Calculateur de coût des API OpenAI, Claude et Gemini

Activez le prompt caching en tout premier, avant toute autre optimisation. Chez Anthropic, marquez votre prompt système stable avec des en-têtes cache_control et le coût des tokens mis en cache tombe à environ 10 % du tarif d’entrée standard. Chez OpenAI, le cache se déclenche automatiquement sur certains endpoints dès que le préfixe de votre prompt est identique d’une requête à l’autre. Le gain est maximal sur les charges à contexte long et stable et à fort volume de requêtes : chatbots aux personas détaillés, systèmes RAG au contexte de récupération récurrent, et toute boucle d’agent qui renvoie un long jeu d’instructions. La plupart des équipes oublient d’activer le cache et paient 5 à 10 fois trop cher.

Basculez toutes vos charges hors temps réel vers la Batch API. Anthropic et OpenAI proposent des endpoints batch à exactement 50 % du tarif standard, en échange d’un SLA de réponse de 24 heures. La classification, la modération de contenu, la génération d’embeddings, les pipelines de résumé et les campagnes d’évaluation sont autant de bons candidats. L’intégration ne demande presque rien, puisque le prompt et le modèle ne changent pas. Bien des équipes font tourner tout leur pipeline d’étiquetage de contenu au tarif standard, alors que le batch diviserait la facture par deux sans la moindre différence de qualité.

Routez les requêtes selon leur difficulté. Les requêtes simples (salutations, mise en forme, recherches de base) ont leur place sur GPT-4o mini, Claude Haiku ou Gemini Flash, à 0,15 à 0,80 $ par million de tokens d’entrée. Le raisonnement difficile revient à Claude Opus, GPT-4.5 ou Gemini Pro, à 1,25 à 75 $ par million. Un petit classifieur placé devant votre routeur de modèles réduit en général les coûts de 60 à 80 % sur des charges mixtes. Tout envoyer vers un modèle de pointe est l’erreur de coût d’IA la plus courante que nous voyons en production.

Plafonnez max_tokens sans état d’âme. Les tokens de sortie coûtent 3 à 5 fois plus cher que ceux d’entrée, et la marge de sortie par défaut de 4 000 tokens dépasse de loin ce dont la plupart des réponses ont besoin. Plafonnez les réponses par oui ou non à 10 tokens, les courts résumés à 200, le JSON structuré à ce qu’exige votre schéma plus une petite marge. Le modèle a parfois envie de s’étendre même quand vous ne le demandez pas, et ce sont ces digressions que vous payez. Resserrer max_tokens réduit le coût de sortie de 30 à 50 % dans la plupart des cas.

Réduisez le contexte récupéré au strict nécessaire pour chaque requête. Les systèmes RAG récupèrent souvent 10 à 20 fragments et les empilent tous dans le prompt, par prudence. Résultat : vous payez des milliers de tokens hors sujet à chaque requête. Ajouter un reranker qui ne retient que les 3 à 5 fragments les plus pertinents réduit en général la consommation de tokens d’entrée de 50 à 70 %, sans perte de qualité, et souvent avec un gain, car le modèle n’est plus distrait par un contexte hors sujet.

Journalisez chaque requête avec son nombre de tokens, le modèle utilisé et son statut, en cache ou hors cache. On n’optimise pas ce qu’on ne mesure pas, et les coûts d’IA peuvent changer de visage du jour au lendemain, dès qu’une nouvelle fonctionnalité sort ou qu’un prompt est retouché. Mettez en place des alertes de dépense quotidiennes. Construisez un tableau de bord qui ventile la dépense par fonctionnalité, par modèle et par endpoint. La plupart des dépassements que nous rencontrons en production viennent d’un schéma d’usage qui a changé deux semaines avant que quiconque ne regarde la facture.