Modèle de coût · mis à jour 2026
Le coût des API IA va-t-il exploser votre budget ?
Les fournisseurs d'API cloud brûlent une part énorme de leurs revenus. Voici le calcul pour savoir si leur prochaine hausse de prix va aussi faire exploser votre budget.
coût_mensuel_2026 = R × (T_in × P_in + (T_out + T_raisonnement) × P_out)coût_mensuel_2027 = coût_mensuel_2026 × (1 + r)^Δmois
Calculer ma facture d'API et le point de bascule
Entrez votre volume mensuel : l'outil calcule la facture aujourd'hui, dans 12 et 24 mois selon le scénario de hausse, et le délai de remboursement d'une configuration locale.
La hausse cachée que personne n'annonce
Les prix affichés au token ont globalement baissé depuis 2023. Mais deux choses ont changé en coulisses : les tokens de raisonnement sont facturés comme des tokens de sortie, et peuvent représenter plusieurs fois la longueur de la réponse visible ; le routage par défaut bascule silencieusement les requêtes « difficiles » vers des modèles de raisonnement plus chers. Une revue publiée par TechAhead en avril 2026 relève ainsi des prix d'API OpenAI « jusqu'à 4× plus élevés dans certaines régions » entre mars 2025 et janvier 2026, malgré les baisses de prix catalogue.
Une facture réaliste en 2026
| Charge de travail | Tokens visibles/req | Tokens raisonnement/req | Coût/req (GPT-5) |
|---|---|---|---|
| Classifieur support client | 120 in / 40 out | 180 | 0,0021 € |
| Agent de revue de code (1 fichier) | 2 400 in / 600 out | 4 800 | 0,050 € |
| Agent de recherche multi-étapes | 8 000 in / 1 200 out | 22 000 | 0,213 € |
| RAG juridique long contexte | 62 000 in / 1 500 out | 9 000 | 0,161 € |
Calcul au tarif public de GPT-5 (1,25 $ par million de tokens en entrée, 10 $ en sortie, raisonnement facturé comme la sortie), converti à 0,88 € pour 1 $ (septembre 2026).
À 50 000 exécutions d'agent par mois — un déploiement mid-market modeste — la ligne « agent de recherche » à elle seule atteint environ 10 600 €/mois.
Seuil de rentabilité face au déploiement local
La vraie question n'est pas « un modèle local égale-t-il l'API frontière sur MMLU ? » mais « peut-il traiter 70 % de mon trafic de façon acceptable, et combien coûte la migration ? ». Trois déploiements de référence, amortis sur 24 mois, électricité incluse (0,20 €/kWh, 60 % d'utilisation). Le seuil compare ce coût mensuel au seul prix de sortie de GPT-5 (≈ 8,80 € par million de tokens) :
| Configuration | Modèle | Coût matériel | Coût mensuel | Rentable dès |
|---|---|---|---|---|
| RTX 5090 32 Go (ajoutée à un PC existant) | Qwen 3 32B Q4_K_M | ≈ 5 000 € | ≈ 265 € | ~30M tok sortie/mois |
| 2 × RTX 5090 (sans NVLink, modèle réparti) | Qwen 2.5 72B Q4_K_M | ≈ 10 000 € | ≈ 520 € | ~59M tok sortie/mois |
| Mac Studio M5 Ultra 96 Go | gpt-oss 120B | ≈ 6 600 € | ≈ 300 € | ~34M tok sortie/mois |
Prix matériel relevés en septembre 2026 (RTX 5090 entre ≈ 5 000 et 5 600 € selon le vendeur, Mac Studio M5 Ultra 96 Go à 6 599 €). Les RTX 5090 n'ont pas de NVLink : deux cartes se partagent le modèle via le bus PCIe.
Pour l'exemple ci-dessus (50 000 exécutions, ~1,16 milliard de tokens de sortie et de raisonnement par mois, ≈ 10 600 €/mois), le seuil de rentabilité est dépassé de très loin. Mais un seul GPU ne suffit pas à produire ce volume : il faut plusieurs cartes servies en batch (vLLM), et une partie du trafic restera sur l'API.
Le routeur hybride : le meilleur des deux mondes
- Niveau 1 (local, 60-75 % du trafic) : classification, extraction, complétion de code, synthèse RAG sous 32K de contexte.
- Niveau 2 (API milieu de gamme, 15-25 %) : modèles légers pour un raisonnement modéré, à coût contenu.
- Niveau 3 (API frontière, 5-15 %) : uniquement les requêtes qui exigent vraiment un raisonnement de pointe, filtrées par un classifieur bon marché.
Si 70 % des requêtes passent en local, la facture API baisse d'environ 70 %, moins le coût du matériel — à condition que la qualité reste acceptable sur ces requêtes, ce qui se vérifie par un test sur votre propre trafic.
Verdict
| Dépense API mensuelle actuelle | Recommandation | Pourquoi |
|---|---|---|
| < 400 € | Rester sur l'API | L'ingénierie de migration dépasse l'économie sur 24 mois |
| 400 - 1 800 € | Optimiser les prompts, plafonner le raisonnement | Cache de prompt, traitement par lots (-50 %) et effort de raisonnement plafonné réduisent la facture sans quitter l'API |
| 1 800 - 8 000 € | Hybride : niveau 1 local + niveau 3 API | Un GPU haut de gamme se rembourse en quelques mois si la majorité du trafic passe en local |
| > 8 000 € | Migrer agressivement | La trajectoire de coût n'est plus soutenable au-delà de 12 mois |
Questions fréquentes
Les prix des API vont-ils vraiment augmenter, ou continuer à baisser ?
Les prix catalogue au token ont globalement baissé depuis 2023. Mais le coût par réponse utile peut monter, parce que les tokens de raisonnement sont facturés comme des tokens de sortie. Une revue publiée par TechAhead en avril 2026 relève des prix d'API OpenAI « jusqu'à 4× plus élevés dans certaines régions » entre mars 2025 et janvier 2026. Budgétez sur votre coût mesuré par requête, pas sur le seul prix catalogue.
Un seul GPU haut de gamme (32 Go) suffit-il à remplacer une API frontière ?
Pour une bonne partie du trafic courant (code, classification, RAG sous 32K de contexte), souvent oui : un modèle 32B quantifié en Q4_K_M tourne à plusieurs dizaines de tokens/s sur une RTX 5090. La part réellement remplaçable dépend de vos tâches et se vérifie sur votre propre trafic. Pour le raisonnement de pointe et le contexte très long, un routeur hybride qui bascule vers une API frontière reste nécessaire.
Quel taux d’inflation utiliser dans le modèle ?
Il n'existe pas de chiffre officiel : r est une hypothèse de scénario. À titre d'illustration, r = 0,06 par mois double la facture en un an. Testez aussi r = 0 (prix stables) et une valeur négative, qui correspond à la baisse des prix catalogue observée depuis 2023.
Le fine-tuning est-il une alternative au passage en local ?
Le fine-tuning chez un fournisseur cloud baisse le coût par token du modèle ajusté, mais augmente souvent la dépense totale car les équipes utilisent ce coût unitaire plus bas pour justifier plus d'appels. Il verrouille aussi le fournisseur. Le fine-tuning LoRA d'un modèle local (Qwen3 ou Llama) apporte des économies durables.