la confiance et ne passer à un modèle supérieur que lorsque la tâche le justifie réellement. Choisir le bon modèle consiste moins à trouver « le meilleur modèle d’IA » qu’à construire un système de décision sans surprise et fiable : - Qu’exige cette tâche ? - Quelle marge d’erreur peut-on accepter du modèle ? - Quelle quantité de contexte est nécessaire ? - Quelle latence l’utilisateur peut-il tolérer ? - Quel est le mécanisme de nouvelle tentative ou d’escalade ? C’est là que Haiku, Sonnet, Opus, Fable, GPT, Gemini et les modèles à poids ouverts ont chacun une véritable place. ## Un cadre mental utile : d’abord la nature de la tâche, ensuite le modèle En pratique, je classe les charges de travail des LLM selon cinq axes avant même de regarder les noms des modèles : | Nature de la tâche | Exemple | Meilleur choix initial | Passer au niveau supérieur lorsque | Transformation simple | Réécriture, classification, résumé de textes courts | Modèle de la catégorie Haiku ou petit modèle ouvert | La sortie est mal formée ou la confiance est faible | Extraction structurée | Analyse de factures, de tickets et de journaux | Haiku/Sonnet ou modèle ouvert soumis à des contraintes | Champs ambigus, enregistrement à forte valeur | Raisonnement applicatif | Planification d’agents, débogage, assistance en plusieurs étapes | Modèle de la catégorie Sonnet/GPT/Gemini | Échecs d’outils, contradictions, faible confiance | Analyse approfondie | Examen d’architecture, comparaison de politiques à caractère juridique, raisonnement complexe sur le code | Opus/GPT-5.5/Gemini 3 | Commencer généralement à ce niveau si les enjeux sont élevés | Synthèse d’un contexte très volumineux | Dépôt entier, vaste archive de transcriptions, documents longs | Fable 5 ou modèle à contexte long | Un raisonnement local précis est nécessaire après la récupération d’informations | Traitement privé ou hors ligne à grand volume | Préfiltrage de modération, classification liée aux plongements vectoriels, traitements internes par lots | Llama/Qwen/DeepSeek/MiniMax/Kimi à poids ouverts | Cas limites, décisions réglementées Le choix du modèle devient beaucoup plus facile lorsque vous cessez de demander « quel modèle est le plus intelligent ? » et commencez à demander « quel mode de défaillance cet investissement permet-il de réduire ? » Par exemple : - Un outil de synthèse des demandes de réinitialisation de mot de passe a besoin de cohérence et d’un faible coût. - Un assistant de migration de code a besoin de raisonnement et d’utilisation d’outils. - Un outil de comparaison de contrats a besoin d’un contexte long, mais aussi d’une attribution rigoureuse des sources. - Un agent destiné aux clients a davantage besoin d’une latence prévisible que de performances maximales sur les bancs d’essai. - Un pipeline d’enrichissement par lots peut accorder plus d’importance au débit par dollar qu’à l’élégance des réponses. Le mauvais modèle n’est souvent pas mauvais sur le plan technique. Il l’est sur le plan économique. ## Une hiérarchie pratique des modèles Voici la hiérarchie que j’utilise pour la plupart des systèmes en production. ### Modèles de la catégorie Haiku : le choix par défaut pour un traitement du langage rapide et peu coûteux Les modèles de la catégorie Haiku sont excellents pour un premier traitement. Je les utilise pour des tâches où la réponse est courte, l’entrée est propre et le format de sortie est contraint. Usages adaptés : - Étiquetage des tickets - Résumés courts - Classification des sentiments - Normalisation des objets d’e-mails - Mise en correspondance avec la FAQ - Extraction simple de JSON - Préfiltres de modération à faible risque Exemple de prompt pour un classificateur peu coûteux en première passe : ``` { "model": "claude-haiku-4.5", "temperature": 0, "max_tokens": 120, "response_format": { "type": "json" }, "messages": [ { "role": "system", "content": "Classify the support ticket. Return only valid JSON." }, { "role": "user", "content": "Subject: Refund not received\nBody: I canceled two weeks ago and still see a charge." } ] } ``` Sortie attendue : ``` { "category": "billing", "urgency": "medium", "needs_human": true, "reason": "Refund dispute involving payment status" } ``` Un piège courant : les équipes demandent aux modèles peu coûteux de raisonner et de respecter parfaitement le format en une seule passe. Si le modèle produit parfois du JSON invalide, ne passez pas immédiatement à Opus. Commencez par mieux cadrer la tâche : - Définissez temperature: 0 - Utilisez un schéma JSON ou un appel d’outil - Réduisez l’étendue des instructions - Séparez la classification de l’explication - Validez la sortie et réessayez une fois Pour de nombreuses tâches en production, une nouvelle tentative avec un modèle de classe Haiku reste moins coûteuse et plus rapide que le recours par défaut à un modèle de raisonnement de pointe. ## Modèles de classe Sonnet : le pilier de la logique produit en conditions réelles Les modèles de classe Sonnet sont généralement ceux que je retiens pour les fonctionnalités interactives d’un produit. Ils sont assez performants pour raisonner, assez fiables pour utiliser des outils et généralement assez rapides pour les parcours utilisateur. Usages adaptés : - Rédaction de réponses pour le support client - Workflows agentiques avec des outils - Explication de code et refactorisation légère - Questions-réponses sur des documents en plusieurs étapes - Workflows de copilote pour les ventes ou la réussite client - Extraction structurée à partir d’entrées désordonnées En pratique, Sonnet est souvent le meilleur choix pour « ne pas avoir à trop réfléchir au routage ». Si vous ne pouvez intégrer qu’une seule catégorie de modèles à une nouvelle fonctionnalité, commencez par celle-ci. Exemple : un agent de support capable d’examiner une commande, une politique et des tickets précédents. ``` SYSTEM = """ You are a support resolution assistant. Use tools before making claims about orders, refunds, or account state. If policy is ambiguous, say what is ambiguous and escalate. Return: - summary - recommended_action - customer_reply - escalate: true/false """ request = { "model": "claude-sonnet-4.6", "temperature": 0.2, "max_tokens": 900, "tools": [ {"name": "get_order", "description": "Fetch order state"}, {"name": "get_refund_policy", "description": "Fetch current refund rules"}, {"name": "search_prior_tickets", "description": "Search customer history"} ], "messages": [ {"role": "system", "content": SYSTEM}, {"role": "user", "content": "Customer says they returned item A but were charged again."} ] } ``` Voici ce qui se passe réellement lorsque vous exécutez ce type de workflow en production : la plupart des échecs ne viennent pas du fait que « le modèle est idiot ». Ce sont des échecs d’intégration. - L’outil renvoie un état obsolète. - Le modèle reçoit trop de contexte sans pertinence. - Le document de politique contient des passages contradictoires. - L’agent est autorisé à poursuivre après l’échec d’un appel d’outil. - Le prompt demande à la fois une analyse interne et un texte prêt à être envoyé au client, sans les séparer. Un modèle de classe Sonnet est assez intelligent pour surmonter un certain désordre, mais il ne dispense pas de définir clairement les contrats des outils. ## Modèles de classe Opus : coûteux, mais parfois moins chers que les erreurs Les modèles de classe Opus sont destinés aux tâches pour lesquelles le coût d’une mauvaise réponse l’emporte sur le coût de l’inférence. Je fais appel à Opus lorsque : - L’entrée est ambiguë et les enjeux sont élevés - De nombreuses contraintes interagissent - L’utilisateur attend un raisonnement approfondi - La tâche implique des compromis en matière de code, de politique ou d’architecture - L’échec d’une tentative peu coûteuse ferait perdre du temps à une personne Exemples : - Examiner un plan de migration de base de données - Analyser la chronologie d’un incident en production - Générer une comparaison complexe de politiques juridiques pour examen humain - Déboguer une défaillance d’agent impliquant plusieurs services - Évaluer si une action automatisée est sûre Je n’utilise pas Opus pour toutes les tâches « importantes ». L’importance et la difficulté sont deux choses différentes. Un million de tickets de réinitialisation de mot de passe sont importants pour les utilisateurs, mais chacun d’eux reste simple. Une seule migration comportant une suppression de données délicate peut être à la fois importante et difficile. Une approche utile consiste à « passer à un modèle supérieur en cas d’incertitude » : ``` def choose_model(task): if task["context_tokens"] > 700_000: return "fable-5" if task["risk"] == "high" and task["requires_reasoning"]: return "claude-opus-4.8" if task["requires_tools"] or task["multi_step"]: return "claude-sonnet-4.6" return "claude-haiku-4.5" ``` C’est volontairement simple. Le routeur doit être assez banal pour que votre équipe puisse le déboguer à 2 heures du matin. ## Fable 5 et contexte de 1M : à utiliser lorsque la recherche d’informations pose problème Les modèles à contexte long sont tentants, car ils évitent une grande partie du travail d’ingénierie lié à la recherche d’informations. La fenêtre de contexte de 1M de Fable 5 change ce que vous pouvez tenter directement : examen de documents entiers, synthèse de transcriptions volumineuses, inspection de grands dépôts et analyse de politiques réparties sur plusieurs fichiers. Mais le contexte long n’a rien de magique. Une fenêtre de 1M tokens est utile lorsque la difficulté tient au fait que « l’information pertinente peut se trouver n’importe où ». Elle ne garantit pas que le modèle raisonnera parfaitement sur l’ensemble du million de tokens, et elle ne rend pas gratuit le contexte sans pertinence. Les prompts longs coûtent toujours de l’argent, augmentent la latence et peuvent diluer l’attention. J’utilise un contexte long de type Fable lorsque : - Le corpus est trop interconnecté pour un découpage naïf - Manquer un détail serait plus dommageable que de payer pour du contexte supplémentaire - L’utilisateur peut accepter des réponses plus lentes - La tâche gagne à inclure le contenu environnant brut Exemple d’architecture pour l’examen de documents volumineux : ``` User request -> lightweight classifier -> retrieve obvious relevant sections -> if confidence high: Sonnet answer with citations/quotes from chunks -> if confidence low or query is global: Fable 5 over full document set -> optional Opus review for high-risk final answer ``` Cette approche hybride fonctionne mieux que celle qui consiste à « toujours tout mettre dans le contexte ». En pratique, les modèles à contexte long sont surtout utiles comme solution de repli lorsque la confiance dans la recherche d’informations est faible. ## Modèles à poids ouverts : contrôle, coût et débit Les modèles à poids ouverts comme Llama, Qwen, DeepSeek, MiniMax et Kimi ne sont pas de simples « alternatives moins chères ». Ce sont des choix opérationnels. Ils sont pertinents lorsque vous avez besoin de : - Déploiement local ou dans un VPC - Coûts prévisibles pour le traitement par lots à grande échelle - Ajustement fin ou distillation - Optimisations personnalisées de l’inférence - Contrôle de la résidence des données - Coût marginal extrêmement faible après la mise en place Ils conviennent particulièrement bien aux tâches ciblées et répétitives. Par exemple, une variante de Qwen ou de Llama servie par vLLM peut assurer la classification, l’extraction et l’enrichissement interne à haut débit si vous maîtrisez la longueur des prompts et le format de sortie. Exemple de configuration pour servir un modèle localement : ``` vllm serve Qwen/Qwen3-14B \ --host 0.0.0.0 \ --port 8000 \ --tensor-parallel-size 2 \ --max-model-len 32768 \ --gpu-memory-utilization 0.90 ``` Appelez-le ensuite via un client compatible avec OpenAI : ``` from openai import OpenAI client = OpenAI( base_url="http://localhost:8000/v1", api_key="local" ) result = client.chat.completions.create( model="Qwen/Qwen3-14B", temperature=0, messages=[ {"role": "system", "content": "Return valid JSON only."}, {"role": "user", "content": "Classify: user cannot access invoice PDF"} ] ) ``` La contrepartie est la responsabilité technique. Avec des modèles de pointe hébergés, quelqu’un d’autre gère la capacité, l’application des correctifs, les choix de quantification et l’optimisation des performances au niveau des noyaux de calcul. Avec des modèles ouverts, cela devient votre travail. Les modèles à poids ouverts conviennent très bien lorsque la charge de travail est stable. Ils sont moins adaptés lorsque le produit change chaque semaine et que la qualité des prompts compte davantage que le coût brut de mise à disposition du modèle. ## Routage vers les modèles les moins coûteux en premier, avec passage à un modèle supérieur Un bon routeur n’est pas un classement de modèles. C’est un système de maîtrise des risques. Voici une approche adaptée à la production : - Essayez le modèle le moins coûteux qui devrait être capable de réaliser la tâche. - Validez la sortie de manière automatique. - Demandez au modèle une auto-vérification calibrée, uniquement sur des critères observables. - Passez à un modèle supérieur si la validation échoue, si la confiance est faible ou si le risque est élevé. - Consignez le routage et le résultat pour les ajuster ultérieurement. Exemple de routeur : ``` def run_with_escalation(task, input_text): first_model = pick_first_model(task) response = call_model( model=first_model, input=input_text, schema=task["schema"], temperature=0 ) validation = validate(response, task["schema"]) if not validation.ok: return call_model( model="claude-sonnet-4.6", input=input_text, schema=task["schema"], temperature=0 ) if task["risk"] == "high" and response.get("needs_review"): return call_model( model="claude-opus-4.8", input=input_text, schema=task["schema"], temperature=0 ) return response ``` L’essentiel est que le passage à un modèle supérieur repose sur des signaux mesurables, et non sur des impressions. Signaux utiles pour passer à un modèle supérieur : - JSON invalide - Champs obligatoires manquants - Réponse contradictoire - Échec d’un appel d’outil - Éléments probants récupérés peu solides - L’utilisateur demande une action irréversible - L’entrée dépasse la longueur habituelle - Le modèle signale explicitement une incertitude - Le classificateur détecte du contenu juridique, médical, financier ou relatif à la sécurité Évitez d’utiliser uniquement la « confiance du modèle » comme score numérique. La confiance d’un LLM n’est pas une probabilité calibrée. Elle reste utile lorsqu’elle est limitée à des vérifications précises : « L’entrée contenait-elle suffisamment d’informations pour répondre ? » vaut mieux que « Quel est votre niveau de confiance ? » ## Latence, prix et expérience utilisateur Le modèle le plus rapide n’offre pas toujours la meilleure expérience utilisateur. La meilleure expérience est celle qui permet à l’utilisateur d’obtenir un résultat correct avec une attente acceptable. Pour les systèmes interactifs, je raisonne en budgets de latence : | Expérience | Budget approximatif | Stratégie de choix du modèle | Autocomplétion ou assistance intégrée | 100–500 ms perçues | Petit modèle ou modèle ouvert, streaming, mise en cache intensive | Réponse de chat | 1–5 secondes | Modèles de classe Haiku/Sonnet avec streaming | Flux de travail agentique avec outils | 5–20 secondes | Modèles de classe Sonnet, outils en parallèle, mises à jour de progression | Analyse approfondie | 30–180 secondes | Modèles de classe Opus/Fable/GPT/Gemini, tâche asynchrone | Traitement par lots | De quelques minutes à plusieurs heures | Modèle à poids ouverts ou offre hébergée la moins chère Ne masquez pas un raisonnement lent derrière un indicateur de chargement sans retour d’information. Si une tâche Opus ou Fable nécessite 90 secondes, présentez-la explicitement comme une tâche d’analyse : ``` Analyzing 184 files... ✓ Indexed repository structure ✓ Found 12 migration scripts ✓ Checking rollback safety ``` Cela change la perception de l’utilisateur, car le système effectue un travail visible. Utilisez aussi le streaming dès que possible. Le streaming ne réduit pas le temps total d’exécution, mais il améliore considérablement la latence perçue dans les flux de travail de conversation et de rédaction. ## Des choix concrets pour chaque tâche Voici les choix concrets que je ferais aujourd’hui. ### Triage des tickets d’assistance Utilisez Haiku en premier. - Entrée : texte court du ticket - Sortie : catégorie, urgence, file de traitement - Passez à Sonnet pour les litiges de facturation, les clients mécontents et les ambiguïtés dans les règles - Examen humain pour les remboursements dépassant le seuil C’est un flux de travail classique qui commence par le modèle le moins cher. ### Agent d’assistance en contact avec les clients Utilisez Sonnet. - Nécessite l’utilisation d’outils - Nécessite la maîtrise du ton - Nécessite la prise en compte des règles - Nécessite une escalade bien gérée Utilisez Haiku uniquement pour le prétraitement. Utilisez Opus pour un examen de supervision des cas à haut risque. ### Assistant de revue de code Utilisez Sonnet pour la revue courante des PR. Utilisez Opus pour les modifications sensibles sur le plan architectural, la concurrence, la sécurité, les migrations de données et les vérifications de correction subtiles. Une erreur courante consiste à fournir tout le dépôt par défaut. Commencez par le diff, le graphe de dépendances et les fichiers voisins. Passez à Fable ou à un autre modèle à contexte long uniquement lorsque la modification touche de nombreux domaines. ### Comparaison de longs contrats ou documents de politique Utilisez la recherche documentaire avec Sonnet pour les questions ciblées. Utilisez Fable 5 lorsque la question est globale, par exemple « trouver toutes les contradictions entre ces documents ». Si le résultat influence une véritable décision juridique ou de conformité, utilisez le modèle pour préparer l’analyse, pas pour prendre la décision. ### Enrichissement de données à grande échelle Utilisez un modèle à poids ouverts si le volume est élevé et la tâche stable. Exemple : - Normaliser les noms d’entreprises - Extraire les étiquettes de secteur d’activité - Classer les prospects entrants - Générer de courts résumés internes Exécutez des traitements par lots chaque nuit, validez des échantillons et transmettez les cas limites à un modèle hébergé. ### Assistant de recherche sur de vastes archives Utilisez Gemini 3, GPT-5.5, Opus ou Fable selon la longueur du contexte et les besoins de raisonnement. Je ne commencerais pas par le modèle le moins cher, sauf si la requête est manifestement simple. Les échecs de recherche passent souvent inaperçus : le modèle donne une réponse plausible tout en manquant le document clé. ## Budgétiser sans se mentir Le moyen le plus simple de dépasser son budget est d’optimiser le coût par appel en ignorant les nouvelles tentatives, les corrections humaines et les flux de travail qui échouent. Suivez ces indicateurs par type de tâche et par modèle : - Tokens d’entrée - Tokens de sortie - Latence p50/p95 - Taux d’échec de validation - Taux d’escalade - Taux de correction humaine - Taux de nouvelles tentatives par les utilisateurs - Coût par tâche réussie, pas par appel Ce dernier indicateur est essentiel. Un modèle bon marché qui nécessite trois nouvelles tentatives et impose malgré tout un examen manuel peut coûter plus cher que Sonnet. Un appel à Opus qui évite une mauvaise migration peut être la décision la plus économique de la semaine. Si vous utilisez une passerelle multimodèle, notamment un service comme l’accès API d’AI Prime Tech aux familles Claude, GPT et Gemini, le principal avantage ne se limite pas à la possibilité de choisir entre plusieurs fournisseurs. Il réside dans la simplification du routage et des mesures entre les différentes classes de modèles. Mais la partie difficile reste la conception de vos tâches. ## Conseils pratiques - Commencez par la nature de la tâche : transformation, extraction, raisonnement, synthèse sur contexte long ou enrichissement par lots. - Utilisez les modèles de classe Haiku pour des tâches peu coûteuses, rapides et bien délimitées, avec une validation mécanique. - Utilisez les modèles de classe Sonnet par défaut pour les fonctionnalités produit qui nécessitent du raisonnement, des outils ou une qualité adaptée aux utilisateurs. - Utilisez les modèles de classe Opus lorsque les erreurs coûtent cher, que l’ambiguïté est forte ou qu’un raisonnement approfondi est important. - Utilisez un contexte long de type Fable 5 lorsque l’incertitude de la recherche documentaire est le principal problème, et non comme stratégie par défaut consistant à tout déverser dans le prompt. - Utilisez des modèles à poids ouverts lorsque la stabilité de la charge de travail, la confidentialité, le débit ou le contrôle du déploiement justifient de prendre en charge l’inférence. - Mettez en place un routage qui privilégie d’abord les modèles les moins chers, avec des signaux d’escalade explicites : sortie invalide, éléments probants insuffisants, échec des outils, actions à haut risque et incertitude. - Mesurez le coût par tâche réussie, pas le coût par token ou par appel. - Gardez les routeurs suffisamment simples pour pouvoir les déboguer sous pression. - Traitez le choix du modèle comme un levier de contrôle technique, et non comme une décision ponctuelle de sélection d’un fournisseur. [Modèles](/fr/blog/tag/models/)[API](/fr/blog/tag/api/) A [AI Prime Tech](https://aiprimetech.io/fr/) Ce blog est publié par AI Prime Tech. Les articles sont rédigés avec l’aide de l’IA ; vérifiez les détails propres à chaque version, tels que les identifiants de modèles, les prix et les limites, dans la documentation officielle avant de vous y fier. Accédez à l’API Claude à moindre coût Une seule clé API pour Claude Opus 5.5, Sonnet 5, Haiku 4.5 et Fable 5.1, ainsi que GPT-6 modèles. Paiement à l’usage, sans abonnement. [Obtenir votre clé API →](/register) AI Prime Tech est une passerelle API tierce indépendante. Claude™ et Anthropic® sont des marques d’Anthropic, PBC. Aucune affiliation ni approbation n’est sous-entendue.