Comment consommer moins de tokens avec ChatGPT ou Claude ?

Le prix de chaque token baisse, mais les usages en consomment beaucoup plus, surtout avec les outils qui enchaînent les tâches tout seuls. Les entreprises posent des plafonds. Uber montre pourtant qu'une dépense peut se tenir pendant que l'usage explose, par des réglages posés pour tous et un suivi de la dépense en temps réel.

Le paradoxe, en trois chiffres

Le carnet voisin, « Pourquoi la facture de l'IA monte-t-elle alors que son prix baisse ? », traite ce versant du point de vue de l'entreprise. Nous en rappelons l'essentiel.

• Le prix baisse. Selon le rapport 2026 d'AI.cc, une plateforme d'API, sur 2,4 milliards d'appels de plus de 8 000 comptes, le coût moyen du million de tokens est passé de 18,40 à 6,07 dollars entre début 2025 et début 2026, soit 67 % de moins (Open Source For You, qui rend compte du rapport).
• La dépense déborde. En avril 2026, le directeur technique d'Uber disait que tout le budget IA de l'année avait été consommé en quatre mois ; Uber a ensuite posé un plafond de 1 500 dollars par mois, par employé et par outil (TechCrunch). Tesla a annoncé un plafond de 200 dollars par semaine (BERI).
• Les forfaits se mettent au compteur. Depuis le 01/06/2026, GitHub Copilot compte les tokens d'entrée, de sortie et de cache au prix public de chaque modèle (GitHub).

Et pourtant, une dépense peut se tenir

Le même Uber raconte la suite sur son blog d'ingénierie, le 27/08/2026. De février à août, le nombre de salariés qui utilisent ses agents chaque semaine a été multiplié par 7 et le nombre de requêtes par 9,4, alors que la dépense totale s'est à peu près stabilisée depuis avril. À modèle constant, le coût par session a baissé de 52 % depuis son pic de juin (Uber).

Les leviers qu'Uber cite sont des réglages posés pour tous : une compaction automatique de la conversation dès 400 000 tokens, un niveau de réflexion moyen par défaut, le modèle choisi selon la tâche, le cache, les outils chargés à la demande, et un suivi de la dépense en temps réel, avec des alertes à 50, 80 et 100 % de la dépense prévue et des paliers validés par le manager. Ce sont des chiffres qu'Uber publie sur ses propres outils. Ces réglages agissent sur ce que relit chaque session, et c'est cet étage que ce carnet regarde, du côté de celui qui travaille avec l'IA.

Un token est un morceau de mot, l'unité que le modèle lit et écrit. Sur un abonnement, vous ne voyez jamais de facture : vous voyez une limite qui tombe. Elle tombe plus vite quand la conversation s'allonge, quand on joint de gros fichiers et quand on demande plus de réflexion.

Ce que l'on compte

Le modèle lit des tokens : des morceaux de mots, de ponctuation ou de code. Tout ce qu'il reçoit et tout ce qu'il écrit se compte ainsi : votre message, mais aussi les instructions qui l'accompagnent, les fichiers joints, l'historique de la conversation et sa réponse. Avec une clé d'API, ces tokens se paient au million. Sur un abonnement, ils se convertissent en limites : une fenêtre de quelques heures, une limite de la semaine.

Ce qui pèse sur vos limites, selon les éditeurs

L'aide de Claude, mise à jour le 22/09/2026, liste ce qui pèse sur les limites d'usage : la longueur de vos messages, la taille des fichiers joints, la longueur de la conversation en cours, les outils comme la recherche web, le modèle choisi et le niveau d'effort (Claude Help Center).

OpenAI en dit moins. L'offre ChatGPT Plus peut comporter des plafonds de messages, surtout en période de forte demande, qui varient selon l'état du système (OpenAI). OpenAI ne dit pas ce qu'une longue conversation retire des plafonds. Un signe montre pourtant que la longueur compte : depuis l'été 2026, un texte de plus de 10 000 caractères collé dans ChatGPT devient automatiquement une pièce jointe, pour ne pas occuper toute la fenêtre de contexte, la mémoire de travail du modèle (notes de version de ChatGPT).

Pourquoi la limite tombe sans prévenir

La même question peut donc coûter peu au début d'une conversation et beaucoup au bout de deux heures. Le message est identique, ce qui change, c'est tout ce que le modèle doit relire avec lui. C'est le mécanisme qu'il faut comprendre pour consommer moins.

Dans ce que l'IA relit. Le modèle ne garde rien d'un message à l'autre, alors l'outil lui renvoie toute la conversation à chaque fois. Dans un agent qui enchaîne les actions, chaque action est une nouvelle requête, et la relecture finit par peser presque tout le volume.

Toute la conversation, à chaque message

Un modèle ne se souvient de rien entre deux requêtes. Pour qu'il suive la conversation, l'outil lui renvoie à chaque message ses instructions, le contexte du projet et tout l'historique. La documentation de Claude Code le dit sans détour : chaque requête renvoie toute la conversation, et une question d'une ligne dans une session ouverte toute la journée fait relire toute la journée (documentation de Claude Code).

Dans un agent, l'effet se multiplie. Un agent est une IA qui agit : elle lit des fichiers, lance des commandes, consulte des pages. Chaque action envoie une nouvelle requête qui relit tout ce qui précède, résultats des actions compris.

Ce que montre un relevé

La documentation de Claude Code donne l'exemple d'une session : 1 200 tokens d'entrée nouveaux, 5 300 tokens produits, 50 000 écrits dans le cache et 940 000 relus depuis le cache, pour environ 0,55 dollar au prix catalogue (documentation de Claude Code). Presque tout le volume est de la relecture.

À l'échelle d'une plateforme, la proportion est la même. Chez OpenRouter, qui donne accès à des centaines de modèles par une seule interface, un peu moins de 90 % des tokens consommés par des agents en septembre 2026 étaient des relectures en cache, contre environ 60 % en janvier (OpenRouter). Fin septembre, les agents y consommaient environ 7 fois plus de tokens que les humains.

Ce qui part avant même votre question

Un agent de code envoie aussi des instructions de départ. Systima a mesuré en juillet 2026 qu'avant même la question, Claude Code envoyait environ 33 000 tokens d'instructions et de définitions d'outils, contre environ 7 000 pour un outil concurrent, OpenCode (Systima). Cette part se relit, elle aussi, à chaque message.

Parce que la relecture se paie au tarif réduit du cache tant qu'il tient, et au plein tarif quand il faut le réécrire. Une pause plus longue que la vie du cache ou un changement de modèle obligent à tout réécrire. C'est là que la facture grimpe.

Une remise, à condition de ne rien changer

Le cache garde en mémoire le début de la conversation pour éviter de tout traiter de nouveau. Sur les modèles actuels d'Anthropic, une lecture en cache coûte 5 % du prix d'entrée sur Opus 5.5 et Sonnet 5.5, 2,5 % sur Fable 5.1 et Mythos 5.1, et 10 % sur les autres modèles. Écrire dans le cache coûte en revanche 1,25 fois le prix normal pour un cache de cinq minutes, et 2 fois pour un cache d'une heure (grille d'Anthropic).

Le cache ne sert que si le début de la requête est exactement le même. Chaque modèle a son propre cache : changer de modèle en cours de conversation fait relire toute la conversation sans remise. Thariq Shihipar, chez Anthropic, donne l'exemple d'une conversation de 100 000 tokens sur Opus, où passer au modèle léger Haiku coûterait plus cher que de rester sur Opus (blog d'Anthropic).

Une durée de vie limitée

Le cache expire. Sur un abonnement, la conversation principale de Claude Code reçoit un cache d'une heure, et le reste (sous-agents, compaction) cinq minutes ; avec une clé d'API, tout est à cinq minutes par défaut (documentation de Claude Code). Dans claude.ai, le contenu d'un projet est mis en cache et compte moins quand il sert de nouveau, mais l'aide prévient : au retour après une longue pause, le premier message compte de nouveau ce contenu en entier (Claude Help Center).

Boris Cherny, qui a créé Claude Code, le résumait en avril 2026 : laisser son ordinateur plus d'une heure se solde souvent par un raté complet du cache, et ces ratés coûtent cher sur une fenêtre d'un million de tokens (The Register).

Une règle qui bouge

La durée de vie du cache a bougé en 2026. Selon le ticket d'un abonné relayé par The Register, Anthropic a introduit un cache d'une heure vers le 1er février, puis est revenu à cinq minutes vers le 7 mars pour beaucoup de requêtes ; des abonnés ont alors vu leurs limites tomber plus vite. Zivtech a calculé en avril que, sur une session Opus 4.6 de 100 000 tokens, un tour coûtait environ 12,5 fois plus cher une fois le cache expiré (Zivtech). C'est un calcul sur les prix de l'époque : l'article ne mesure aucune session réelle.

Les plus utiles ne coûtent rien. En conversation, un nouveau sujet dans une nouvelle conversation et les documents de référence dans un projet. Dans un agent, repartir à zéro entre deux tâches, finir une session plutôt que la reprendre, et choisir le modèle au départ.

Dans ChatGPT ou Claude, en conversation

L'aide de Claude donne des conseils simples (Claude Help Center) :

• regrouper ses demandes dans un message clair et complet, plutôt qu'une série d'allers-retours ;
• être précis dès le départ pour éviter les questions de clarification ;
• ranger les documents qui reviennent dans un projet, où ils sont mis en cache, plutôt que les recoller à chaque conversation ;
• suivre son usage dans les réglages, qui affichent la fenêtre de cinq heures et la limite de la semaine.

Le mécanisme de la partie 3 en tire un geste de plus : un nouveau sujet mérite une nouvelle conversation. Une conversation qui traîne depuis le matin fait relire tout ce qui précède à chaque nouvelle question, même sans rapport.

Dans un agent : repartir à zéro

Anthropic recommande d'effacer la conversation (/clear) entre deux tâches sans lien, et, après deux corrections ratées sur le même problème, de repartir avec une meilleure consigne plutôt que d'en tenter une troisième ; effacer ne coûte rien (bonnes pratiques d'Anthropic).

Un praticien l'a mesuré dans une campagne de 945 exécutions publiées avec leurs données, en octobre 2026, sur des questions de lecture de code, avec trois conversations par longueur testée, en tokens et non en dollars (dépôt de kenseii1) :

• après une conversation de 30 tours, repartir à zéro avant la tâche suivante réduit de 79 % les tokens des trois questions suivantes, de 76 % après 15 tours et de 47 % après 5 ;
• compacter la conversation, c'est-à-dire la faire résumer pour repartir du résumé, les réduit de 39 à 60 %, compaction comprise ;
• les réponses restaient justes, sur des questions qui ne dépendaient pas les unes des autres.

Finir une session plutôt que la reprendre

Reprendre une longue conversation après une pause plus longue que la vie du cache fait tout relire au plein tarif (partie 4). Compacter une session reprise coûte cher aussi, puisque la compaction relit toute la conversation au plein tarif une fois le cache expiré ; Anthropic conseille de compacter à une pause naturelle, entre deux tâches (documentation de Claude Code). Une note de fin de session, d'où l'on repart le lendemain dans une conversation neuve, évite les deux.

Claude Code s'y met aussi : après environ 54 minutes d'inactivité, il compacte de lui-même une conversation de plus de 200 000 tokens avant que son cache d'une heure n'expire (documentation de Claude Code).

Choisir le modèle au départ

Changer de modèle en route casse le cache. La bonne règle devient donc de choisir le modèle et le niveau de réflexion au début de la tâche. Le test des 945 exécutions trouve qu'un effort bas sur Opus 5.5 économise 17 % de tokens sans perte de justesse sur ses questions, alors qu'un effort haut sur Sonnet 5.5 en ajoute 20 % pour les mêmes réponses justes.

Tout ce qui est chargé à chaque message, instructions du projet, outils, sous-agents. Des instructions courtes et des procédures rangées à part allègent chaque tour. Les sous-agents isolent le travail, mais ils relisent leurs propres instructions et ne font pas toujours économiser.

Des instructions courtes

Les instructions d'un projet (le fichier CLAUDE.md pour Claude Code, les instructions d'un projet dans claude.ai ou ChatGPT) sont relues à chaque message. La documentation de Claude Code conseille de rester sous 200 lignes par fichier (documentation de Claude Code). Le test des 945 exécutions chiffre l'enjeu : 16 Ko de règles sans rapport avec la tâche ajoutent 46 % de tokens par question, et les mêmes règles rangées dans une compétence (une skill, chargée seulement quand on l'appelle) coûtent 31 % de moins.

Les outils et les serveurs

Les définitions des outils se chargent aussi. L'écart entre un serveur MCP (le protocole qui branche un outil externe sur l'IA) et une simple ligne de commande s'est réduit depuis que Claude Code ne charge les outils qu'à la demande : sur une tâche menée trois fois, Checkly mesure 48 000 à 50 000 tokens avec le serveur, 45 000 à 48 000 avec la ligne de commande (Checkly, juillet 2026). Le test des 945 exécutions ne trouve pas d'effet établi à couper les serveurs inutiles.

Les sous-agents, à manier avec soin

Un sous-agent part avec son propre contexte et ne rend qu'un résumé : la conversation principale reste plus légère. Mais il relit lui-même ses instructions à chaque tour. Systima mesure une tâche qui coûte 121 000 tokens faite directement et 513 000 tokens répartie sur deux sous-agents, environ 4 fois plus (Systima). Le test des 945 exécutions ne trouve pas d'effet net, dans un sens ni dans l'autre.

Les équipes d'agents, où plusieurs agents travaillent ensemble, consomment environ 7 fois plus de tokens qu'une session seule quand chacun tourne en mode plan, selon Anthropic (documentation de Claude Code).

Les autres outils de code comptent aussi au token

Le mécanisme vaut ailleurs. Codex, l'agent de code d'OpenAI, compte en crédits par million de tokens d'entrée, d'entrée en cache et de sortie ; l'entrée en cache y coûte 5 à 10 % de l'entrée normale selon le modèle, sans frais d'écriture dans le cache, et l'offre Plus a des fenêtres de cinq heures (tarifs de Codex). Cursor ajoute aux offres d'équipe 0,25 dollar par million de tokens vers les modèles tiers, cache compris (aide de Cursor). Copilot facture au token depuis juin.

La facture d'une équipe additionne les habitudes de chacun. Avant de poser un plafond, une équipe gagne à savoir où part sa consommation, ce que les outils mesurent déjà, et à partager des instructions et des réglages courts, qui pèsent sur chaque message de chacun.

Des repères pour budgéter

Selon Anthropic, sur ses déploiements en entreprise, Claude Code coûte en moyenne environ 13 dollars par développeur et par jour actif, 150 à 250 dollars par mois, et moins de 30 dollars par jour actif pour 90 % des utilisateurs (documentation de Claude Code). Ce sont des moyennes de l'éditeur sur ses clients entreprise, en dollars : elles ne disent rien d'un abonnement individuel, où l'usage se compte en limites.

Mesurer avant de plafonner

Un plafond par personne frappe tout le monde sans dire quelles conversations coûtent, ni pourquoi. Savoir quelles sessions coûtent, et pourquoi, vient avant le plafond. Les outils mesurent déjà : la commande /usage dans Claude Code, la page d'usage dans claude.ai, les tableaux de bord de Copilot et de Cursor.

Ce qu'une équipe partage

Une équipe partage des instructions de projet, des compétences et des réglages. Ce sont eux qui pèsent sur chaque message de chacun : les garder courts et à jour profite à tous. Parmi les leviers d'Uber figurent ces réglages communs : compaction automatique à 400 000 tokens, effort moyen par défaut, modèle choisi par tâche.

Quand on compte les tokens plutôt que le coût, et quand l'économie se paie en temps. Les outils annoncés pour réduire les tokens rapportent peu, une compaction trop agressive fait perdre le fil, et les conseils vieillissent en quelques mois.

Moins de tokens, facture plus haute

Deux mesures récentes vont contre l'intuition. Dans une prépublication de juillet 2026, Sarel Weinberger et Amir Hozez compressent les résultats que les outils renvoient au modèle dans Claude Code : la plus forte compression réduit de 38,4 % ces tokens et augmente le coût facturé de 6,8 % ; la baisse des tokens n'est que faiblement liée à celle du coût (arXiv).

JetBrains teste un à un les modules gratuits annoncés pour économiser. Sur 425 essais facturés, l'outil rtk, annoncé à 60 à 90 % d'économie, rend le travail 7,6 % plus cher en effort bas et ne change rien en effort haut, à qualité égale ; dans un premier volet, la compétence caveman, annoncée à -65 %, mesurait -8,5 % (JetBrains). L'explication tient au cache : rtk ne compresse qu'une petite part de ce que l'agent lit, la relecture en cache fait l'essentiel de la facture, et l'agent fait 13,8 % de tours en plus.

Le temps humain coûte plus cher

Anthropic le reconnaît pour les sous-agents : un sous-agent neuf doit d'abord rassembler le contexte que la conversation avait déjà, et peut finir plus lent que la tâche faite sur place (bonnes pratiques d'Anthropic). Une compaction trop précoce peut faire perdre une contrainte ou la raison d'une décision, qu'il faut alors réexpliquer. Un modèle trop léger peut boucler et se corriger plusieurs fois. Une économie de tokens qui ajoute des allers-retours se paie en temps, et ce temps peut coûter plus que les tokens.

Des conseils qui vieillissent

En 2026, la durée de vie du cache a changé deux fois en deux mois, le prix de la lecture en cache a baissé de moitié sur les derniers modèles, et le chargement des outils à la demande a rendu caduque une partie des comparaisons entre serveurs et lignes de commande. Un conseil sur les tokens sans date ni version est à revérifier.

Les sources mesurent des mécanismes et des cas isolés. Aucune ne dit quelle part de la facture d'une entreprise vient des habitudes de ses salariés, ni ce que coûte une compaction en qualité, ni ce qu'une longue conversation coûte dans ChatGPT, ni ce qu'un token économisé fait gagner en temps.

• Aucune source ne mesure la part de la facture qui vient des habitudes. Uber attribue sa stabilisation à un ensemble d'optimisations, sans les séparer, dans la période même où il posait des plafonds.
• Le taux de réussite du cache chez les utilisateurs n'est pas publié. Les seuls ordres de grandeur viennent d'une plateforme (OpenRouter), d'exemples de documentation et de mesures individuelles.
• La perte de qualité après une compaction n'est pas mesurée de façon indépendante. Le test des 945 exécutions ne la voit pas sur des questions qui ne dépendent pas les unes des autres, et aucune étude indépendante ne la chiffre.
• L'usage en conversation n'est pas mesuré. Ni OpenAI ni Anthropic ne publient ce que coûte une longue conversation dans ChatGPT ou claude.ai ; les mesures citées ici portent sur des agents de code.
• Le lien entre tokens économisés et temps gagné n'est mesuré nulle part. Tous les guides rappellent que le temps humain coûte plus cher, aucun ne donne de quoi arbitrer.

La plupart des chiffres viennent d'éditeurs qui vendent l'outil mesuré, d'entreprises qui mesurent leurs propres agents, ou de praticiens qui testent quelques cas. Ils datent tous de 2026, se comptent tantôt en dollars, tantôt en limites, et changent d'une version à l'autre.

• Les éditeurs mesurent leurs propres outils. Anthropic fixe ses prix et publie ses moyennes, Uber mesure ses agents, OpenRouter sa plateforme, Systima vend du conseil en optimisation des coûts.
• Les mesures publiées portent sur peu de cas. Le test des 945 exécutions porte sur un dépôt de code, des questions de lecture et un expérimentateur ; Systima fait un essai par variante ; Checkly, qui vend une ligne de commande et un serveur MCP, mène une seule tâche trois fois.
• Le chiffre de 67 % de baisse du prix vient d'un éditeur de passerelle d'API, AI.cc, et d'un compte rendu de presse.
• Dollars et limites ne se comparent pas. Les repères d'Anthropic sont des moyennes en dollars sur ses clients entreprise ; sur Pro ou Max, l'usage se compte en limites de cinq heures et de semaine.
• Tout change vite. Un prix, une durée de cache ou un conseil se revérifient sur la page du jour.