# Comment utiliser GPT-5.4 mini et nano pour réduire vos coûts?

Date: 2026-03-27 · Author: Robert Scales · https://guidetoartificialintelligence.com/fr/apprendre/reduire-couts-gpt-5-4-mini-nano/

**Answer:** Envoyez chaque requête au plus petit modèle capable de la traiter : une première étape peu coûteuse, souvent nano lui-même, trie les requêtes selon leur difficulté, nano et mini font le travail courant, et le GPT-5.4 complet ne traite que les cas difficiles. Aux prix courants d’OpenAI, nano coûte moins du dixième de GPT-5.4 par jeton et mini moins du tiers, si bien que même un routeur approximatif peut réduire une grosse facture de plus de moitié.

La plupart des applications bâties sur des modèles d’IA envoient sans cesse les mêmes types de requêtes, et la plupart de ces requêtes sont faciles. Si chacune va au plus gros modèle, vous payez le prix fort pour un travail qu’un modèle plus petit ferait tout aussi bien. Le **routage** règle ce problème : votre code décide, requête par requête, quel modèle doit répondre.

GPT-5.4 mini et GPT-5.4 nano, lancés le 17 mars, rendent le routage plus intéressant que jamais. OpenAI décrit mini comme plus de deux fois plus rapide que GPT-5 mini et proche du GPT-5.4 complet à certains tests de programmation et d’utilisation d’un ordinateur, et recommande nano pour la classification, l’extraction de données, le classement et les assistants de programmation simples.

## Les prix qui rendent le routage rentable

Voici les prix de l’API publiés par OpenAI, par million de jetons. Un **jeton** est un petit morceau de texte, souvent un mot entier ou une partie de mot; vous payez séparément les jetons que vous envoyez (entrée) et ceux que le modèle écrit (sortie).

| Modèle | Entrée | Sortie | Fenêtre de contexte |
|---|---|---|---|
| GPT-5.4 | 2,50 $ US | 15,00 $ US | jusqu’à 1 M de jetons |
| GPT-5.4 mini | 0,75 $ US | 4,50 $ US | 400 k jetons |
| GPT-5.4 nano | 0,20 $ US | 1,25 $ US | non précisée dans l’annonce |

Le prix d’entrée de nano équivaut à 8 % de celui de GPT-5.4, et celui de mini à 30 %. L’écart est tout aussi grand à la sortie, ce qui compte parce que les réponses sont souvent la partie coûteuse.

Les prix ne disent toutefois pas tout. Les propres résultats d’OpenAI montrent où les petits modèles prennent du retard. À son test de contexte long MRCR, par exemple, qui demande à un modèle de retrouver plusieurs éléments correspondants dans une longue entrée, GPT-5.4 a obtenu 86 % sur des entrées de 64 000 à 128 000 jetons, alors que mini et nano ont obtenu moins de 48 %. Gardez donc le travail long et chargé en documents sur le gros modèle.

## Un exemple concret : un routeur à trois niveaux

Un outil de soutien technique répond à des questions sur un logiciel. Certaines questions sont simples (« Comment réinitialiser mon mot de passe? »), d’autres demandent une explication, et quelques-unes exigent un dépannage délicat. Le routeur demande à nano d’évaluer chaque requête, puis l’achemine.

```python
from openai import OpenAI

client = OpenAI()   # lit OPENAI_API_KEY dans l'environnement

TIERS = {"easy": "gpt-5.4-nano", "medium": "gpt-5.4-mini", "hard": "gpt-5.4"}

GRADER = ("Évalue à quel point il est difficile de bien répondre à cette question de soutien. "
          "easy = un fait ou une seule étape tirée de la documentation. "
          "medium = demande une explication ou plusieurs étapes. "
          "hard = dépannage, ambiguïté, ou tout ce qui touche la facturation ou la perte de données. "
          "Réponds par un seul mot : easy, medium ou hard.")

def grade(question):
    r = client.responses.create(model="gpt-5.4-nano", instructions=GRADER, input=question)
    level = r.output_text.strip().lower()
    return level if level in TIERS else "hard"      # incertain? on joue la prudence

def answer(question, docs):
    level = grade(question)
    r = client.responses.create(
        model=TIERS[level],
        instructions="Réponds uniquement à partir de la documentation fournie. Si l'information n'y est pas, dis-le.",
        input=f"Documentation :\n{docs}\n\nQuestion : {question}")
    print(level, TIERS[level], r.usage.input_tokens, r.usage.output_tokens)
    return r.output_text
```

Deux choix de conception le gardent sûr. Tout ce que l’évaluateur ne peut pas étiqueter clairement va au gros modèle : un routeur confus coûte donc de l’argent plutôt que de la qualité. Et la ligne `print` consigne quel modèle a répondu et combien de jetons il a utilisés, soit les données dont vous avez besoin pour vérifier les économies.

## La comparaison des coûts

Voici un mois à titre d’exemple : 100 000 questions, chacune envoyant environ 1 500 jetons et en recevant environ 300. Supposons que l’évaluateur classe 60 % des questions comme faciles, 30 % comme moyennes et 10 % comme difficiles. Tous les chiffres sont calculés à partir des prix courants ci-dessus; le nombre réel de jetons variera.

| Configuration | Coût par question | Coût mensuel |
|---|---|---|
| Tout sur GPT-5.4 | 0,00825 $ US | 825,00 $ US |
| Tout sur mini | 0,00248 $ US | 247,50 $ US |
| Routeur : évaluation par nano, puis 60/30/10 | environ 0,00229 $ US | environ 228,50 $ US |

Le total du routeur inclut environ 31 $ US pour l’étape d’évaluation elle-même, puisque nano lit chaque question complète une fois. Par rapport à tout envoyer à GPT-5.4, l’économie est d’environ 72 %, tandis que le dixième le plus difficile des questions obtient toujours le modèle le plus puissant. Tout envoyer à mini coûte un peu plus cher que le routage et donne une réponse plus faible aux questions difficiles.

> **À essayer :** prenez 50 vraies requêtes dans vos propres journaux, soumettez-les seulement à l’évaluateur et vérifiez ses étiquettes à la main. S’il classe des questions difficiles comme faciles plus d’une ou deux fois, resserrez les instructions avant d’acheminer une seule requête réelle.

## Quelles tâches un modèle nano peut-il prendre en charge?

Nano est conçu pour des tâches courtes et bien définies qui ont une bonne réponse claire : trier des éléments en catégories, extraire d’un texte des champs comme des noms, des dates ou des montants, classer une liste de résultats et servir d’assistant rapide à l’intérieur d’un agent plus large. L’évaluateur de l’exemple est une tâche typique pour nano. Il lit l’entrée, choisit une étiquette dans une liste fixe et s’arrête.

C’est un choix plus faible quand une tâche demande un long raisonnement, de vastes connaissances ou la lecture attentive de très longs documents. Les chiffres publiés par OpenAI montrent l’écart : à OSWorld-Verified, un test qui consiste à utiliser un ordinateur à partir de captures d’écran, nano a obtenu 39 %, contre 72 % pour mini et 75 % pour GPT-5.4. Pour ce genre de travail, mini est l’option économique la plus sensée.

La façon la plus sûre de trouver les limites de nano est de les mesurer. Soumettez les mêmes 100 tâches à nano et à un modèle plus gros, comparez les résultats, et ne confiez une tâche à nano que lorsque son taux d’erreur est acceptable pour vous. Gardez un format de sortie fixe, comme un seul mot ou un court objet JSON, pour que votre code puisse vérifier chaque réponse automatiquement et envoyer toute réponse mal formée à un modèle plus gros.

## Sources

- Introducing GPT-5.4 mini and nano: https://openai.com/index/introducing-gpt-5-4-mini-and-nano/
- Introducing GPT-5.4: https://openai.com/index/introducing-gpt-5-4/