Que coûte un LLM de raisonnement par requête ?
Axel Morel · Fondateur & analyste, ProbansL'essentiel
Environ treize fois plus d'énergie par requête : 0,31 Wh en médiane en régime de réponse courte contre 3,91 Wh en régime de raisonnement étendu, selon l'estimation la plus récente disponible (Oviedo et al., Microsoft Research, 2026), pour des modèles de frontière de plus de 200 milliards de paramètres. Cette sous-famille de LLM insère une longue étape de calcul intermédiaire avant de répondre ; le facteur est une estimation ascendante construite sur des hypothèses de matériel et de charge, pas une mesure au compteur.
- Le modèle écrit d'abord un brouillon, le plus souvent masqué. Un LLM de raisonnement ajoute une étape avant cette génération : il produit d'abord une longue chaîne de raisonnement intermédiaire, souvent masquée à l'utilisateur dans l'interface, qui explore plusieurs pistes, revient sur des impasses, corrige des étapes intermédiaires.
- L'énergie médiane par requête est multipliée par environ 13. Elle situe un panel de trois grands modèles (DeepSeek-R1, Llama 3.1 405B, Llama 3.1 Nemotron Ultra 253B) à 0,31 Wh en médiane sur un régime de réponse courte, contre 3,91 Wh en médiane sur un régime de raisonnement étendu (5 000 tokens de sortie médians), soit un facteur d'environ 13.
- Ramené à la bonne réponse, l'écart de prix se resserre. 2,24 essais à 6 fois le tarif de GPT-4o reviennent à environ 13,4 unités de coût, contre 10,75 pour GPT-4o, soit environ 25 % plus cher par bonne réponse pour o1-preview, pas une parité mais un écart bien plus faible que le facteur nominal au token.
Un LLM classique répond du premier coup : il produit sa réponse token après token, dans l’ordre, sans revenir en arrière. Depuis 2024, une sous-famille de LLM procède différemment. Popularisée par o1 d’OpenAI, prolongée par DeepSeek-R1 de l’entreprise chinoise DeepSeek puis par o3, elle intercale une étape de calcul intermédiaire avant de livrer sa réponse finale. On l’appelle un LLM “de raisonnement”. Ce que la méthode interprète : le nom est trompeur s’il laisse penser à une forme de réflexion humaine ; rien dans les données disponibles n’établit qu’il s’agisse d’une nouvelle faculté cognitive plutôt que d’un choix d’ingénierie avec un coût mesurable.
Ce qu’un LLM standard fait, et ce que la sous-famille “raisonnement” ajoute
Ce que les données établissent. Un LLM standard (GPT-4o, par exemple) génère sa réponse directement : chaque mot est produit à partir de tous les précédents, dans un seul passage. C’est rapide, peu coûteux, et suffisant pour la grande majorité des usages courants : rédaction, résumé, conversation, code simple. Un LLM de raisonnement ajoute une étape avant cette génération : il produit d’abord une longue chaîne de raisonnement intermédiaire, souvent masquée à l’utilisateur dans l’interface, qui explore plusieurs pistes, revient sur des impasses, corrige des étapes intermédiaires. La réponse finale n’apparaît qu’une fois ce travail préparatoire terminé. DeepSeek documente ce mécanisme explicitement pour sa variante R1-Zero, entraînée uniquement par apprentissage par renforcement, sans étape d’affinage supervisé préalable ; DeepSeek-R1, la variante publiée par défaut, ajoute à ce renforcement une étape de constitution de données d’affinage supervisé que R1-Zero n’a pas (le détail exact de l’ordre des étapes n’est pas repris ici faute de verbatim disponible).
Ce que la méthode interprète. Le mot “raisonnement” décrit bien le comportement observable (le modèle explore, revient en arrière, corrige) mais ne dit rien sur ce qui se passe réellement à l’intérieur du modèle. C’est une description fonctionnelle d’un calcul, pas la preuve d’un mécanisme cognitif comparable à un raisonnement humain. Le nom retenu par l’industrie s’est imposé pour sa force commerciale autant que pour sa précision technique.
Un calcul mobilisé au moment de répondre, pas pendant l’entraînement
Ce que les données établissent. Ce calcul de raisonnement supplémentaire porte un nom précis : le test-time compute, ou calcul au moment du test. Il se distingue du calcul d’entraînement, qui façonne les paramètres du modèle une fois pour toutes avant sa mise en service. Le test-time compute, lui, est dépensé à chaque nouvelle requête, à chaque fois qu’un utilisateur pose une question. C’est un déplacement de curseur : plutôt que d’investir uniquement dans un entraînement plus long ou plus coûteux, on investit dans un calcul répété à chaque usage. Je détaille ce principe dans la fiche dédiée : voir Test-time compute : pourquoi certains modèles “réfléchissent”.
Ce que ça coûte, chiffré
Ce que les données établissent. Ce calcul supplémentaire n’est pas gratuit. L’estimation la plus récente disponible sur le sujet, publiée dans la revue Joule (Oviedo et al., Microsoft Research, 2026, arXiv:2509.20241 pour le texte intégral consulté ; le type éditorial précis de l’article, au-delà de sa publication effective, n’est pas confirmé par la source elle-même), est une estimation ascendante, construite à partir d’hypothèses de matériel et de charge à l’échelle de production, pas une mesure physique directe requête par requête : elle situe un panel de trois grands modèles (DeepSeek-R1, Llama 3.1 405B, Llama 3.1 Nemotron Ultra 253B) à 0,31 Wh en médiane sur un régime de réponse courte, contre 3,91 Wh en médiane sur un régime de raisonnement étendu (5 000 tokens de sortie médians), soit un facteur d’environ 13. Ce n’est pas le scénario le plus consommateur que les mêmes auteurs chiffrent : ils mesurent par ailleurs DeepSeek-R1 seul à 10,6 Wh en médiane, un chiffre supérieur que l’article ne retient pas ici, sur une base de longueur de requête différente et non précisée avec certitude par la source pour ce chiffre précis (la mesure tierce à laquelle il est comparé porte sur 11 287 tokens de sortie en moyenne, contre 5 000 tokens médians pour construire le facteur 13), donc pas directement comparable terme à terme. Ce que la méthode interprète de cet écart, non formulée en ces termes par Oviedo et al. eux-mêmes (leur modèle porte sur le débit de tokens, pas sur une narration causale du raisonnement) : chaque étape de raisonnement intermédiaire explorée avant la réponse finale ajoute des tokens à générer, et donc du calcul et de l’énergie, qu’une requête en régime de sortie courte ne mobilise pas. Le détail de cette estimation, ses limites et ses implications pour un usage à grande échelle sont traités dans la fiche dédiée : voir Le coût énergétique d’une requête LLM.
Pour quelle tâche, concrètement
Ce que la méthode interprète, à partir des éléments disponibles. Ce surcoût n’a de sens que rapporté à la tâche. Les LLM de raisonnement ciblent surtout les tâches à contrainte stricte (une démonstration mathématique, un problème de code avec une seule solution correcte, un débogage qui exige de tester plusieurs hypothèses avant de trouver la bonne) et, plus largement, les tâches agentiques à plusieurs étapes où une erreur intermédiaire non détectée se propage. Sur ce type de tâche, l’exploration de plusieurs pistes avant de répondre a une utilité réelle et mesurable : elle réduit le taux d’erreur là où une réponse directe échouerait plus souvent. Pour la conversation générale, la rédaction, le résumé ou l’assistance courante, un LLM standard suffit et coûte nettement moins cher ; je n’ai identifié aucune étude mesurant une éventuelle perte de qualité perçue par l’utilisateur sur ces usages, dans un sens ou dans l’autre. Router toute requête vers un modèle de raisonnement par défaut revient à payer un surcoût réel : Oviedo et al. (2026) estiment eux-mêmes que la possibilité de désactiver explicitement le raisonnement, quand la tâche ne le justifie pas, réduit l’énergie par requête d’un facteur 5 ou plus. À ce surcoût énergétique s’ajoute, de mon interprétation, un temps de réponse nettement plus long (le calcul intermédiaire s’exécute avant que la réponse ne commence à s’afficher), pour un gain de fiabilité que la tâche ne réclame pas.
Quand router vers un modèle de raisonnement : un calcul, pas une intuition
Ce que les données établissent. Le jour du lancement d’o1 (2024), OpenAI a publié, sur son propre modèle et sans réplication indépendante identifiée à ce jour, une comparaison avec GPT-4o sur l’examen AIME 2024, un concours de mathématiques : dans le corps de son annonce, en un seul essai (pass@1), GPT-4o résout 12 % des problèmes, o1 en résout 74 %, soit un facteur d’environ 6 en précision. Un tableau distinct en annexe du même document donne, pour la même mesure nominale, des chiffres différents et non réconciliés par la source (voir plus bas) : la méthodologie exacte de chacun des deux tableaux n’est pas explicitée.
Grille tarifaire de lancement, non capturée dans ce dossier de preuve. Lors du lancement d’o1, la grille tarifaire officielle des deux modèles affichait un facteur proche sur le coût : o1-preview coûtait alors environ 6 fois plus cher que GPT-4o par token de sortie (60 $ contre 10 $ par million de tokens). Ce chiffre est repris de la grille tarifaire publiée par OpenAI en septembre 2024 ; la page elle-même n’a pas été capturée pour ce dossier, à la différence des autres chiffres de cette fiche.
Ce que la méthode interprète, calcul original. Le prix de 60 $/M en sortie ne concerne que la version disponible ce jour-là, o1-preview, pas “o1” au sens plein cité plus haut pour le score de 74 % : la même annonce OpenAI donne, en annexe, un tableau distinct de taux de réussite en un seul essai sur cet examen, propre à o1-preview (44,6 %) et à GPT-4o (9,3 % dans ce même tableau, différent des 12 % cités au corps du texte pour GPT-4o). Pour comparer deux modèles sur la même mesure, je retiens ici les deux chiffres du même tableau plutôt que de mélanger deux tableaux différents de la source. Mon calcul (une simulation fondée sur une hypothèse, pas une donnée de marché observée) porte donc sur ce couple interne cohérent : sur une tâche à réponse vérifiable, le nombre moyen d’essais nécessaires pour réussir avec un modèle standard se rapproche, en première approximation, de l’inverse de son taux de réussite, soit environ 10,75 essais pour GPT-4o (1 / 0,093), contre environ 2,24 essais pour o1-preview (1 / 0,446). Ramené au coût par bonne réponse, l’écart de prix affiché au token (facteur 6, soit 600 % plus cher) se resserre fortement, sans atteindre l’équivalence : 2,24 essais à 6 fois le tarif de GPT-4o reviennent à environ 13,4 unités de coût, contre 10,75 pour GPT-4o, soit environ 25 % plus cher par bonne réponse pour o1-preview, pas une parité mais un écart bien plus faible que le facteur nominal au token. Ce calcul suppose par ailleurs que le rapport de prix affiché au token reflète le rapport de coût réel par tentative : un modèle de raisonnement consomme structurellement plus de tokens, puisque sa chaîne de raisonnement elle-même est facturée, ce qui pourrait creuser cet écart de 25 % plutôt que de le resserrer davantage (voir mes réserves).
Le seuil de décision qui en découle est transposable dans sa logique, pas dans ses chiffres : router vers un modèle de raisonnement devient avantageux dès que le gain de taux de réussite dépasse le surcoût réel par tentative, tokens masqués compris ; il devient perdant sur une tâche où un modèle standard réussit déjà la majorité du temps.
Mes réserves
- La frontière entre “LLM standard” et “LLM de raisonnement” évolue vite. Plusieurs autres fournisseurs proposent désormais des variantes intermédiaires (raisonnement activable ou réglable à la demande plutôt que binaire), ce qui rend la distinction présentée ici de plus en plus approximative à mesure que les gammes de produits se diversifient ; ce constat général n’est pas adossé ici à une source par fournisseur.
- Les noms de produits cités ici (o1, o3, DeepSeek-R1) datent de la rédaction de cet article et changeront. Ce qui compte pour comprendre le principe n’est pas le nom du modèle en cours à une date donnée, mais le mécanisme sous-jacent : un calcul étendu mobilisé au moment de répondre, pas pendant l’entraînement. Un lecteur qui retrouve cet article après la sortie de nouveaux modèles devrait pouvoir transposer directement.
- Les chiffres énergétiques cités (0,31 Wh contre 3,91 Wh) proviennent de l’estimation la plus récente disponible à la rédaction. Ils estiment une consommation par requête à un moment donné, pas une constante physique : une étude antérieure de mai 2025 (voir la fiche dédiée sur le coût énergétique pour la référence complète) mesurait un facteur supérieur à 70 plutôt que 13. Oviedo et al. (2026) documentent par ailleurs que des estimations tierces largement citées de la consommation par requête (hors ce facteur d’écart précis) sont surestimées d’un facteur 4 à 20 par rapport à leur propre mesure ; je n’ai pas trouvé, dans les sources réunies pour cette fiche, de lien démontré entre ce facteur de surestimation et l’écart spécifique entre 70 et 13.
- Le facteur d’environ 13 cité dans cet article est une médiane entre deux régimes de requête pour un panel de trois grands modèles, pas le plafond que la mesure de référence chiffre : les mêmes auteurs mesurent DeepSeek-R1 seul à 10,6 Wh en médiane, un chiffre supérieur aux 3,91 Wh retenus ici pour construire le facteur 13, sur une base de longueur de requête différente et donc pas strictement comparable.
- Le calcul “coût par bonne réponse” ne vaut que pour une tâche à réponse vérifiable automatiquement (un résultat numérique, un test qui passe) : il ne s’applique pas à une tâche de rédaction ou d’analyse ouverte, où “relancer jusqu’à réussite” n’a pas de sens.
- Le modèle “essais ≈ 1 / taux de réussite” suppose des essais indépendants. Si les échecs sont corrélés d’un essai à l’autre (même angle mort, même mécompréhension de l’énoncé qui se répète), le nombre réel d’essais nécessaires est plus élevé que ce calcul simplifié ne le prédit, et le coût par bonne réponse d’un modèle standard relancé est sous-estimé.
- Les tarifs cités au moment du calcul datent du lancement d’o1. Mi-2026, o3 affiche un tarif au token plus proche de celui d’un modèle standard (2 $/M en entrée, 8 $/M en sortie), mais OpenAI facture les tokens de raisonnement masqués comme des tokens de sortie sans publier de multiplicateur ; à défaut de méthode publiée pour le mesurer, nous situons nous-mêmes le surcoût réel entre 3 et 10 fois le tarif affiché (ce n’est pas un chiffre officiel OpenAI) : la logique du calcul reste valide, les chiffres d’entrée doivent être réactualisés modèle par modèle.
Retour au dossier « Comprendre les modèles post-LLM ». Voir aussi les fiches sœurs : Test-time compute : pourquoi certains modèles “réfléchissent” et Le coût énergétique d’une requête LLM.
ISP-IA16/100· 0-30 % · Preuves très limitées · Cinq entrées, et aucune paire n'y mesure le même objet. Le facteur d'environ 13 vient d'une seule d'entre elles, Oviedo et ses coauteurs, dont les huit signatures portent la même adresse Microsoft : c'est un cadre ascendant qui échantillonne 10 000 configurations de longueur de sortie, de puissance de nœud et de rendement d'infrastructure, jamais un relevé de compteur, et il situe la médiane à 0,31 Wh par requête, écart interquartile de 0,16 à 0,60, pour des modèles de frontière de plus de 200 milliards de paramètres sur des nœuds H100, contre 3,91 Wh, écart interquartile de 2,15 à 7,05, dans un scénario de requête quinze fois plus longue que la requête type. OpenAI chiffre un taux de réussite sur l'examen AIME 2024 pour ses propres modèles, DeepSeek décrit l'entraînement du sien, OpenRouter reprend la grille tarifaire d'OpenAI et la documentation développeur d'OpenAI décrit sa propre facturation : aucune de ces quatre entrées ne mesure une consommation d'énergie, et OpenRouter n'est pas indépendante de la source dont elle reprend les tarifs. Les deux valeurs non réconciliées de l'annonce d'OpenAI pour GPT-4o sur la même mesure nominale, 12 % au corps du texte et 9,3 % en annexe, sont un écart interne à une source unique, pas un désaccord entre deux sources. Aucune entrée ne peut donc en confirmer ni en contredire une autre, ce qui est le troisième cas où la convergence ne se mesure pas. Le type de preuve est celui de la transposition : un cadre d'estimation assemblé à partir d'hypothèses de matériel et de charge, dont les auteurs écrivent qu'il n'est pas une mesure physique, et un calcul de coût par bonne réponse qui est le mien. La réplication est nulle : ni l'estimation énergétique ni les taux de réussite d'OpenAI n'ont été ré-exécutés par un tiers dans ce dossier. L'axe puissance se note sur les unités observées, et l'examen qui porte les taux de réussite compte quinze problèmes.
L'Indice de solidité des preuves évalue la base empirique de cette analyse sur quatre critères pondérés : type de preuve (40 %), convergence (30 %), réplication (20 %), puissance (10 %). L'axe type de preuve est calibré par champ : 100 y désigne le meilleur dispositif que l'échelle ISP-IA sache produire, et non une preuve absolue.
Cinq entrées, et aucune paire n'y mesure le même objet. Le facteur d'environ 13 vient d'une seule d'entre elles, Oviedo et ses coauteurs, dont les huit signatures portent la même adresse Microsoft : c'est un cadre ascendant qui échantillonne 10 000 configurations de longueur de sortie, de puissance de nœud et de rendement d'infrastructure, jamais un relevé de compteur, et il situe la médiane à 0,31 Wh par requête, écart interquartile de 0,16 à 0,60, pour des modèles de frontière de plus de 200 milliards de paramètres sur des nœuds H100, contre 3,91 Wh, écart interquartile de 2,15 à 7,05, dans un scénario de requête quinze fois plus longue que la requête type. OpenAI chiffre un taux de réussite sur l'examen AIME 2024 pour ses propres modèles, DeepSeek décrit l'entraînement du sien, OpenRouter reprend la grille tarifaire d'OpenAI et la documentation développeur d'OpenAI décrit sa propre facturation : aucune de ces quatre entrées ne mesure une consommation d'énergie, et OpenRouter n'est pas indépendante de la source dont elle reprend les tarifs. Les deux valeurs non réconciliées de l'annonce d'OpenAI pour GPT-4o sur la même mesure nominale, 12 % au corps du texte et 9,3 % en annexe, sont un écart interne à une source unique, pas un désaccord entre deux sources. Aucune entrée ne peut donc en confirmer ni en contredire une autre, ce qui est le troisième cas où la convergence ne se mesure pas. Le type de preuve est celui de la transposition : un cadre d'estimation assemblé à partir d'hypothèses de matériel et de charge, dont les auteurs écrivent qu'il n'est pas une mesure physique, et un calcul de coût par bonne réponse qui est le mien. La réplication est nulle : ni l'estimation énergétique ni les taux de réussite d'OpenAI n'ont été ré-exécutés par un tiers dans ce dossier. L'axe puissance se note sur les unités observées, et l'examen qui porte les taux de réussite compte quinze problèmes.
- L'énergie par requête serait relevée au compteur sur des requêtes réelles, en régime de réponse courte puis en régime de raisonnement étendu, avec le protocole et le code publiés, plusieurs exécutions et un intervalle, au lieu d'un échantillonnage de configurations de longueur de sortie, de puissance de nœud et de rendement d'infrastructure.Un opérateur d'inférence, ou une équipe académique disposant d'un banc instrumenté · personne ne l’a produit
- Les taux de réussite comparés sur l'examen AIME 2024 seraient ré-exécutés par une équipe sans intérêt dans les modèles comparés, avec plusieurs graines et un intervalle, de sorte que la comparaison ne repose plus sur des chiffres publiés par le fournisseur de l'un des deux modèles.Une équipe d'évaluation sans intérêt dans les modèles comparés · personne ne l’a produit
- Le multiplicateur réel des tokens de raisonnement, facturés comme tokens de sortie, serait publié : la documentation développeur décrit la règle de facturation sans donner de valeur.OpenAI · existe, mais n’est pas consultable
Ce dispositif porterait l'indice à 22 sur 100, dans le palier « Preuves très limitées ». Les trois autres axes restent à leur valeur actuelle : un dispositif ne fait monter ni la convergence d'une littérature ni sa réplication.
Score de 16/100 (0-30 %) établi le 18 septembre 2026.
I source primaire indépendante · S secondaire spécialisée · P partie prenante ayant un intérêt commercial sur le sujet traité.
Lexique
- LLM· Grand modèle de langage↗
- Modèle d'intelligence artificielle entraîné sur de vastes corpus de texte pour prédire et générer du langage, capable de tâches d'analyse, de synthèse et de génération de texte en langage naturel sans avoir été explicitement programmé pour la tâche demandée.
Modification apportée · mis à jour le 3 septembre 2026
Relecture du 2026-09-03 : le calcul « coût par bonne réponse » comparait le taux de réussite d'o1 (74 %) au prix d'o1-preview, deux versions distinctes du modèle au lancement ; recalculé sur le couple o1-preview/GPT-4o cohérent (44,6 % / 9,3 %), l'écart passe d'une quasi-parité affichée à environ 25 % plus cher pour o1-preview par bonne réponse. Le facteur énergétique d'environ 13 est désormais présenté comme un écart entre deux régimes de requête sur un panel de modèles, pas comme le scénario le plus consommateur mesuré (les mêmes auteurs chiffrent DeepSeek-R1 seul plus haut, sur une autre base). La distinction d'entraînement entre DeepSeek-R1 et sa variante R1-Zero est précisée. Plusieurs affirmations non adossées à une source ont été retirées ou explicitement signalées comme telles. J'ai ajouté deux encadrés « En clair » : l'un sur le brouillon intermédiaire que produit cette sous-famille de modèles, l'autre sur l'écart entre un tarif au token et un coût par bonne réponse.
Développe une méthode d'analyse destinée à distinguer ce que les preuves établissent, ce qu'elles suggèrent et ce qu'elles ne permettent pas de conclure, puis à traduire cette distinction en décisions professionnelles.
Choix du sujet, direction de la rédaction, validation ou modification des sources, validation et retravail du texte et des illustrations : Axel Morel. Rédaction, choix des sources initiales et plan de rédaction initial : assistance IA.
Responsabilité éditoriale : Axel Morel. Recherche et rédaction assistées par IA selon la méthodologie Probans, sources vérifiées avant publication. Charte éditoriale.
En savoir plus