Les niveaux d'effort d'Opus 5.5 sont le vrai prix

Updated September 22, 2026 · first published September 22, 2026

Claude Opus 5.5 s'affiche à $4 par million de tokens d'entrée et $20 par million de tokens de sortie. C'est 20% moins qu'Opus 5. Le tarif n'est que la moitié du coût. L'autre moitié est le paramètre effort, qui détermine combien de tokens le modèle consomme en réfléchissant avant de répondre.

Un modèle, cinq prix

Opus 5.5 expose l'effort de low à medium, high, xhigh et max. Chaque niveau est le même modèle au même tarif par token, mais produit un nombre très différent de tokens. L'analyse indépendante rapportée par The Decoder a trouvé que quatre des cinq niveaux se situent sur la frontière de Pareto coût-performance. Elle a aussi découvert qu'au niveau d'effort maximal Opus 5.5 utilisait environ 119.000 tokens de sortie par tâche, bien plus que les modèles concurrents à leurs réglages les plus élevés.

À 20 $ le million, 119 200 tokens de sortie font 2,38 $ par tâche avant toute entrée. En medium, Artificial Analysis a mesuré 25 700 tokens de sortie, soit 0,51 $. Entrée comprise, max coûte 5,98 $ par tâche et medium 1,34 $ : le même modèle coûte environ 4,5 fois plus par tâche selon un seul paramètre de requête.

Mesuré sur l'Artificial Analysis Intelligence Index v4.3.2 (dix évaluations), consulté le 22 septembre 2026. Toutes les lignes utilisent la même batterie de tests et se comparent donc directement.

Source : Artificial Analysis. Sur la frontière signifie qu'aucun réglage de GPT-6 Sol, GPT-6 Astra, Opus 5, Opus 5.5 ou Fable 5.1 n'obtient un meilleur score pour moins cher. Opus 5.5 low en est exclu, car GPT-6 Sol en xhigh obtient 44,1 pour 0,53 $. Passer de xhigh à max ajoute 1,6 point pour 73 % de coût en plus.

Moyen est le réglage sur lequel Anthropic fait ses comparaisons

La comparaison phare d'Anthropic se fait à l'effort par défaut, qui est moyen. Elle déclare qu'Opus 5.5 en moyen surpasse GPT-6 Astra en effort maximal sur le travail de connaissance pour environ un cinquième du coût par tâche. Ainsi, l'argument propre d'Anthropic pour le modèle repose sur le moyen, et le maximum est l'exception. Une équipe qui fixe le maximum partout « pour être sûre » paie des tokens que les benchmarks de lancement n'avaient pas besoin.

Comment définir l'effort sans deviner

1. Par défaut au moyen. Fixez-le comme valeur explicite dans le code, pas un défaut du SDK qui peut changer sous vous.
2. Augmentez l'effort par route, pas globalement. Le débogage difficile, la planification à long terme et les étapes d'examen final peuvent justifier haut ou max. La classification, l'extraction et les éditions routinières le font rarement.
3. Enregistrez l'effort avec chaque requête. Le coût par requête n'est pas interprétable sans lui. Un pic de dépenses avec un nombre de requêtes stable est généralement un changement d'effort.
4. Comparez les niveaux d'effort sur les mêmes tâches rejouées. Enregistrez le taux de succès et les tokens de sortie par tâche complétée à chaque niveau, et arrêtez d'augmenter l'effort quand le succès cesse de s'améliorer.
5. Plafonnez la sortie où le produit le permet. Une limite de tokens maximale limite le pire des cas. Au niveau d'effort maximum, cette limite est la seule chose entre une tâche qui s'emballe et une requête de plusieurs dollars.

La réduction de $25 à $20 par million de tokens de sortie économise 20%. Déplacer une charge de travail de l'effort maximum au moyen peut économiser bien plus. Traitez l'effort comme une ligne budgétaire, détenue et examinée comme n'importe quelle autre.

Related

• Modèle de coût de Claude Opus 5.5
• Économie du mode rapide d'Opus 5.5
• Guide des coûts du modèle de raisonnement

Want this applied to your own LLM spend? FinOps LLM runs a free audit of your AI costs and shows where the savings are. Book free audit →

Back to research