Ces derniers temps, de plus en plus de personnes me posent la même question : un relais AI bon marché peut-il vraiment être utilisé ? Ma réponse est que cette question n’est pas encore posée de manière suffisamment approfondie.

En apparence, le relais est effectivement économique. Le prix officiel pour GPT-5.5 est de 5 dollars pour un million de tokens en entrée, 30 dollars en sortie ; Claude Sonnet 4.7 coûte 5 dollars en entrée, 25 dollars en sortie. Mais un relais peut réduire les coûts à environ 15 % du prix officiel, avec 1 yuan chinois pour 1 dollar de token. Pour les utilisateurs traitant de longs textes, générant du code, ou automatisant des flux de travail, ce n’est pas une petite somme.

Mais j’ai constaté que beaucoup ignorent une question essentielle : ce que vous confiez n’est pas seulement de l’argent, mais aussi des données. Les prompts, le code, les documents commerciaux, les données clients, les logs d’appels, voire le contexte complet du projet de développement, peuvent tous suivre l’appel API dans un système tiers en qui vous n’avez pas une confiance totale.

Je vous conseille de vous poser d’abord une question honnête : ai-je vraiment besoin d’un relais ? Si ce n’est que pour traduire occasionnellement du texte, résumer des données, écrire quelques contenus, le quota gratuit de ChatGPT et Gemini suffit. Plutôt que de confier des données à une plateforme inconnue pour « économiser », il vaut mieux utiliser d’abord le quota gratuit officiel. C’est ma recommandation la plus directe pour les utilisateurs légers.

Les développeurs intensifs n’ont pas besoin de tout passer immédiatement par un relais. Une approche plus robuste consiste à utiliser une stratification : un modèle puissant pour la décomposition des besoins et la conception de l’architecture, un modèle domestique économique pour le développement concret. Prenons Kimi K2.6 par exemple, dont le coût par million de tokens n’est que de 4 dollars, soit environ 13 % de ChatGPT, voire moins que plusieurs relais. Les tâches complexes nécessitent surtout une orientation, la mise en œuvre concrète pouvant être décomposée en plusieurs petites tâches à faible risque.

Ce n’est que lorsque vous avez des besoins continus, à haute fréquence, multi-modèles, et que le quota officiel est manifestement insuffisant, qu’un relais devient une option réellement envisageable. Même dans ce cas, il doit être un « outil filtré », et non une porte d’entrée par défaut.

Si vous décidez finalement de l’utiliser, il faut aussi savoir comment l’utiliser sans risquer de problème. J’ai élaboré une procédure :

Première étape, vérifier avant de recharger. Utiliser le même prompt pour appeler séparément le relais et l’API officielle, puis comparer la qualité de sortie et la consommation de tokens. Effectuer 20 à 50 appels consécutifs pour tester la latence et la stabilité. Vérifier si la documentation de la plateforme est complète, si la liste des modèles est claire. Une plateforme sérieuse fournit une interface standard compatible OpenAI et une grille tarifaire claire.

Deuxième étape, isoler la configuration, ne pas mélanger. Générer une clé API indépendante pour chaque relais, ne pas partager entre plusieurs plateformes. Gérer les clés via des variables d’environnement, ne pas coder en dur dans le code. La chose la plus importante est de définir une limite d’utilisation — cela contrôle le coût et sert de sécurité.

Troisième étape, instaurer une habitude de classification des données. Avant d’envoyer, se demander : si ce contenu apparaît demain sur un forum public, pourrais-je l’accepter ? Les résumés de données publiques ou les discussions de projets open source peuvent être directement utilisés. Pour les réunions internes ou documents commerciaux, il faut d’abord dépersonnaliser : changer les noms en rôles, convertir les montants en ratios, remplacer les numéros par des espaces réservés. Les clés privées, clés de production, données financières non publiques, ne doivent jamais être confiées à un relais.

Quatrième étape, traiter séparément les outils de programmation AI. Lorsqu’on connecte un relais dans Cursor ou Claude Code, le modèle ne voit pas seulement votre prompt, mais peut aussi accéder aux fichiers ouverts, à la structure du projet, aux sorties terminales, aux dépendances, aux logs Git. Un simple « corrige-moi ce bug » peut en réalité envoyer beaucoup plus de données que prévu. Je recommande de ne coller que des fragments de code dépersonnalisés, ou de revenir à l’API officielle pour les projets sensibles.

Cinquième étape, surveiller en permanence, se préparer à se retirer à tout moment. Vérifier régulièrement que les frais facturés correspondent à l’usage. Suivre les annonces de la plateforme et les retours de la communauté, car l’état d’exploitation d’un relais peut changer à tout moment. Il est conseillé d’avoir 2 ou 3 plateformes enregistrées, avec un minimum de recharges, pour éviter une dépendance unique. Lors de la configuration, utiliser un format compatible OpenAI, pour pouvoir changer de plateforme en ne modifiant que l’URL de base et la clé API.

En fin de compte, un relais n’est qu’un outil. Sa valeur réside dans sa capacité à répondre à des besoins d’accès réels à coût maîtrisé. Mais le mot « maîtrisé » dépend entièrement de vous. En suivant cette procédure de vérification, d’isolation, de hiérarchisation et de surveillance, vous gardez le contrôle. Beaucoup voient un relais dans les rapports annuels ou dans diverses recommandations, et se lancent directement, ce qui est la voie la plus facile pour faire des erreurs. Comme pour faire traduire un document confidentiel par une agence, il faut d’abord vérifier la fiabilité de l’agence — la même logique s’applique aux relais AI.