La plupart des listes du type « réduisez votre facture LLM de 70 % » mélangent de bons conseils et des chiffres que personne n’a mesurés. Cette checklist est classée selon ce qu’il faut faire en premier, et chaque chiffre vient d’un fichier de prix ou de la documentation du fournisseur concerné. Quand une étape a un article plus détaillé sur ce site, il est en lien. Les prix de BroadNet ci-dessous viennent de son fichier de prix, synchronisé le 2026-11-14.
Qu’est-ce qui détermine la facture d’une API LLM ?
Quatre chiffres décident de presque toutes les factures :
- Les tokens d’entrée nouveaux. Le prompt, moins la partie lue depuis le cache.
- Les tokens d’entrée en cache. Le préfixe répété, facturé à un tarif plus bas.
- Les tokens de sortie. La réponse, plus les tokens de raisonnement sur les modèles qui réfléchissent.
- Le nombre de requêtes. Chaque appel, y compris chaque retry, est facturé séparément.
La sortie est l’unité chère. Sur les modèles de chat de BroadNet, par million de tokens :
| Modèle | Entrée | Entrée en cache | Sortie |
|---|---|---|---|
| DeepSeek V4.1 Flash | $0.175 | $0.0055 | $0.52 |
| Qwen3.8 27B | $0.175 | $0.0435 | $2.17 |
| GLM 5.3 | $0.78 | $0.173 | $3.46 |
| Gemma 4 VL 26B | $0.10 | non publié | $0.22 |
Les leviers sont donc : envoyer moins de tokens nouveaux, lire davantage depuis le cache, générer moins et faire moins d’appels. Comment fonctionne la tarification des API LLM détaille chaque unité.
La checklist en un coup d’œil
| Étape | Ce que vous changez | Réduit | Effort |
|---|---|---|---|
| 1. Mesurer | Journalisation uniquement | Rien encore ; montre où couper | Faible |
| 2. Mettre le préfixe en cache | Ordre du prompt | Prix de l’entrée | Faible |
| 3. Alléger le prompt | Contenu du prompt | Tokens d’entrée | Moyen |
| 4. Plafonner sortie et raisonnement | Paramètres de la requête | Tokens de sortie | Faible |
| 5. Choisir le bon modèle | Choix du modèle | Tous les prix | Moyen |
| 6. Regrouper ou décaler | Planification | Prix au token, là où c’est proposé | Moyen |
| 7. Mettre les réponses en cache | Code de l’application | Requêtes entières | Moyen |
| 8. Limiter retries et boucles | Code de l’application | Requêtes gaspillées | Faible |
| 9. Fixer des limites de dépense | Compte et clés | Factures qui s’emballent | Faible |
| 10. Vérifier le seuil du forfait | Mode de facturation | Facture totale à fort volume | Faible |
1. Pourquoi mesurer avant de couper quoi que ce soit ?
Parce que la facture cache la cause. Deux requêtes qui se ressemblent peuvent différer d’un facteur dix en tokens. Chaque chat completion renvoie un bloc usage avec prompt_tokens, completion_tokens et, quand le fournisseur les indique, les tokens en cache. Journalisez-les par fonctionnalité et par utilisateur, sans le texte du prompt. Au bout d’une semaine, vous savez quelle fonctionnalité dépense le plus, et si c’est l’entrée, les défauts de cache ou la sortie.
Journaliser l’usage en masquant les données personnelles propose un schéma de journal. Pour chiffrer une fonctionnalité avant sa mise en production, utilisez le calculateur de coûts d’API LLM ou la méthode d’estimer le coût avant le lancement.
2. Comment le prompt caching réduit-il le coût ?
Les fournisseurs mettent en cache le début d’un prompt qui se répète à l’identique. L’appel suivant lit ce préfixe au prix du cache. OpenAI active le cache par défaut pour les modèles compatibles, à partir de 1 024 tokens, et indique que l’entrée en cache bénéficie d’une remise « discounted up to 95% » (traduction : « allant jusqu’à 95 % » ; vérifié le 2026-11-15). Chez BroadNet, DeepSeek V4.1 Flash facture l’entrée en cache $0.0055 par million, contre $0.175 pour l’entrée nouvelle.
La règle : le contenu statique d’abord, le contenu variable en dernier. Le prompt système, puis les schémas d’outils, puis les documents partagés, puis l’historique, puis la nouvelle question. Un horodatage ou une liste d’outils mélangée en tête casse le cache pour tout ce qui suit.
- Les tokens d’entrée en cache expliqués, avec la manière de les lire dans la réponse.
- Structurer ses prompts pour que le préfixe soit mis en cache.
- Modélisez votre propre taux de succès dans le calculateur de prompt caching.
3. Quelles coupes dans le prompt sont sans risque ?
Supprimez ce que le modèle n’utilise pas. Les gains habituels : de longs prompts système rédigés en prose, plus d’exemples few-shot que la tâche n’en demande, des schémas d’outils pour des outils que l’étape n’appelle jamais, du JSON verbeux là où un tableau compact suffirait, et l’historique complet du chat là où un résumé suffirait. La recherche documentaire dérive aussi : envoyer dix extraits quand deux répondent à la question est un problème de coût et de qualité.
Testez chaque coupe sur un jeu fixe d’entrées, pour qu’un prompt moins cher ne dégrade pas discrètement les réponses. Réduire les tokens du prompt donne des économies mesurées pour chacun de ces points. La langue compte aussi : l’arabe utilise plus de tokens par mot que l’anglais avec la plupart des tokenizers ; voir tokens par mot en arabe et en anglais.
4. Comment plafonner la sortie et le raisonnement ?
Demandez moins, et fixez une limite. Demandez des champs JSON plutôt que de la prose, une limite de mots plutôt qu’un simple « explique », et pas de reformulation de la question. Réglez ensuite max_tokens pour qu’une réponse qui s’emballe s’arrête.
Les modèles qui réfléchissent demandent de l’attention. La documentation de BroadNet indique que le raisonnement compte dans max_tokens : une limite basse peut donc renvoyer une réponse vide. Gardez 1 000 tokens ou plus, et réglez reasoning_effort sur low pour les étapes simples. Avec les clés facturées au token, le raisonnement est facturé comme de la sortie. Tokens de raisonnement : pourquoi vous payez plus que ce que vous voyez et la correction des réponses vides couvrent les deux aspects.
5. Comment choisir un modèle moins cher sans perdre en qualité ?
Comparez le coût par tâche réussie, pas le prix au token. Constituez 50 à 100 entrées réelles avec les sorties attendues, faites tourner chaque candidat et divisez la dépense par le nombre de réussites. Un modèle moins cher au token mais qui échoue une fois sur trois peut coûter plus une fois les retries et la relecture humaine comptés.
Vérifiez d’abord les fonctionnalités. Chez BroadNet, les outils et la sortie structurée ne sont documentés que pour GLM 5.3 et Qwen3.8 27B. Gemma 4 VL 26B est le plus petit modèle texte et image de BroadNet ; consultez son prix dans le tableau ci-dessus pour les tâches simples. Beaucoup d’applications utilisent un petit modèle pour les étapes faciles et un plus grand pour les difficiles ; c’est votre propre code qui choisit le modèle. Évaluer un LLM avant de changer propose un plan de test.
N’attendez pas que votre modèle actuel baisse de prix. Les fournisseurs baissent rarement le prix d’un modèle existant ; les économies arrivent en général avec une nouvelle version. Voir l’historique des prix des API d’OpenAI, d’Anthropic et de Google et les plus fortes baisses de prix des API LLM.
6. Peut-on regrouper ou décaler ce qui peut attendre ?
Là où le fournisseur le propose, oui, et les remises sont importantes. Tout a été vérifié le 2026-11-15 :
| Fournisseur | Remise | Contrepartie |
|---|---|---|
| Batch API d’OpenAI | 50 % par rapport aux appels synchrones | Traitement sous 24 heures ; limites de débit distinctes |
| Message Batches API d’Anthropic | 50 % | Asynchrone ; la plupart des lots se terminent en moins d’une heure |
| API DeepSeek, heures creuses | Les tarifs en heures creuses valent la moitié des tarifs en heures pleines | Les heures pleines vont de 01:00 à 04:00 et de 06:00 à 10:00 UTC, du lundi au vendredi |
BroadNet Inference n’a ni Batch API ni tarif en heures creuses. Pour les traitements de nuit chez BroadNet, faites-les passer par un exécuteur capable de reprendre là où il s’est arrêté, sur l’endpoint normal, dans les limites de votre clé. Traitement par lots LLM sans Batch API contient le code. Si le traitement dure des heures, une session au forfait peut coûter moins cher que les tokens (étape 10).
7. Quand mettre en cache des réponses entières ?
Quand la même question revient avec les mêmes entrées. Les bots de FAQ, la classification d’éléments répétés et la relance d’un pipeline après un plantage refont tous le même travail. Un cache à correspondance exacte, dont la clé combine modèle, prompt et paramètres, renvoie la réponse stockée et évite l’appel. Fixez une expiration pour que les réponses ne deviennent pas obsolètes. Mettre en cache les réponses d’un LLM en Python montre une petite implémentation.
8. Comment les retries et les boucles gaspillent-ils de l’argent ?
Une requête relancée est une nouvelle inférence, facturée à nouveau avec les clés au token. Ne relancez que sur les erreurs 429 et 5xx, avec un backoff exponentiel et du jitter, et plafonnez les tentatives. Ne relancez jamais une 400 : la même requête invalide échoue de la même manière.
Les agents ajoutent un second risque : une boucle qui appelle le modèle sans fin. Plafonnez le nombre d’étapes par tâche et arrêtez-vous quand le même appel d’outil se répète. Gérer les erreurs 429 et 10 façons de réduire les coûts d’un agent de code couvrent les deux.
9. Comment empêcher une facture de s’emballer ?
Les alertes vous préviennent après coup. Les limites, elles, arrêtent la dépense. Utilisez un solde prépayé, une clé par application pour pouvoir en révoquer une sans arrêter les autres, et une liste d’adresses IP autorisées sur les clés serveur. Dans le code, fixez un budget par tâche et arrêtez-vous quand il est épuisé. Maîtriser les dépenses d’API LLM présente les différents niveaux, du compte à la requête.
10. Quand un forfait bat-il la facturation au token ?
Quand un agent tourne la majeure partie de la journée. BroadNet vend DeepSeek V4.1 Flash au token ou à la session : Full Moon à $60 par mois, Orbit à $15 par semaine ou Meteor à $1 de l’heure, sans compteur de tokens. Une session traite une requête à la fois.
Les scénarios chiffrés de BroadNet en facturation au token :
| Charge de travail | Au token, par mois | Option la moins chère |
|---|---|---|
| Projet personnel | $14.23 | le paiement à l’usage |
| Assistant quotidien | $42.67 | le paiement à l’usage |
| Agent de code à plein temps | $65.40 | Full Moon |
| Agent toujours actif | $196.20 | Full Moon |
Avec 80 % de succès de cache et 20 tokens d’entrée par token de sortie, le seuil de rentabilité se situe autour de 917 millions de tokens d’entrée et 46 millions de tokens de sortie par mois. Pour un usage léger, la facturation au token reste moins chère. Le calcul complet du seuil de rentabilité, ou essayez vos volumes dans le calculateur forfait ou facturation au token.
Quelles étapes faut-il éviter ?
Certains conseils populaires coûtent plus qu’ils ne rapportent :
- Compresser les prompts jusqu’à ce qu’ils cassent. Les économies sur l’entrée sont perdues si la qualité des réponses baisse et que les utilisateurs relancent.
- Résumer l’historique à chaque tour. Chaque résumé est un appel supplémentaire, et il modifie le préfixe, donc le cache échoue. Résumez rarement et ajoutez le reste à la suite.
- Ne chercher que le prix au token le plus bas. Les limites de débit, les fonctionnalités manquantes et les taux d’échec ajoutent tous du coût.
- Héberger soi-même pour une petite charge. Les GPU sont facturés à l’heure, occupés ou non. Auto-hébergement ou API : le coût montre où se situe le seuil de rentabilité.
La place de BroadNet Inference
BroadRouter est le site de BroadNet ; lisez cette section en gardant cela à l’esprit. BroadNet Inference est une API compatible OpenAI avec quatre modèles de chat facturés au token, une entrée en cache sur trois d’entre eux et un forfait DeepSeek V4.1 Flash pour un usage régulier par des agents. Il ne propose ni Batch API ni tarif en heures creuses : pour de gros traitements qui peuvent attendre, les remises batch d’OpenAI ou d’Anthropic, ou les heures creuses de DeepSeek, peuvent coûter moins cher. Les nouveaux comptes reçoivent $5 de crédit de départ, qui couvre Gemma 4 VL 26B, les deux modèles Transcribe et les clés horaires Gemma ; DeepSeek, GLM et Qwen nécessitent une recharge. L’offre en libre-service n’a pas de SLA. Voir les prix ou comparer les forfaits.
