Comment acheter ChatGPT pour son entreprise : un cadre de décision en 5 étapes, des licences à 20 dollars aux offres sur mesure et à la facturation par jeton

Note de l’auteur : à partir de la récente annonce selon laquelle plus de la moitié des revenus d’OpenAI proviennent des entreprises, et en s’appuyant sur l’enquête de Harness et l’indicateur de « coût par tâche réussie », cet article détaille les 5 étapes de l’achat d’IA en entreprise et les méthodes de maîtrise des coûts.

Le 4 novembre 2026, Greg Brockman, président d’OpenAI, a déclaré lors du sommet technologique du WSJ que plus de la moitié des revenus d’OpenAI proviennent désormais de ses activités auprès des entreprises. Il a précisé que les revenus issus du grand public continuaient de croître, mais que les activités auprès des entreprises progressaient plus rapidement. Parallèlement, plusieurs enquêtes sectorielles montrent que les factures d’IA des entreprises augmentent plus vite que prévu.

Cet article n’est pas un comparatif de plus des abonnements ChatGPT. Reuters et TechCrunch ont déjà rapporté les propos de Brockman, et l’enquête FinOps de Harness fournit des exemples chiffrés de factures d’IA qui échappent au contrôle des entreprises. Pour ces dernières, la vraie difficulté n’est plus de « choisir un modèle », mais de gérer simultanément plusieurs fournisseurs, des frais d’invocation en hausse constante et le coût réel de chaque tâche.

Ce que vous allez en tirer : vous comprendrez les différents modes de facturation de ChatGPT pour les entreprises et disposerez d’un cadre en 5 étapes pour l’achat d’IA et la maîtrise des coûts, de la définition des tâches à l’évaluation des résultats.

ChatGPT en entreprise : l’essentiel pour les achats

Commençons par les faits clés. Attention : lorsque l’on dit que « les entreprises représentent plus de la moitié des revenus d’OpenAI », on parle de la structure des revenus d’OpenAI. Ce chiffre ne correspond pas à la part de marché des API en entreprise mentionnée dans les rapports sectoriels : les deux mesures ne sont pas comparables.

Trois grandes options pour acheter ChatGPT en entreprise

D’après les tarifs publics, il existe trois grandes options. ChatGPT Business s’adresse aux équipes de 2 à 200 personnes. Avec un paiement annuel, une licence Standard revient à environ 20 dollars par personne et par mois, contre 25 dollars en paiement mensuel. Une licence Premium offre environ 5 fois plus de capacité d’utilisation qu’une licence Standard. Pour ChatGPT Enterprise, il faut contacter l’équipe commerciale afin d’obtenir un devis personnalisé. L’offre comprend notamment SCIM, EKM, RBAC, la résidence des données, un SLA et des clauses juridiques personnalisées. La facturation peut se faire par crédits ou par tokens.

La troisième option consiste à acheter directement l’accès à l’API, avec une facturation au token. L’API et les abonnements ChatGPT disposent de systèmes de facturation distincts. Le coût de l’API dépend du nombre réel de tokens en entrée, en sortie et en cache ; les différents modes et la longueur du contexte influencent aussi le coût final. En octobre 2026, OpenAI a proposé des crédits API promotionnels aux espaces de travail Business admissibles, mais ces crédits sont comptabilisés séparément des quotas d’utilisation de ChatGPT. Les licences et l’API doivent donc être gérées séparément sur le plan financier.

Pourquoi les achats d’IA en entreprise dépassent-ils si souvent le budget ?

Si l’on regarde uniquement les prix unitaires, l’IA ne semble pas si chère. Pourtant, les factures reçues par les entreprises sont souvent très éloignées de leurs prévisions. Pour son rapport « State of AI in FinOps 2026 », Harness a interrogé 700 responsables et professionnels de l’ingénierie en mai et juin 2026, aux États-Unis, au Royaume-Uni, en France, en Allemagne et en Inde. Toutes les entreprises représentées comptaient plus de 1 000 employés.

Selon l’enquête, 67 % des organisations interrogées dépensent plus de 250 000 dollars par mois en IA, et 20 % dépassent déjà le million de dollars. Pour 80 % d’entre elles, les dépenses totales en IA ont augmenté au cours des six derniers mois, et 78 % s’attendent à ce qu’elles continuent de croître. L’enquête révèle aussi des difficultés particulièrement préoccupantes dans la gestion des factures :

Une autre comparaison illustre bien le problème : 73 % des entreprises ont déjà défini une politique de gestion des coûts d’IA, mais seulement 13 % disposent d’une visibilité élémentaire sur ces coûts. Autrement dit, les règles existent sur le papier, mais les moyens de les appliquer et de les suivre ne sont pas au rendez-vous. Il faut toutefois préciser que Harness est lui-même un fournisseur d’outils FinOps. L’échantillon se limite aux entreprises de plus de 1 000 employés dans cinq pays : ces conclusions constituent donc surtout un repère pour les moyennes et grandes entreprises, et non une statistique représentative de tout le secteur.

Les agents découplent la consommation de tokens du nombre d’employés

Les achats SaaS traditionnels sont calculés par utilisateur, ce qui rend le budget relativement prévisible. Les agents changent la donne : selon une analyse de Menlo Ventures fondée sur les données d’OpenRouter, ils représentent déjà environ 80 % des tokens consommés sur cette plateforme. Leur consommation a été multipliée par environ 37 depuis qu’elle a dépassé celle du trafic piloté par des humains en février 2026. Menlo souligne également que l’exécution parallèle des agents et leur activité continue en arrière-plan sont deux raisons importantes des dépassements de budget en entreprise.

Ces données ont elles aussi leurs limites : les utilisateurs d’OpenRouter sont principalement des développeurs et des jeunes entreprises, et ne représentent donc pas l’ensemble du secteur. Mais la tendance est claire : la consommation de tokens dépend de plus en plus du nombre de tâches, de leur exécution en parallèle et de leur durée, et non plus seulement du nombre d’employés. Selon Axios, plus de 60 % des utilisateurs de Codex exécutent plusieurs tâches simultanément à un moment ou à un autre de la journée. C’est précisément ce qui rend les factures difficiles à prévoir.

Pourquoi les entreprises adoptent plusieurs modèles pour ChatGPT

Beaucoup d’entreprises commencent par choisir un seul fournisseur, mais constatent vite qu’un modèle unique ne peut pas couvrir tous leurs besoins. Selon une enquête de Harness, 69 % des entreprises utilisent OpenAI en production, 58 % Azure OpenAI, 53 % Google Vertex AI, 41 % AWS Bedrock et 37 % Anthropic. Ces pourcentages peuvent se chevaucher : ils montrent que la plupart des entreprises utilisent plusieurs plateformes en parallèle. Ce ne sont pas des parts de marché et il ne faut pas les additionner.

La prépublication « The Multi-Lab Enterprise », publiée sur arXiv en juillet 2026, va dans le même sens : parmi les 2 000 plus grandes entreprises mondiales, 81 % utilisent au moins trois familles de modèles et 79 % ont déjà dépassé leur budget IA. Même dans les entreprises dont les pratiques FinOps sont matures, le dépassement moyen atteint 30,9 %. Il s’agit toutefois d’une prépublication qui n’a pas encore été évaluée par les pairs : elle fournit une piste de recherche, mais ne devrait pas servir seule de base à une décision.

L’achat de plusieurs modèles pose des difficultés très concrètes. Les unités de facturation, les formats de facture et les méthodes de calcul de la consommation varient d’une plateforme à l’autre. Les services financiers ont donc du mal à répartir les coûts par service ou par projet, tandis que les équipes techniques peinent à comparer les performances des modèles avec les mêmes indicateurs. C’est là qu’une couche d’accès API unifiée prend tout son intérêt : elle rassemble les modèles de plusieurs fournisseurs derrière une interface et un rapport d’utilisation communs.

Comparaison des modes d’achat de ChatGPT en entreprise

Cost per Successful Task : le prix des tokens ne reflète pas le coût réel

Quand les entreprises comparent les prix, leur erreur la plus fréquente est de regarder uniquement le tarif par million de tokens. Prenons deux modèles : le modèle A coûte moins cher par appel, mais il faut souvent réessayer pour terminer une tâche, et la qualité de ses réponses est irrégulière, ce qui exige de nombreuses vérifications humaines. Le modèle B coûte plus cher à l’appel, mais réussit plus souvent du premier coup et demande moins de temps de révision. Au final, rapporté à chaque résultat livré, le modèle A peut revenir plus cher.

Un indicateur d’achat plus pertinent est donc le Cost per Successful Task, ou coût réel par tâche réussie. Il additionne les frais du modèle et des outils, les coûts des tentatives échouées et le temps de vérification humaine, puis divise le total par le nombre de tâches effectivement livrées avec succès. Le modèle le moins cher n’est pas forcément le meilleur choix : l’essentiel est de savoir lequel présente le coût global le plus bas pour vos tâches.

C’est particulièrement visible dans les usages d’agents. Axios a rapporté le cas d’Andrew Hall, professeur à la Stanford Graduate School of Business, qui a utilisé Claude Code pour actualiser un ancien article scientifique. L’agent a pu collecter des données, les analyser et créer des graphiques, mais une vérification humaine a ensuite révélé des erreurs dans les données et le code. Le coût de la supervision humaine est bien réel : l’ignorer revient à sous-estimer fortement le coût total de l’IA.

Le graphique ci-dessus illustre une tendance courante, et non les résultats d’un test sur deux modèles précis. Pour une évaluation réelle, mieux vaut soumettre le même ensemble de cas métier à différents modèles, puis calculer les coûts selon les critères du tableau. Une plateforme à interface unifiée comme APIYI, apiyi.com, permet de changer de modèle avec le même code et de réduire le travail technique nécessaire aux tests comparatifs.

Comment calculer le coût par tâche de ChatGPT en entreprise

L’exemple suivant montre comment enregistrer le nombre de tokens utilisés à chaque appel : ces données servent de base au calcul du coût par tâche réussie (Cost per Successful Task).

import openai

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"
)

resp = client.chat.completions.create(
    model="your-model-id",  # Consultez la liste des modèles de la plateforme pour l’ID du modèle
    messages=[{"role": "user", "content": "总结这份合同的关键风险条款"}]
)
print(resp.choices[0].message.content)
print("输入 Token:", resp.usage.prompt_tokens, "输出 Token:", resp.usage.completion_tokens)

import openai
from collections import defaultdict

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # Interface unique : seul le paramètre model change selon le modèle
)

# Indiquez les tarifs des modèles que vous utilisez, en dollars par million de tokens
PRICE = {
    "model-a-id": {"input": 0.0, "output": 0.0},
    "model-b-id": {"input": 0.0, "output": 0.0},
}
REVIEW_COST_PER_MIN = 0.0  # Coût par minute de vérification humaine, calculé selon les coûts de personnel de l’entreprise

ledger = defaultdict(lambda: {"cost": 0.0, "tasks": 0, "success": 0})

def run_task(dept: str, model: str, prompt: str, validator, max_retry: int = 2):
    """Exécute une tâche, enregistre les coûts du modèle et les tentatives, puis indique si la tâche a réussi."""
    key = (dept, model)
    ledger[key]["tasks"] += 1
    for _ in range(max_retry + 1):
        resp = client.chat.completions.create(
            model=model,
            messages=[{"role": "user", "content": prompt}],
        )
        u = resp.usage
        p = PRICE[model]
        ledger[key]["cost"] += (u.prompt_tokens * p["input"]
                                + u.completion_tokens * p["output"]) / 1_000_000
        if validator(resp.choices[0].message.content):
            ledger[key]["success"] += 1
            return True
    return False

def add_review(dept: str, model: str, minutes: float):
    """Intègre le temps de vérification humaine au coût."""
    ledger[(dept, model)]["cost"] += minutes * REVIEW_COST_PER_MIN

def report():
    for (dept, model), d in ledger.items():
        cpst = d["cost"] / d["success"] if d["success"] else float("inf")
        rate = d["success"] / d["tasks"] if d["tasks"] else 0
        print(f"{dept} | {model} | 成功率 {rate:.0%} | 每个成功任务成本 ${cpst:.4f}")

🚀 Pour commencer : avant de signer un contrat annuel, faites un test à petite échelle pendant deux à quatre semaines avec des cas d’usage réels. En vous inscrivant sur APIYI apiyi.com, vous obtenez un crédit de test gratuit. Une seule clé API permet d’appeler les principaux modèles, comme OpenAI, Claude et Gemini, et de comparer leur coût par tâche dans un même rapport d’utilisation.

Un cadre de décision en 5 étapes pour l’achat de ChatGPT en entreprise

Pour passer de la réflexion à l’action, l’achat de solutions d’IA en entreprise peut suivre cinq étapes. Chacune produit un livrable précis, ce qui évite les dépassements de budget liés à une approche du type « on achète d’abord, on verra ensuite ».

Les étapes en détail : des tâches à l’évaluation des résultats

La première et la cinquième étape sont les plus faciles à négliger. Pourtant, ce sont elles qui déterminent si l’achat apporte une réelle valeur. Le calendrier suivi par Credit Saison peut servir de référence : l’entreprise a d’abord mené un projet pilote ChatGPT Enterprise de plus d’un mois auprès de 315 personnes, avant de décider d’un déploiement à l’ensemble du personnel selon les résultats. Elle a déclaré un ROI de 954 % pour ce projet pilote et un gain d’environ 14 heures par mois et par participant. Il s’agit toutefois d’une étude de cas client publiée par OpenAI, fondée sur des données déclarées par l’entreprise : ce ne sont ni des conclusions issues d’un audit indépendant ni une moyenne du secteur.

La troisième étape n’impose généralement pas un choix unique. Une combinaison courante consiste à attribuer des sièges Business ou Enterprise aux travailleurs du savoir, tandis que les équipes de développement et les processus automatisés utilisent l’API avec une facturation à l’usage. La quatrième étape doit quant à elle couvrir plusieurs capacités recensées dans l’enquête de Harness :

• Attribution des coûts : répartir les dépenses d’IA par service, équipe et projet, pour que chaque coût ait un responsable
• Statistiques unifiées : regrouper les factures des différents fournisseurs selon les mêmes critères
• Alertes budgétaires : définir des seuils d’utilisation pour repérer les risques de dépassement avant la fin du mois
• Détection des anomalies : repérer rapidement les consommations inhabituelles de tokens et les boucles infinies d’agents
• Choix du modèle adapté : utiliser des modèles légers pour les tâches simples et réserver les modèles avancés aux tâches complexes
• Traçabilité des audits : conserver les journaux d’invocation, les résultats des tâches et les enregistrements d’audit

Analyse de l’impact des achats de ChatGPT sur les entreprises et le secteur

Pour les responsables techniques des entreprises

• Le modèle budgétaire doit être revu : les agents dissocient la consommation de tokens du nombre d’utilisateurs. Établir un budget par personne conduit donc à sous-estimer systématiquement les dépenses.
• Les indicateurs d’évaluation doivent évoluer : plutôt que de comparer le prix unitaire des tokens, il faut comparer le coût par tâche accomplie.
• L’architecture doit permettre de changer de fournisseur : l’utilisation de plusieurs modèles est devenue la norme ; le code métier ne devrait pas être étroitement lié au SDK d’un seul fournisseur.

Pour les équipes chargées des achats et des finances

• Les modalités d’achat se complexifient : licences par utilisateur, crédits, tokens, plateformes cloud et services de partenaires peuvent coexister.
• Un responsable des coûts doit être désigné : selon l’enquête de Harness, plus de la moitié des organisations n’en ont pas clairement identifié.
• De nouveaux leviers s’offrent à la négociation : des données d’utilisation précises permettent de négocier des remises sur volume et des formules de facturation des tokens.

Pour le secteur

Le fait que plus de la moitié des revenus d’OpenAI proviennent des entreprises montre que les fournisseurs de grands modèles de langage se tournent de plus en plus vers ce marché. La sécurité, la résidence des données et les SLA adaptés aux entreprises deviendront des critères de concurrence majeurs. Parallèlement, les parts des dépenses API des entreprises estimées par Menlo montrent que plusieurs fournisseurs coexistent. Les capacités de la « couche intermédiaire » — accès aux modèles, routage, suivi de l’utilisation et contrôle des budgets — gagneront donc en importance. Il s’agit toutefois d’une analyse de tendance : cela ne signifie pas qu’un fournisseur en particulier en ait déjà tiré une croissance.

Questions fréquentes (FAQ)

Points clés pour l’achat de ChatGPT en entreprise

• Évolution des revenus : les entreprises représentent désormais plus de la moitié des revenus d’OpenAI, même si l’activité grand public continue de croître
• Factures imprévues fréquentes : selon une enquête de Harness, 72 % des entreprises ont déjà reçu une facture d’IA inattendue
• Le multimodèle est la norme : la plupart des entreprises utilisent plusieurs plateformes à la fois ; leurs taux d’utilisation ne peuvent donc pas être additionnés comme des parts de marché
• Le prix unitaire n’est pas le coût réel : pour décider, mieux vaut utiliser le coût par tâche réussie que le prix par million de tokens
• Les agents amplifient la consommation : l’exécution parallèle et en arrière-plan découple la consommation de tokens du nombre d’employés
• Un processus d’achat en cinq étapes : tâches, modèles, mode d’achat, gestion des coûts et évaluation des résultats sont tous indispensables
• Tester avant de signer : l’interface unifiée d’APIYI apiyi.com permet d’estimer les coûts à partir de cas réels

Résumé

Les points essentiels pour l’achat de ChatGPT en entreprise :

1. Combiner les modes d’achat : les licences Business, les contrats Enterprise sur mesure et la facturation de l’API au nombre de tokens répondent à des besoins différents. La plupart des entreprises devront les associer
2. La gestion des coûts est plus difficile que le choix du modèle : l’attribution des coûts, le suivi centralisé, les alertes budgétaires et la détection des anomalies déterminent si les dépenses en IA restent maîtrisées
3. Faire du coût par tâche l’indicateur central : il faut inclure les nouvelles tentatives, les appels aux outils et les vérifications humaines pour prendre une décision d’achat réellement avantageuse

Pour les responsables techniques et les équipes d’achat qui préparent leur budget IA, le plus prudent est de lancer un projet pilote à petite échelle, de recueillir des données d’utilisation réelles, puis de signer un contrat à long terme. APIYI apiyi.com permet de vérifier rapidement le coût par tâche de différents modèles pour vos activités, grâce à un crédit de test gratuit et à une interface unifiée pour plusieurs modèles.

📚 Références

1. Reuters : plus de la moitié des revenus d’OpenAI provient des entreprises : déclarations de Brockman lors de la conférence technologique du WSJ
2. Lien : reuters.com/legal/transactional/openai-ready-ipo-2027-now-counts-majority-sales-enterprises-brockman-says-2026-11-05

3. Description : part des revenus issus des entreprises, croissance au troisième trimestre et déclarations sur une introduction en bourse

4. Harness : State of AI in FinOps 2026 : enquête sur la gestion des coûts de l’IA en entreprise

5. Lien : harness.io/state-of-ai-in-finops-2026

6. Description : données sur les factures inattendues, la visibilité des coûts et l’utilisation de plusieurs plateformes

7. OpenAI Business Pricing : page officielle des tarifs de ChatGPT Business et Enterprise

8. Lien : openai.com/business/pricing

9. Description : types de licences, fonctionnalités pour les entreprises et modalités de facturation

10. Menlo Ventures : 2026 The State of Enterprise AI : rapport sur le marché de l’IA en entreprise

11. Lien : menlovc.com/perspective/2026-the-state-of-enterprise-ai

12. Description : estimations des dépenses des entreprises en IA, parts de marché des API et tendances de consommation des agents

13. The Multi-Lab Enterprise : prépublication d’une étude sur la gouvernance multimodèle en entreprise

14. Lien : arxiv.org/abs/2609.31622
15. Description : pistes de recherche sur l’utilisation de plusieurs modèles et les dépassements de budget, non encore évaluées par les pairs

Auteur : l’équipe technique d’APIYI
Échanges techniques : contactez-nous depuis la page d’accueil d’APIYI, apiyi.com. Pour plus de ressources sur l’intégration, consultez le centre de documentation docs.apiyi.com.

Articles connexes

• Ne vous limitez pas au prix unitaire des tokens : 7 étapes pour estimer le coût complet d'une tâche: De l’entrée, de la sortie, de l’inférence, du cache et des réessais à la vérification et à la mise à niveau, convertissez en 7 étapes « combien coûte chaque million de tokens » en « combien coûte chaque tâche accomplie ».
• Comprendre et vérifier sa facture d’API de grand modèle de langage : 5 catégories de frais et une méthode de rapprochement en 4 étapes: Analysez la facturation des tokens d’entrée, de sortie, de cache et de raisonnement, ainsi que du multimodal, dans les factures API de Grand modèle de langage, et présentez des méthodes pratiques pour vérifier l’usage dans les journaux d’appels, repérer les pics de coûts et gérer les variations de prix.
• Un modèle à bas prix ne garantit pas une facture réduite : 5 étapes pour estimer le coût réel à partir de la consommation de tokens et du cache: Décomposez la facture, expliquez comment les différences de tokenisation, les tokens de raisonnement et les accès réussis au cache modifient le coût réel du modèle, puis proposez une méthode réutilisable d’estimation en 5 étapes sur un petit échantillon.