Économie des tokens : d'où viennent vraiment les coûts des agents IA

L'économie des tokens appliquée aux agents IA désigne la mécanique de coûts selon laquelle chaque exécution d'un agent est facturée en fonction des tokens consommés : tokens d'entrée, de sortie, mis en cache et de raisonnement. Contrairement à un chatbot, les agents démultiplient la consommation par des boucles en plusieurs étapes, des appels d'outils et des sous-agents. Un calcul fondé sur le prix du token par requête sous-estime donc très largement les coûts réels en production. Si tu planifies le budget d'un agent, tu dois comprendre cette mécanique, sinon la plus grande partie de la facture manquera dans ton calcul.

• L'unité de facturation, ce sont les tokens, pas les requêtes. En 2026, une requête utilisateur adressée à un agent génère généralement 5 à 20 appels au LLM. Chacun d'eux est facturé à nouveau.
• La sortie et le raisonnement coûtent cher, l'entrée mise en cache coûte peu. Chez Claude, la sortie coûte cinq fois le prix de l'entrée, chez GPT-5.5 six fois ; le contexte réutilisé (cache) coûte chez Anthropic au maximum 10 %.
• Les tokens d'API dépassent rarement 30 à 50 % du coût total. La base vectorielle, l'observabilité, le calcul et la conformité font le reste.

Les quatre types de tokens et leur facturation

Chaque appel au LLM se décompose en catégories de tokens aux prix différents. Si l'on ne regarde que la sortie, on sous-estime systématiquement l'entrée, car l'agent traîne à chaque étape le prompt système, les définitions d'outils et un contexte qui ne cesse de grossir.

• Les tokens d'entrée englobent tout ce qui entre dans le modèle : prompt système, définitions d'outils, contexte RAG récupéré, historique de conversation et la requête elle-même. Un workflow avec cinq outils définis de 150 tokens chacun ajoute à lui seul 750 tokens d'entrée à chaque requête.
• Les tokens de sortie sont la réponse générée. Selon la grille tarifaire d'Anthropic, ils coûtent cinq fois le prix de l'entrée sur tous les modèles Claude, six fois chez GPT-5.5. Claude Sonnet 4.6, par exemple, coûte 3 USD en entrée contre 15 USD en sortie par million de tokens.
• Les tokens d'entrée mis en cache sont du contexte stable et réutilisé. Selon sa grille tarifaire, Anthropic facture la lecture du cache à 0,1 fois le prix de base (90 % de remise), à 0,05 fois pour Opus 5.5 et Sonnet 5.5, et à 0,025 fois pour Fable 5.1 et Mythos 5.1. OpenAI facture environ 10 % du prix de base sur la famille GPT-5.x. C'est le levier de coûts le plus puissant introduit depuis le début de la facturation à l'usage.
• Les tokens de raisonnement sont produits lorsque les modèles de raisonnement réfléchissent en interne. En 2026, OpenAI et Anthropic les facturent tout simplement au tarif de sortie. Conséquence pratique : un appel avec 20 000 tokens de raisonnement coûte, à 25 USD par million de tokens de sortie, environ 0,50 USD rien que pour la réflexion, avant qu'un seul mot visible ne soit généré.

Le multiplicateur : pourquoi les agents font exploser la consommation

La différence décisive avec le chatbot n'est pas le prix du token, mais le nombre d'appels. Une seule requête utilisateur, qui représentait encore un appel au modèle en 2023, se traduit couramment en 2026 par une chaîne : planificateur, choix de l'outil, interprétation du résultat de l'outil, décision de l'étape suivante, mise en forme de la sortie, souvent avec des boucles de vérification explicites. Cela fait 5 à 20 appels. Les cascades de sous-agents portent parfois ce chiffre à 50 et plus.

Trois multiplicateurs se cumulent :

• L'exécution en plusieurs étapes multiplie la consommation par 5 à 20 par rapport à un appel unique, selon le nombre d'étapes. Chaque appel d'outil est un appel de complétion distinct, avec son propre contexte.
• Le fan-out de sous-agents multiplie la consommation de tokens par 3 à 10 par rapport à un agent unique. Chaque sous-agent est une complétion distincte, avec sa propre fenêtre de contexte et ses propres définitions d'outils.
• Les échecs et les relances ajoutent un facteur de 1,3 à 3 en cas de vérification faible. Les workflows agentiques qui échouent et redémarrent brûlent des tokens en chemin.

S'y ajoute la croissance du contexte : à chaque étape, l'historique de conversation s'allonge et il est à nouveau payé en entrée. Les contextes longs coûtent doublement cher : au-delà de 200 000 tokens, plusieurs fournisseurs (modèles Gemini Pro, OpenAI GPT-5.5 à partir de 272 000 tokens) appliquent une majoration de 2 fois sur l'entrée et de 1,5 fois sur la sortie. Remplir naïvement la fenêtre de contexte est donc rarement la solution économique.

Coûts cachés : la facture sous la ligne de l'API

Pour une charge agentique à l'échelle d'un grand groupe, la ligne des tokens d'API dépasse rarement 30 à 50 % du coût total (TCO). Les budgets qui ne retiennent que la grille tarifaire du fournisseur de modèles passent systématiquement à côté d'au moins la moitié de la facture. Les postes suivants sont les angles morts les plus fréquents dans la région DACH, c'est-à-dire en Allemagne, en Autriche et en Suisse (parts indicatives pour une charge représentative de grand groupe, état 2026) :

Les postes cachés en chiffres : la base vectorielle et les embeddings représentent 5 à 15 % du coût total, l'observabilité 2 à 8 %, le calcul et la sandbox 10 à 25 %. Dans la région DACH s'ajoutent des facteurs que les budgets américains ignorent : le surcoût région UE d'environ 10 %, le surcoût de souveraineté d'un facteur 1,5 à 3, ainsi que des coûts de conformité récurrents qui atteignent, de façon réaliste, 5 000 à 20 000 euros par an et par prestataire actif sous contrat. Ces facteurs propres à la région DACH augmentent le coût total de 15 à 35 % par rapport à une charge comparable aux États-Unis.

Le levier du choix de modèle : petit, grand ou routé

Toutes les étapes n'ont pas besoin du modèle le plus cher. Le deuxième levier FinOps après la mise en cache est le routage : le modèle bon marché par défaut, le modèle cher uniquement en cas d'écart mesurable. L'écart de prix est considérable (état 2026) : selon la grille tarifaire d'Anthropic, Claude Haiku 4.5 est à 1 USD en entrée / 5 USD en sortie par million, Sonnet 4.6 à 3 / 15, Opus 4.6 à 5 / 25 ; selon OpenAI, GPT-5.5 est à 5 / 30. Tout en bas de l'échelle, Claude Haiku 5.5 affiche 0,10 / 0,50 USD pour des prompts jusqu'à 100 000 tokens, soit un cinquantième du prix d'Opus 4.6. Pour V4.1 Flash, DeepSeek facture selon sa grille tarifaire 0,15 USD en entrée, 0,30 USD aux heures de pointe, mais via une API hébergée en Chine.

En 2026, Anthropic a formalisé le schéma de routage avec l'Advisor Tool (en bêta depuis le 9 avril 2026) : Sonnet ou Haiku comme exécutant, Opus comme conseiller activé au besoin, le tout dans un seul appel d'API. Les benchmarks publiés montrent la force de ce levier : Sonnet assisté d'Opus en advisor a atteint 74,8 % sur SWE-bench Multilingual, contre 72,1 % pour Sonnet seul. Le coût par tâche agentique a pourtant baissé de 11,9 % par rapport à Sonnet seul. Haiku assisté d'Opus en advisor a doublé le score BrowseComp (de 19,7 à 41,2 %) pour un coût inférieur de 85 % à celui de Sonnet seul.

La règle empirique qui en découle est sobre : le modèle le moins cher qui réussit l'évaluation est le bon modèle. Au prix catalogue, Opus 4.6 (5 / 25 USD) coûte environ 1,7 fois le prix de Sonnet 4.6 (3 / 15 USD) ; dans la génération 5.5 (Opus 5.5 à 4 / 20, Sonnet 5.5 à 2 / 10 USD), le facteur est de 2. Seule l'évaluation sur le workflow concret montre si ce surcoût est rentable. Les équipes qui routent selon les résultats d'évaluation plutôt qu'à l'instinct réduisent généralement leurs coûts de modèles de 30 à 60 % sans perte de qualité.

Exemple de calcul : 1 000 exécutions d'agent

Concrètement, avec les tarifs de Sonnet 4.6 (3 USD en entrée / 15 USD en sortie par million, état 2026, volatils). Prenons un agent de recherche qui effectue en moyenne 8 appels au LLM par exécution, avec 4 000 tokens d'entrée et 800 tokens de sortie chacun.

Sans optimisation, sans mise en cache :

• Entrée : 1 000 exécutions x 8 appels x 4 000 tokens = 32 millions de tokens x 3 USD = 96 USD
• Sortie : 1 000 x 8 x 800 = 6,4 millions de tokens x 15 USD = 96 USD
• Coûts directs en tokens : environ 192 USD pour 1 000 exécutions

Avec un taux de hit du cache de 80 % sur l'ensemble du préfixe du prompt (prompt système, définitions d'outils et historique précédent) : selon la grille tarifaire d'Anthropic, une lecture en cache coûte 0,30 USD par million au lieu de 3 USD sur Sonnet 4.6, soit un dixième. Pour les 20 % restants, tu paies le prix de base ou, s'ils sont réécrits dans le cache, 1,25 fois ce prix (cache de 5 minutes). Les coûts d'entrée passent ainsi de 96 à environ 27 à 32 USD, la sortie reste inchangée. Total : environ 123 à 128 USD, soit une économie d'environ un tiers rien que grâce à la mise en cache.

Si en plus 60 % des appels sont routés vers Haiku 4.5 (1 / 5 USD) au lieu de Sonnet 4.6, parce que l'évaluation le permet, la ligne directe descend encore vers 70 à 80 USD pour 1 000 exécutions. Et il ne s'agit que de la ligne de l'API. Si l'on ajoute la base vectorielle, l'observabilité et les opérations de conformité, les coûts totaux réels sont à nouveau nettement plus élevés. C'est précisément pour cela qu'en 2026, les plafonds de tokens par workflow (max_iterations, max_tool_calls, max_sub_agent_depth) sont la norme de gouvernance : ils empêchent qu'une seule exécution incontrôlée ne fasse exploser le budget.

FinOps et garde-fous budgétaires

Les mesures efficaces ne relèvent pas du secret, mais de la pratique d'ingénierie. En les combinant, un programme FinOps bien instrumenté réduit les coûts de 60 à 80 % par rapport au point de départ non optimisé :

• Mise en cache agressive des prompts, le plus grand levier à lui seul : un taux de hit du cache de 60 à 90 % sur le préfixe du prompt réduit les coûts d'entrée d'environ 50 à 80 %, car une lecture en cache coûte un dixième du prix de base sur la plupart des modèles Claude. Le cache de 5 minutes est amorti dès la première lecture, celui de 1 heure après la deuxième.
• Routage piloté par les évaluations via LiteLLM, OpenRouter ou Portkey : modèle bon marché par défaut, schémas advisor ou d'escalade pour les cas difficiles.
• API Batch pour les charges hors temps réel, avec une remise forfaitaire de 50 %, cumulable avec la mise en cache. Une requête batch mise en cache peut ainsi descendre à 5 % du prix standard.
• Budget de tokens par workflow, avec plafonds stricts et attribution des coûts par client, équipe ou workflow. Sans cette attribution, le FinOps ne peut pas répondre à la seule question du DAF : quelle unité opérationnelle génère cette facture ?
• Repli sur des modèles open-weight pour les charges de longue traîne (synthèse, classification, extraction simple) : en Europe, via des fournisseurs hébergés dans l'UE comme Together AI (région UE) ou DeepInfra Frankfurt, car l'API directe de DeepSeek, hébergée en Chine, est exclue pour les charges soumises au RGPD.

Pour les agences et les décideurs B2B

Si tu exploites des agents IA en production en Europe ou si tu en construis pour des clients, tu as intérêt à faire de l'économie des tokens une compétence clé, car les plus gros leviers de coûts ne se trouvent pas dans le contrat, mais dans la mise en œuvre technique. Les équipes achats qui se battent pour cinq pour cent de remise sur volume laissent filer cinquante pour cent ailleurs. Pour les agences, cela signifie : attribution des coûts par client via Helicone ou Portkey, refacturation transparente des coûts avec une marge claire sur la complexité opérationnelle (10 prestataires sous contrat, ce sont 10 chaînes de contrats de sous-traitance) et hébergement souverain comme offre premium pour les clients soumis au RGPD.

En B2B, la règle est la suivante : choix du modèle fondé sur les évaluations, mise en cache dès le premier jour, plafonds de tokens par workflow et une porte de sortie vers des fournisseurs open-weight pour toute charge qui dépasse un seuil mensuel raisonnable. Depuis Vienne, Blck Alpaca accompagne les entreprises de toute l'Europe précisément sur ce calcul : de l'architecture des workflows aux garde-fous FinOps, jusqu'au déploiement souverain. Remarque : tous les prix mentionnés dans cet article correspondent à l'état 2026 et sont volatils ; les fourchettes de prix évoluent chaque trimestre et doivent être vérifiées dans la documentation actuelle des fournisseurs avant toute décision budgétaire.