Une même question peut coûter davantage à une IA lorsqu’elle est rédigée en français plutôt qu’en anglais, parce que les deux versions ne sont pas forcément découpées en autant de tokens. Dans une comparaison de 1 997 phrases de presse traduites, présentée par Alain Goudey en octobre 2026, les versions françaises mobilisent entre 1,31 et 1,58 fois les tokens des versions anglaises, selon le tokenizer. Cet écart peut peser sur la facture des API et sur la quantité de texte qu’un modèle peut examiner.

La différence est discrète : à l’écran, deux demandes semblent équivalentes. Pour le système qui les traite, elles peuvent pourtant occuper une place différente. C’est une manière assez déroutante de découvrir que l’égalité entre les langues ne se joue pas seulement dans la qualité des réponses, mais aussi dans la façon dont une machine compte les caractères qu’on lui confie.

Pourquoi une phrase française peut-elle occuper plus de tokens ?

Un modèle de langage ne reçoit pas simplement une succession de mots séparés par des espaces. Un tokenizer prépare le texte en unités appelées tokens. Selon le découpage, une unité peut contenir un mot complet, un fragment de mot, un signe de ponctuation ou un espace. Un terme peu courant, voire inventé, peut ainsi être fragmenté en plusieurs morceaux.

Cette opération n’est pas une règle universelle de grammaire. Elle dépend de l’outil de tokenisation employé par le modèle. Le même passage, soumis à deux systèmes, peut produire des comptages différents. Comparer uniquement le nombre de mots d’un texte français et de sa traduction anglaise revient donc à mesurer une facture avec la mauvaise unité.

La langue et son système d’écriture influencent aussi ce résultat. Rest of World souligne que la rareté d’une langue ne suffit pas à expliquer les différences. Dans leur travail publié en 2025, Teklehaymanot et Nejdl observent notamment des difficultés de tokenisation pour certaines écritures non latines et certaines langues à morphologie complexe. Leurs résultats ne doivent pas être transformés en classement définitif de toutes les langues.

Combien cette différence peut-elle coûter ?

Dans les API qui facturent les tokens, il faut distinguer deux flux : ceux envoyés au modèle et ceux qu’il génère pour répondre. Une demande plus gourmande en tokens d’entrée peut donc augmenter cette partie de la facture, à tarif identique. Mais elle ne suffit pas à prédire le prix total : la longueur de la réponse et les tarifs propres au modèle comptent aussi.

La comparaison de phrases traduites présentée par Alain Goudey donne une indication concrète : pour les 1 997 phrases étudiées, les versions françaises nécessitent de 31 % à 58 % de tokens supplémentaires par rapport à l’anglais, suivant le tokenizer. Ce n’est ni un supplément automatique appliqué par les fournisseurs, ni une règle utilisable telle quelle pour chaque prompt. C’est un écart mesuré sur un corpus précis.

À une échelle plus large, Rest of World rapportait en octobre 2026 des écarts allant de 1,5 à 5 fois entre les langues extrêmes parmi vingt langues examinées. En étendant la comparaison à deux cents langues, l’article signalait même un écart atteignant dix-sept fois dans un modèle. Ces amplitudes éclairent une inégalité d’infrastructure ; elles ne disent pas combien coûtera la prochaine conversation d’un utilisateur francophone.

Pourquoi cela réduit-il aussi la place disponible pour les documents ?

Le prix n’est que la partie visible du problème. Un modèle dispose d’une fenêtre de contexte limitée, elle aussi mesurée en tokens. Cette place est partagée entre la question du moment, les messages précédents, les documents fournis et la réponse à produire. Chaque token utilisé à un endroit ne peut pas servir ailleurs dans cette même fenêtre.

Imaginons un usage professionnel : un long échange accompagne plusieurs pièces à analyser. Si la formulation des échanges et des documents occupe davantage de tokens, il reste moins de capacité pour d’autres pièces ou pour l’historique utile. La difficulté n’est plus seulement budgétaire. Elle touche à ce que l’outil peut garder à disposition au moment de répondre.

C’est ici que l’expression « accès aux outils d’IA » prend un sens concret. Deux personnes disposant du même modèle et de la même limite de contexte n’obtiennent pas nécessairement la même quantité de contenu exploitable dans leur langue. Cela ne prouve pas que la réponse sera systématiquement moins bonne dans l’une des langues ; cela montre qu’une contrainte identique en tokens peut se traduire par une marge de travail différente.

Comment mesurer l’écart sur ses propres textes ?

Le bon réflexe n’est pas de chercher un pourcentage universel, mais de faire un essai reproductible. Choisis un texte représentatif de ton usage : une consigne, un extrait de document ou une question récurrente. Prépare une version française et une version anglaise qui conservent autant que possible le même sens. Évite de comparer une demande détaillée à un résumé.

• Choisis le modèle envisagé. Le tokenizer compte autant que la langue : un résultat obtenu avec un autre modèle peut induire en erreur.
• Compte séparément les deux entrées. Compare les tokens, pas simplement les mots ou les caractères.
• Estime aussi la sortie. Une réponse longue peut changer le bilan ; utilise les tarifs d’entrée et de sortie applicables.
• Refais l’essai sur plusieurs textes habituels. Un exemple isolé ne décrit pas forcément ton usage quotidien.

Le calculateur Vantaige permet de coller un texte, de sélectionner un fournisseur et un modèle, puis d’obtenir un comptage et une estimation de coût API. C’est un point de départ pratique, pas une promesse de facture exacte : la quantité de texte réellement générée peut différer de celle prévue dans une simulation.

Une autre précaution est essentielle : ne compare pas seulement les tokenizers en oubliant les prix. Un test publié par APIYI rapporte, pour une traduction française issue d’un même article chinois, 1 630 tokens de sortie avec Gemini 3 Flash contre 812 avec DeepSeek V3.2. Cette différence décrit le comptage de sorties sur deux modèles distincts ; elle ne démontre pas, à elle seule, lequel revient moins cher.

Faut-il alors écrire à son IA en anglais ?

Pas par principe. Si tu travailles en français, une instruction française peut être plus simple à vérifier, à corriger et à intégrer à ton document final. L’anglais mérite d’être testé lorsque le volume traité ou les coûts API rendent l’écart important, mais il ne faut pas présumer qu’il gagne à tous les coups. La comparaison pertinente porte sur une tâche complète, pas sur une phrase sortie de son contexte.

À mes yeux, le vrai sujet n’est pas de pousser tout le monde à adopter une langue dominante pour économiser des tokens. C’est de rendre ce coût lisible. Un utilisateur devrait pouvoir savoir combien de capacité son texte consomme avant de choisir un modèle ou de préparer un gros document. Ce qui se mesure peut être discuté ; ce qui reste invisible ressemble trop facilement à une limite naturelle.

Questions fréquentes

Pourquoi deux textes de même longueur n’utilisent-ils pas autant de tokens ?

Parce qu’un tokenizer ne découpe pas forcément le texte mot par mot. Les fragments retenus varient selon les mots, la langue, l’écriture et le modèle. Deux passages de longueur visuelle comparable peuvent donc produire des comptages différents.

Le français coûte-t-il toujours plus cher que l’anglais ?

Non, on ne peut pas en faire une règle absolue. La comparaison de 1 997 phrases traduites présentée par Alain Goudey constate un surcroît de tokens en français, mais celui-ci varie selon le tokenizer. Pour une demande donnée, il faut compter les deux versions et appliquer les tarifs du modèle utilisé.

Quel est l’effet sur les documents analysables ?

La fenêtre de contexte d’un modèle est limitée en tokens et accueille les messages, les documents et la réponse. Si un même contenu en consomme davantage, il reste moins de place pour le reste. L’effet exact dépend du modèle, du texte et de la conversation.

Comment vérifier le coût de mes propres questions ?

Prépare deux formulations de même sens, puis mesure leurs tokens avec le tokenizer du modèle visé. Un outil comme Vantaige peut fournir un comptage et une estimation API. Distingue les tokens envoyés et générés, et considère le résultat comme une estimation plutôt qu’une facture certaine.