Anthropic vs OpenAI : l'IA la plus chère n'est pas celle que l'on croit

Nous avons mesuré ce que coûtent vraiment les IA d'OpenAI et d'Anthropic sur des tâches d'entreprise. Le tarif annoncé par les éditeurs se révèle un mauvais indicateur de la facture finale.

En matière de coûts de l'IA, méfiez-vous des indicateurs les plus évidents, certains ne sont tout simplement pas fiables. C’est le cas du prix au million de tokens, affiché par la totalité des éditeurs. A modèles égaux ou proches dans les benchmarks, le coût sur une tâche donnée peut en effet varier du simple au double, et même davantage. Nous avons mené quatre tests différents pour évaluer quel est le modèle véritablement le moins cher à la tâche, en comparant les trois modèles phares d’OpenAI et d’Anthropic, positionnés sur la même gamme tarifaire. Les écarts atteignent jusqu’à un facteur 8.

Anthropic moins cher sur le papier

Nous comparons donc :

• GPT-6 Astra vs Claude Opus 5.5
• GPT-6.1 Sol vs Claude Sonnet 5.5
• GPT-6 Luna vs Claude Haiku 5.5

Sur le papier, le modèle d’OpenAI est nettement plus cher d’un facteur 2,5 en input et en output, et d’un facteur 5 en cache.

Les modèles milieu et bas de gamme des deux entreprises sont alignés parfaitement sur le prix. Il en coûtera, en théorie, le même prix pour réaliser une tâche avec GPT-6.1 Sol ou Claude Sonnet 5.5, idem avec GPT-6 Luna ou Claude Haiku 5.5.

Dans la réalité, il existe une vraie différence. A niveau de raisonnement égal (high chez les deux éditeurs), chaque modèle prendra plus ou moins de tokens pour réaliser une tâche donnée. La cause ? Des différences nettes sur le préentraînement des modèles et la phase de reinforcement learning, le niveau de réflexion (un même réglage ne garantit pas une réflexion identique) et enfin le tokenizer utilisé. Quel modèle est vraiment le plus économe à tâche égale ? Nous avons fait le test.

Notre méthodologie

Nous avons soumis les trois modèles d’OpenAI et d’Anthropic à quatre tâches différentes qui produisent une réponse attendue, unique et vérifiable. A savoir, trouver un bug (connu mais postérieur à l’entraînement) dans un dépôt GitHub, extraire des données de facture et les convertir en JSON, extraire des informations chiffrées d’un long document, dédoublonner un fichier client. Pour le test, nous avons utilisé les API officielles des modèles avec des niveaux de raisonnement égaux (high). Nous avons réalisé trois passes pour chaque modèle et fait la moyenne des trois pour limiter le biais statistique propre aux LLM. Le cache de prompt est activé des deux côtés, comme en production : OpenAI l’applique automatiquement, et nous avons calculé le coût Anthropic avec son cache (écriture au premier passage, relecture aux deux suivants) à partir des tokens mesurés.

• Pour le premier test, nous nous inspirons du benchmark SWE-rebench, de Nebius (des bugs de code connus mais postérieurs à l’entraînement des modèles). Nous donnons au modèle le code source de Flask, un framework web Python, dans son état d’avant le correctif, ainsi que la description du bug. Le modèle doit localiser l’erreur dans le code puis la corriger, sans aide supplémentaire. La correction est validée si les tests officiels ajoutés par les développeurs de Flask passent avec succès.
• Pour le second test, nous donnons aux modèles 20 factures factices mais réalistes, au format PDF, et demandons aux modèles d’extraire toutes les données au format JSON. C’est simple et très courant en entreprise.
• Pour le troisième test, nous donnons le prospectus pré-IPO de SpaceX et posons 20 questions précises sur des montants donnés dans les 400 pages du document. La réponse doit être formatée avec uniquement le numéro de question, la réponse chiffrée et son unité, pour éviter le biais de génération du modèle.
• Enfin pour le dernier test, nous créons un faux fichier clients avec 300 lignes dont 40 en double. Nous donnons la consigne de dédoublonner toutes les entrées.

Code : OpenAI moins cher hors haut de gamme

Sur notre premier test visant à trouver un bug, Haiku 5.5 échoue aux trois passes et Sonnet 5.5 en rate une sur trois. Dans le haut de gamme chez OpenAI, GPT-6 Astra est censé être 2,5 fois plus cher. Dans la réalité, l’écart se réduit : GPT-6 Astra coûte 1,7 fois plus cher que Claude Opus 5.5 pour le même résultat. Si son prix par token est 2,5 fois plus élevé, GPT-6 Astra consomme moins de tokens que Claude Opus 5.5, ce qui réduit l’écart.

Pour les modèles milieu de gamme, le prix est le même sur le papier. Dans la réalité, Claude Sonnet 5.5 coûte 1,7 fois plus cher que GPT-6.1 Sol. L’écart est encore plus net sur les petits modèles : Claude Haiku 5.5 est 8,4 fois plus cher que GPT-6 Luna, car les 120 000 tokens comptés par Anthropic dépassent le seuil de 100 000 tokens au-delà duquel Haiku est facturé cinq fois plus cher. Les modèles d’Anthropic comptent systématiquement plus de tokens en entrée pour le même code (120 000 contre 78 000 chez OpenAI, soit 54% de plus). La cause est le tokenizer, qui découpe le texte en morceaux plus petits.

Factures : Astra plus cher qu’Opus

Sur notre test d’extraction des données de factures, GPT-6 Astra est 1,7 fois plus cher que Claude Opus 5.5 même s’il consomme moins de tokens pour la même tâche. Son prix par token, 2,5 fois plus élevé, fait plus que compenser cet avantage. Sur le milieu de gamme et les petits modèles, Anthropic est systématiquement plus cher, respectivement de 1,6 fois (Sonnet face à Sol) et de 2,1 fois (Haiku face à Luna). Anthropic ne l’emporte qu’en haut de gamme, grâce au tarif plus bas de Claude Opus 5.5.

Long document : de vrais écarts entre gammes

Sur l’extraction de données à partir du prospectus SpaceX, tous les modèles réussissent le test aux trois passes. En haut de gamme, OpenAI reste plus cher d’un facteur 2,7. En milieu de gamme, les deux modèles n’affichent une différence que de 0,001 dollar, mais OpenAI reste plus cher. Il faut attendre les petits modèles pour que GPT-6 Luna soit moins cher que Haiku 5.5 (d’un facteur 5 environ).

Dédoublonnage : Sonnet et Haiku plus chers

Quand on passe à une tâche de dédoublonnage, Astra reste environ 1,8 fois plus cher qu’Opus. Les résultats s’inversent en milieu et en bas de gamme, où OpenAI est systématiquement moins cher, car ses modèles consomment beaucoup moins de tokens en sortie, en entrée et en raisonnement.

Que faut-il en conclure ?

Les résultats de nos quatre tests sont clairs : à prix égal au catalogue, Anthropic est presque toujours plus cher. Le tokenizer de Claude explique une large part de ces écarts. Il consomme de 46 à 63% de tokens en plus. Plus concrètement, un “million de tokens” Anthropic contient donc environ 35% de texte en moins qu’un million de tokens OpenAI. Enfin, à raisonnement égal, les modèles d’Anthropic produisent plus de tokens.

Sur le haut de gamme, le pricing plus élevé d'OpenAI fait mécaniquement augmenter la facture. Au catalogue, GPT-6 Astra coûte 2,5 fois plus cher que Claude Opus 5.5 ; dans la réalité, l'écart est de 2,3 fois sur nos quatre tests, de 1,7 sur les tâches courtes à 2,7 sur le long document. A prix égal, OpenAI serait donc beaucoup plus compétitif. Au-delà du duel entre les deux éditeurs, sur chacune de nos quatre tâches, un petit modèle a fait le travail sans erreur, pour un coût 30 à 90 fois inférieur à celui du haut de gamme. Le bon modèle n'est donc pas toujours le plus cher.