Token et fenêtre de contexte : ce qui détermine le prix d'une IA

Un token est l'unité qui sert de base à la facturation d'un modèle d'IA : ce n'est pas un mot, mais un fragment de texte. Chaque modèle facture séparément ce qu'il lit et ce qu'il écrit, à des tarifs différents. Comprendre cette mécanique explique directement une ligne de coût qui revient, mois après mois, sur un relevé d'usage IA.

Qu'est-ce qu'un token, concrètement ?

Un token est un fragment de texte, pas un mot entier. Un mot courant vaut souvent un seul token, mais un mot rare, un terme technique ou un mot accentué se découpe fréquemment en plusieurs fragments. Il n'existe pas de ratio fixe et universel entre nombre de mots et nombre de tokens : le compte dépend du modèle et de la langue employée.

Retenir l'ordre de grandeur suffit pour lire une facture : plus un texte est long, riche en vocabulaire rare ou en caractères accentués, plus il consomme de tokens, indépendamment du nombre de mots visible à l'écran. Deux textes de longueur apparente identique peuvent donc coûter des volumes de tokens différents.

Pourquoi le prix d'entrée et le prix de sortie sont-ils différents ?

C'est le point que presque personne ne vérifie avant d'utiliser un modèle en production : un modèle facture séparément ce qu'on lui envoie (l'entrée) et ce qu'il produit (la sortie), à des tarifs différents, la sortie coûtant systématiquement plusieurs fois le prix de l'entrée.

Conséquence concrète : renvoyer un document de dix pages à chaque question, pour obtenir une réponse de trois lignes, facture le document entier côté entrée, à chaque fois. Multiplié par le nombre de questions posées dans une journée, ce n'est pas un détail, c'est souvent la ligne qui explique un relevé plus salé que prévu.

Exemple daté (relevé le 17/08/2026) : Gemini 3.7 Flash facture 0,75 $ par million de tokens en entrée et 3,75 $ en sortie, tarif d'introduction valable jusqu'au 31/12/2026 (1,50 $ et 7,50 $ ensuite). Chez OpenAI, les ordres de grandeur standards vont de 0,20 $ / 1,20 $ pour le modèle le plus léger à 5 $ / 30 $ pour le plus capable, toujours par million de tokens, entrée puis sortie. Ces tarifs bougent vite : à vérifier sur les fiches officielles au moment de l'usage.

Un usage qui pose de longues questions pour des réponses courtes coûte relativement peu. Un usage qui pousse le modèle à rédiger de longs documents coûte nettement plus, à volume comparable, parce que la sortie est facturée plus cher. Ce choix dépasse ce seul point : c'est l'objet du cadre de décision coût, latence et qualité.

Qu'est-ce que la fenêtre de contexte ?

La fenêtre de contexte est la quantité totale de tokens qu'un modèle peut avoir sous les yeux en une seule fois, question, documents joints et réponse compris. Au-delà de cette limite, il faut découper le texte, le résumer, ou n'envoyer que les passages utiles à la question posée.

C'est précisément le principe du RAG, détaillé face au fine-tuning dans cet article : la fenêtre de contexte est finie, et la remplir en entier à chaque question coûte cher pour rien.

Exemple daté : Gemini 3.7 Flash propose une fenêtre allant jusqu'à 1 million de tokens, avec une sortie plafonnée à 64 000 tokens (source : fiche officielle Google DeepMind, relevé le 17/08/2026). Une fenêtre large permet de traiter un document volumineux en une fois, mais elle ne change rien au principe de facturation séparée entrée/sortie vu plus haut.

Une grande fenêtre de contexte, est-ce une mémoire ?

Non. La fenêtre de contexte se vide entre deux conversations : rien de ce qui a été échangé ne reste accessible à la suivante, sauf si on le renvoie soi-même ou si l'outil utilisé le fait explicitement en arrière-plan.

Deuxième point à corriger : remplir la fenêtre au maximum n'améliore pas mécaniquement la réponse. Un contexte encombré de passages inutiles dilue l'information pertinente et dégrade souvent la qualité plutôt que de l'enrichir. Le bon réflexe n'est pas d'envoyer tout ce qui est disponible, mais ce qui sert réellement la question posée.

Cette distinction rejoint une confusion plus large sur ce qu'est réellement un modèle d'IA : sa fenêtre de contexte définit ce qu'il peut lire d'un coup, pas ce qu'il retient d'une conversation à l'autre.