Leçon 1 sur 8 · 18 min
Choisir son modèle et son fournisseur
Claude, OpenAI, Gemini, modèles ouverts : qualité, prix, contexte, données.
Intégrer l’IA dans une application commence par une décision qu’on prend souvent trop vite : quel modèle, chez quel fournisseur ? Le classement du mois sur les réseaux sociaux ne vous dit rien de votre tâche, de vos volumes et de vos données. Cette leçon vous donne une méthode pour choisir sur des critères mesurables, et pour garder la liberté de changer d’avis.
À la fin de cette leçon, vous saurez :
- lire une fiche de modèle : fenêtre de contexte, sortie maximale, prix par million de jetons ;
- estimer le coût réel d’une fonctionnalité avant de l’écrire ;
- comparer deux modèles sur vos propres cas, plutôt que sur des classements publics ;
- isoler le fournisseur dans votre code pour pouvoir en changer.
Ce que vous achetez : des jetons
Les modèles ne lisent pas des mots, mais des jetons (tokens) : des morceaux de mots. En français, comptez grossièrement un jeton pour trois à quatre caractères. Tout se mesure en jetons :
- la fenêtre de contexte : ce que le modèle peut lire en une fois (instructions, historique, documents, et sa réponse) ;
- la sortie maximale : la longueur maximale de la réponse ;
- le prix : un tarif par million de jetons en entrée (ce que vous envoyez) et un autre, plus élevé, en sortie (ce que le modèle écrit).
Les grandes familles
Les modèles fermés, servis par API : Claude (Anthropic), GPT (OpenAI), Gemini (Google). Vous envoyez une requête, vous payez à l’usage. Chaque fournisseur propose une gamme : un grand modèle pour le raisonnement difficile, un modèle intermédiaire pour le gros du travail, un petit modèle rapide et économique pour le tri et l’extraction.
Les modèles ouverts (open weights) : vous pouvez les télécharger et les faire tourner sur vos serveurs, ou passer par un hébergeur. Leur intérêt : garder les données chez vous et maîtriser les coûts à très gros volume. Leur prix caché : l’infrastructure, la mise à jour et la sécurité sont à votre charge.
Voici, à titre d’exemple, la gamme actuelle de Claude, telle qu’elle est documentée par Anthropic en novembre 2026 :
| Modèle | Identifiant | Usage typique | Prix entrée / sortie (par million de jetons) |
|---|---|---|---|
| Claude Opus 5.5 | claude-opus-5-5 |
Raisonnement, code, agents | 4 $ / 20 $ |
| Claude Sonnet 5.5 | claude-sonnet-5-5 |
Production à volume | 2 $ / 10 $ |
| Claude Haiku 5.5 | claude-haiku-5-5 |
Tri, extraction, réponses rapides | 0,10 $ / 0,50 $ (requêtes de 100 000 jetons ou moins) |
Les trois acceptent une fenêtre d’un million de jetons et des réponses jusqu’à 128 000 jetons. Les prix sont en dollars américains ; le traitement par lots (leçon 8) les divise par deux.
Estimer le coût d’une fonctionnalité
Le calcul tient en une ligne : (jetons en entrée × prix d’entrée + jetons en sortie × prix de sortie) × nombre d’appels.
Prenons un tri de messages clients : une consigne de 600 jetons, un message de 250 jetons, une réponse de 80 jetons, 3 000 messages par mois.
- Avec Claude Haiku 5.5 : 3 000 × (850 × 0,10 $ + 80 × 0,50 $) ÷ 1 000 000 = environ 0,38 $ par mois.
- Avec Claude Opus 5.5 : 3 000 × (850 × 4 $ + 80 × 20 $) ÷ 1 000 000 = environ 15 $ par mois.
Quarante fois plus cher pour la même tâche. Si le petit modèle trie aussi bien (et c’est souvent le cas pour un tri), le choix est vite fait. Si la tâche demande un vrai raisonnement, la différence se justifie. Seule une mesure sur vos cas peut trancher.
Comparer sur vos cas, pas sur les classements
Les classements publics mesurent des tâches génériques. Votre tâche ne l’est pas. La méthode :
- Rassemblez 20 à 50 cas réels, dont une bonne part de cas difficiles (message ambigu, langue mélangée, demande hors sujet).
- Écrivez la bonne réponse attendue pour chacun, ou au moins le critère de réussite.
- Faites passer les mêmes cas aux deux ou trois modèles candidats, avec la même consigne.
- Comparez : taux de réussite, coût total, temps de réponse.
C’est le principe de l’évaluation, que la leçon 3 détaille. Ce petit jeu de cas vous servira toute la vie de la fonctionnalité : à chaque nouveau modèle, vous saurez en dix minutes s’il fait mieux.
Les critères qui ne sont pas techniques
- Les données. Où sont-elles traitées ? Combien de temps sont-elles conservées ? Servent-elles à entraîner les modèles ? Les offres pour entreprises répondent à ces questions dans leurs conditions ; lisez-les. Pour des renseignements personnels de clients au Québec, la Loi 25 exige une évaluation avant de les confier à un service hors Québec.
- La disponibilité. Le modèle est-il offert dans votre nuage habituel (AWS, Google Cloud, Azure) ? C’est parfois plus simple pour la facturation et la conformité.
- Les limites de débit. Combien de requêtes par minute votre compte peut-il envoyer ? Elles augmentent avec l’usage et le niveau du compte.
- La pérennité. Les modèles sont retirés après quelques années. Notez la date de retrait annoncée et prévoyez de migrer.
Ne pas s’enfermer
Quel que soit votre choix, isolez l’appel au modèle derrière une fonction à vous : trier_message(texte) plutôt que des appels à l’API éparpillés dans tout le code. Le jour où un meilleur modèle sort, ou où les prix changent, vous modifiez un seul fichier et vous relancez votre jeu de cas.
Le cas de l’Atelier Boréal
Nous retrouvons l’Atelier Boréal, l’atelier de céramique de Montréal suivi dans nos formations (entreprise fictive). Julie confie à Léa, développeuse indépendante, trois fonctionnalités pour le site de l’atelier :
- trier les messages du formulaire de contact (inscription, question, plainte, commande d’entreprise) et repérer les urgences ;
- répondre aux questions fréquentes à partir du règlement des ateliers et de la fiche d’entretien des pièces ;
- plus tard, un assistant qui vérifie les places libres et prépare une réservation.
Léa remplit une fiche de choix pour chacune. Pour le tri (environ 3 000 messages par mois, réponse courte, aucune créativité), elle part d’un petit modèle et prévoit de le comparer à un modèle intermédiaire sur 30 vrais messages anonymisés. Pour les questions fréquentes, elle a besoin de citer les documents avec exactitude : elle testera un modèle intermédiaire. Pour l’assistant, qui enchaîne des actions, elle garde le grand modèle en tête, mais n’ira pas plus loin avant d’avoir des mesures.
Elle écrit aussi, dès le premier jour, un module ia.py qui contient tous les appels : le reste du site ne sait même pas quel fournisseur est utilisé.
Les erreurs fréquentes
- Choisir sur un classement. Il mesure des tâches qui ne sont pas les vôtres.
- Prendre le plus gros modèle « pour être tranquille ». Vous payez parfois quarante fois plus pour un résultat identique.
- Oublier la sortie dans le calcul. Les jetons de sortie coûtent plusieurs fois plus cher que ceux d’entrée.
- Coder en dur un fournisseur partout. Le jour du changement, tout est à réécrire.
L’essentiel à retenir
- On achète des jetons : contexte, sortie maximale, prix d’entrée et de sortie.
- Coût d’une fonctionnalité = jetons × prix × volume ; faites le calcul avant d’écrire le code.
- Comparez les modèles sur 20 à 50 de vos cas, pas sur des classements publics.
- Données, disponibilité, limites de débit et pérennité comptent autant que la qualité.
- Isolez le fournisseur derrière une fonction à vous.