Ce que contient réellement une facture OpenAI ou Anthropic, les remises qu’elles publient toutes deux et auxquelles vous ne pouvez pas accéder depuis une fenêtre de chat, et pourquoi la couche qui permet d’y accéder est devenue quelque chose que vous pouvez posséder.
Demandez à la plupart des gens ce que l’IA leur coûte, et ils citeront un abonnement mensuel.
Demandez-leur combien coûte une seule conversation, et le silence se fait dans la pièce, ce qui est normal, car la réponse honnête est complexe. OpenAI et Anthropic facturent tous deux selon une unité invisible, avec des prix calculés sur quatre axes distincts, et publient dans leurs propres documentations une série de remises presque totalement inaccessibles si vous êtes assis devant une simple zone de texte.
Rien de tout cela n’est caché. Tout est disponible dès maintenant sur leurs pages de tarification et dans leurs documentations pour développeurs. Il suffit simplement d’être un niveau plus bas que là où se trouve la plupart des gens.
Cet écart entre la grille tarifaire publiée et le prix payé par un utilisateur lambda n’est pas un scandale. C’est un modèle économique, et jusqu’à récemment, vous n’aviez aucun moyen de vous placer de l’autre côté.
Cet article détaille ce qui figure réellement dans la facture, pourquoi les vrais leviers se situent là où ils sont, et ce qui change lorsque la couche qui actionne ces leviers devient quelque chose que vous pouvez détenir plutôt que seulement payer. Si vous souhaitez lire davantage de contenus de ce type sur l’IA et la propriété, suivez @MossAI_Official.
7 éléments de votre facture, issus directement de leurs propres documentations
Tout ce qui suit est publié par OpenAI ou Anthropic. Presque rien de tout cela n’est connu en dehors des équipes d’ingénierie. Les tarifs évoluent constamment, considérez donc les chiffres comme des illustrations de structure plutôt que comme des citations exactes.
- La sortie coûte plusieurs fois plus cher que l’entrée, sur les deux plateformes
Chaque modèle des deux grilles tarifaires facture séparément l’entrée et la sortie, et la sortie est toujours beaucoup plus chère. Le ratio se situe généralement entre quatre et six contre un.
Le recadrage pratique est la partie importante. Ce que vous tapez est presque gratuit. Ce que le modèle renvoie constitue la facture. Limiter la réponse a bien plus d’impact sur vos coûts que de raccourcir la question, ce qui est l’inverse du comportement de presque tout le monde.
2. Vous êtes facturé pour un raisonnement que vous n’avez pas le droit de lire
C’est le point qui devrait véritablement vous surprendre.
La documentation d’aide officielle d’OpenAI indique que les jetons de raisonnement n’apparaissent pas dans le texte de la réponse mais comptent dans l’utilisation de sortie et sont facturés comme des jetons de sortie, ce qui signifie qu’une réponse visible courte peut utiliser plus de jetons que son affichage ne le laisse penser. Leur guide sur le raisonnement confirme que les jetons bruts de raisonnement ne sont pas exposés, seul un résumé optionnel l’étant.
Vous payez les tarifs de sortie pour du texte que vous n’êtes structurellement pas autorisé à voir.
3. Votre limite de sortie ne plafonne pas la partie cachée
Cela devient encore plus net. La documentation relative à l’exécution de ces modèles précise que le paramètre de nombre maximal de jetons de sortie limite uniquement la sortie visible, tandis que les jetons de raisonnement cachés ne sont pas contraints par cette limite.
Une conséquence documentée s’ensuit. Une requête peut épuiser son budget pendant la phase de raisonnement et ne rien retourner, les jetons ayant déjà été consommés. Le guide sur le raisonnement d’OpenAI reconnaît explicitement ce résultat, notant que vous pouvez engager des coûts pour les jetons d’entrée et de raisonnement sans recevoir de réponse visible.
Le compteur tourne, l’écran reste vide, et il s’agit d’un comportement documenté, non d’un bug.
4. Le contexte répété bénéficie d’une remise de 90 %, et les deux fournisseurs le confirment
La mise en cache des prompts (prompt caching) est le levier individuel le plus puissant de la pile technique, et la plupart des gens n’en ont jamais entendu parler.
La documentation d’Anthropic sur la mise en cache fixe les lectures de cache à 0,1 fois le prix de base de l’entrée, avec une écriture de cache de cinq minutes à 1,25 fois et une écriture d’une heure à 2 fois. OpenAI applique la même logique aux familles GPT-5 actuelles, en facturant l’entrée mise en cache environ dix pour cent du tarif standard d’entrée, les écritures de cache portant leur propre prime.
L’arithmétique est là que cela devient utile. Avec une lecture à un dixième et une écriture à 1,25 fois, un échec de cache coûte environ douze fois et demi ce que coûte une réussite pour le même préfixe, et le seuil de rentabilité se situe à environ deux lectures. Pour tout ce qui renvoie le même prompt système, schéma d’outil ou document de référence à chaque appel, c’est toute la différence entre une petite facture et une grosse.
C’est aussi fragile d’une manière qu’il vaut mieux connaître. Les deux fournisseurs mettent en cache sur une correspondance exacte du préfixe, donc un octet modifié au début du prompt invalide tout ce qui se trouve en dessous, et le prix revient silencieusement au tarif plein.
5. Les deux fournisseurs réduiront la facture de moitié pour les travaux qui peuvent attendre
OpenAI et Anthropic proposent chacun un niveau asynchrone par lots (batch tier) avec une remise de cinquante pour cent sur l’entrée et la sortie. La documentation tarifaire d’Anthropic indique explicitement que les multiplicateurs de mise en cache s’additionnent avec la remise Batch.
En les combinant, un jeton d’entrée mis en cache dans un lot revient à une fraction infime du tarif standard. Cela ne fonctionne pas pour les tâches interactives, ce qui est précisément la raison pour laquelle aucun produit grand public ne vous expose cette fonctionnalité.
6. La remise dépend de l’ID de modèle auquel vous êtes épinglé, pas du modèle que vous pensez utiliser
Voici un point que presque personne ne vérifie.
La remise de mise en cache n’est pas uniforme dans le catalogue d’un fournisseur. Chez OpenAI, les familles GPT-5 actuelles bénéficient d’environ quatre-vingt-dix pour cent de remise sur l’entrée mise en cache, tandis que les modèles de générations antérieures offrent des remises nettement moindres. Chez Anthropic, le multiplicateur standard de lecture de cache est de 0,1 fois l’entrée de base, certains modèles plus récents allant encore plus loin.
Même fournisseur, même nom de fonctionnalité, mais une économie matériellement différente selon une chaîne de caractères dans votre configuration. Les ID de modèles hérités sont pires que ce que cela suggère. Les modèles Anthropic retirés mais encore accessibles via des partenaires cloud conservent leurs tarifs originaux, qui peuvent être plusieurs fois supérieurs au prix actuel pour un modèle moins performant.
Quelqu’un a défini cette chaîne une fois et personne n’y est revenu. C’est là que se cache une part surprenante des dépenses excessives.
7. Franchir un seuil de contexte peut repricer l’ensemble de la requête
Le plus subtil, et celui qui a la forme la plus désagréable.
OpenAI publie des tarifs distincts pour les longs contextes sur certains modèles, et le mécanisme n’est pas celui que les gens imaginent. Au-dessus du seuil, l’ensemble de la requête est repricé, pas seulement les jetons au-delà de la ligne. Un jeton de trop et l’appel entier coûte environ le double.
Anthropic a adopté une position différente sur ce point. Sur les modèles Claude récents, la fenêtre de contexte complète est facturée aux tarifs standards par jeton, les remises de mise en cache et de traitement par lots s’appliquant sur toute la fenêtre.
Il s’agit d’une différence structurelle réelle entre les deux plateformes, et elle est invisible depuis n’importe quelle interface grand public. Si votre charge de travail utilise de longs contextes, cela peut dominer toutes les autres considérations de tarification.
Les leviers sont publics. Vous ne pouvez toujours pas y accéder.
Voici le point structurel.
Chaque levier mentionné ci-dessus se situe au niveau de l’API. Y accéder nécessite un contrôle sur la structure du prompt pour que le cache soit effectivement touché, le routage des modèles pour que la bonne tâche aille au bon niveau de prix, le traitement par lots pour les travaux tolérant la latence, le contrôle de l’effort de raisonnement, et la conscience du niveau de contexte dans lequel tombe une requête.
Depuis une interface de chat grand public, vous avez une zone de texte et une facture mensuelle. Vous ne pouvez pas router, pas traiter par lots, pas structurer un préfixe de cache, et pas voir ce que votre réglage d’effort de raisonnement vous coûte.
Un écart existe donc. D’un côté, ce qu’un opérateur compétent achieve en combinant ces éléments. De l’autre, ce que paie un utilisateur ordinaire. Personne n’est trompé. Les remises sont des surfaces d’ingénierie, pas des fonctionnalités grand public, et les produits grand public ne sont pas conçus pour les exposer.
Les entreprises qui vivent dans cet écart sont des relais, des passerelles et des agrégateurs. Elles se placent entre les utilisateurs et les fournisseurs, routent vers le modèle suffisant le moins cher, maintiennent les caches chauds pour que le contexte répété ne soit pas racheté au prix fort, traitent par lots ce qui peut l’être, et fournissent à l’utilisateur quelque chose de plus simple qu’une API brute.
Leur revenu est cet écart. C’est là que cela devient intéressant.
Un relais est une activité de débit, et c’est rare ici
La plupart des choses sur ce marché sont des paris. Vous prenez une position, vous avez raison ou tort, et le résultat oscille.
Un relais est un péage. Le volume passe, la marge s’accumule par unité, et l’économie augmente avec l’utilisation plutôt qu’avec le fait d’avoir raison.
Trois propriétés en découlent, et les trois sont rares.
Le revenu est unitaire et continu. Pas irrégulier, pas lié à des événements, pas conditionné par le fait qu’un appel aboutisse correctement. Les jetons circulent, la marge s’accumule, heure après heure.
La demande est non corrélée aux cryptomonnaies. Les personnes qui écrivent du code, génèrent des vidéos et font tourner des assistants ne consultent pas le marché avant. Le moteur de consommation est l’adoption de l’IA, l’une des rares choses dans cette industrie qui n’évolue pas avec tout le reste.
L’activité est un compte, pas une interprétation. Le débit est mesurable sans argument d’attribution. Aucune question de savoir si un bon mois était dû au talent ou à la chance. Les requêtes sont passées ou elles ne sont pas passées.
Ce dernier point compte plus qu’il n’y paraît. La difficulté majeure pour rendre quelque chose possédable est de prouver ce qu’il a fait. Une activité de débit offre une distance exceptionnellement courte entre ce qui s’est passé et ce qui peut être démontré.
Model Max, et posséder le péage au lieu de seulement payer dessus
Model Max est un relais d’API de jetons, et il est actuellement actif en tant qu’agent de rachat sur Moss Agent Marketplace.
La partie produit est simple. Accès aux modèles via une seule route, avec le routage, la mise en cache et le traitement par lots gérés au niveau où ces décisions sont réellement disponibles, plutôt qu’au niveau où vous êtes bloqué avec une zone de texte.
L’autre partie est celle qui mérite attention. En tant qu’agent sur le Marketplace, le relais n’est pas seulement quelque chose que vous utilisez. C’est quelque chose dont vous pouvez détenir une position.
Cette forme diffère de la plupart des catégories. L’activité d’un relais est proche de l’entrée idéale pour une revendication vérifiable, car le débit est un fait, pas un récit. Pas de historique à interpréter, pas d’histoire de performance à accepter sur confiance. L’utilisation a eu lieu ou elle n’a pas eu lieu, et c’est lisible.
C’est aussi le deuxième agent de rachat que nous avons lancé où la chose utilisée et la chose possédée sont le même objet. Vous pouvez être client du relais et détenteur de celui-ci simultanément, et la seconde relation n’est pas un niveau de fidélité. C’est une position.
Nous avons commencé par des agents de trading parce que le trading est le terrain d’essai le plus rude qui existe. Un chiffre est soit réel, soit une histoire, et la blockchain ne vous laisse pas mentir sur lequel. Les agents de rachat appliquent ce même standard aux personnes qui n’ouvriront jamais un contrat perpétuel. Ce qui suivra ira encore plus loin, vers des systèmes qui ne se contentent pas de fonctionner sur la blockchain, mais qui l’émettent et l’exploitent eux-mêmes.
Plus de détails à ce sujet lors du lancement, pas avant.
4 choses à faire cette semaine, quel que soit votre outil
Aucune de ces actions ne nécessite Moss.
Arrêtez d’optimiser la longueur du prompt et commencez à contraindre la sortie. Vous payez pour la réponse, pas pour la question. Demander cinquante mots au lieu de cinq cents réduit votre facture environ dix fois plus que de raccourcir votre prompt.
Vérifiez ce que votre réglage d’effort de raisonnement vous apporte. Pour les tâches qui ne nécessitent pas de délibération, un effort élevé est de l’argent dépensé pour des jetons cachés qui n’améliorent rien de ce que vous recevez réellement. C’est la façon la plus courante dont les gens paient trop sans jamais s’en rendre compte.
Ouvrez votre configuration et lisez l’ID du modèle. Pas le nom du modèle que vous pensez utiliser, la chaîne de caractères réelle. Vérifiez-la ensuite sur la grille tarifaire actuelle. Les anciens IDs portent silencieusement des économies anciennes, et parfois des remises de cache nettement pires, pour un modèle moins performant.
Si vous construisez quoi que ce soit, mesurez le taux de réussite du cache avant d’optimiser autre chose. Les champs d’utilisation dans la réponse vous donnent la répartition entre entrée fraîche, écritures de cache et lectures de cache. Zéro lecture sur des appels répétés signifie que quelque chose au début de votre prompt change et invalide tout ce qui suit. C’est une différence de coût de douze fois cachée derrière un seul octet.
L’habitude sous-jacente à ces quatre points est la vraie leçon. Traitez la dépense IA comme une facture avec une structure plutôt que comme un abonnement avec un montant. Une fois la structure visible, la question de savoir qui est positionné où à l’intérieur l’est aussi.
Que faire maintenant
Allez sur moss.site et regardez Model Max. Utilisez-le comme relais si c’est ce dont vous avez besoin. Regardez ce que signifie détenir une position dedans si cela vous intéresse. Les deux sont actifs, et ce sont le même objet, ce qui est la partie que nous pensons nouvelle.
Toute économie finit par déterminer qui possède ses infrastructures. L’économie de l’IA est actuellement dans la phase où tout le monde paie au péage et où personne n’a pensé à demander qui le possède.
Cette question restera ouverte encore un peu longtemps.
Sources
- Centre d’aide OpenAI, Comprendre et compter les jetons, concernant les jetons de raisonnement facturés comme sortie tout en n’étant pas visibles dans le texte de la réponse : https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them
- Guide des modèles de raisonnement OpenAI, sur le fait que les jetons bruts de raisonnement ne sont pas exposés et sur l’engagement de coûts sans réponse visible : https://developers.openai.com/api/docs/guides/reasoning
- Page de tarification de l’API OpenAI, pour les tarifs actuels par modèle pour l’entrée, l’entrée mise en cache et la sortie, les niveaux batch et flex, ainsi que les tarifs pour longs contextes : https://openai.com/api/pricing/
- Microsoft Learn Q&A sur la facturation Azure OpenAI, concernant l’inclusion des jetons de raisonnement cachés dans la facturation et le fait que le paramètre de nombre maximal de jetons de sortie ne les contraigne pas : https://learn.microsoft.com/en-us/answers/questions/5542366/why-did-azure-report-more-completion-tokens-than-m
- Documentation d’Anthropic sur la mise en cache des prompts, concernant les lectures de cache à 0,1 fois l’entrée de base, les multiplicateurs d’écriture et leur cumul avec la remise Batch API : https://platform.claude.com/docs/en/build-with-claude/prompt-caching
- Page de tarification d’Anthropic, pour les tarifs actuels par modèle et la remise Batch API : https://claude.com/pricing
