12 novembre 2026 · Équipe VRAMfarm

Son propre LLM ou une API : quand un GPU loué revient moins cher que le paiement au token

L’erreur la plus fréquente dans ce calcul consiste à diviser le prix horaire du GPU par son débit de tokens par seconde dans le meilleur des cas. À pleine charge, une RTX 5090 produit un million de tokens avec un modèle 32B pour environ 0,35 €, ce qui semble imbattable. Mais personne ne garde une carte à pleine charge tout le mois. À 5 % d’utilisation, le même million coûte 7,04 €, plus que ce que facturent les modèles ouverts hébergés et les petites API propriétaires. Votre propre modèle sur un GPU loué gagne sur le prix quand la carte est occupée : gros traitements par lots et trafic régulier. Il perd sur le prix pour un usage occasionnel et irrégulier, où une API ne vous facture rien entre deux requêtes. La confidentialité, un modèle fine-tuné ou un modèle qu’aucune API ne propose peuvent faire de votre propre GPU le bon choix, même quand il coûte plus cher.

Deux formules et une hypothèse

Votre GPU par mois = heures de fonctionnement du serveur × prix horaire, plus le trafic des téléchargements de modèles et, si vous gardez des fichiers, le dossier enregistré à 0,03 € par Go et par mois. Les tokens ne changent pas la facture ; les heures, si.

L’API par mois = tokens × prix par million. Ici, les heures ne comptent pas.

L’hypothèse, c’est le prix de l’API. Les tarifs varient d’un facteur cent : les scénarios utilisent donc trois paliers arrondis, pondérés pour un mélange typique de tokens d’entrée et de sortie en chat, en novembre 2026 :

Ce sont des fourchettes de planification, pas la grille tarifaire d’un fournisseur. Remplacez-les par le tarif que vous payez réellement. Les modèles de raisonnement facturent leurs tokens de réflexion comme des tokens de sortie, ce qui peut multiplier par deux à cinq le nombre de tokens d’une réponse visible ; cela touche aussi votre propre GPU, en temps plutôt qu’en argent.

Quatre scénarios mensuels

Chaque montant pour votre propre GPU utilise le prix actuel de la carte, en direct : il suit donc le catalogue.

1. Une personne, un assistant pour le code et la rédaction. 40 échanges par jour à environ 3 000 tokens chacun (la conversation est renvoyée à chaque question), cela fait 2,6 millions de tokens sur 22 jours ouvrés. Votre GPU : Qwen3 32B sur une RTX 4090, quatre heures par jour, soit 88 heures.

2. Une équipe de dix aux heures de bureau. Dix utilisateurs de ce type, 26 millions de tokens par mois. Votre GPU : une RTX 4090 avec Qwen3 32B, 9 heures par jour pendant 22 jours, soit 198 heures.

3. Un chatbot produit, jour et nuit. 300 millions de tokens par mois, environ 115 tokens par seconde en moyenne avec des pics plusieurs fois plus élevés. Votre GPU : Qwen3 32B en 4 bits avec vLLM sur une RTX 5090, 730 heures.

4. Un traitement par lots. Résumer 200 000 documents de 2 000 tokens chacun en résumés de 200 tokens : 400 millions de tokens d’entrée et 40 millions de tokens de sortie. Votre GPU : Qwen3 32B en FP8 avec vLLM sur une H100, environ 18 heures, et entre 12 et 30 selon la longueur des documents et la version de vLLM. Lire l’entrée est bien plus rapide qu’écrire la sortie, en gros 5 000 à 12 000 tokens d’entrée par seconde sur cette carte, et les 40 millions de tokens de sortie viennent de nombreuses requêtes parallèles à 1 500 à 4 000 tokens par seconde.

Ce que dit le tableau :

• Une personne : une API ou un abonnement à un chat l’emporte largement. Ne louez un GPU que si les données ne doivent pas quitter une machine que vous contrôlez.
• Une équipe : votre propre GPU se situe dans la fourchette des meilleures API propriétaires et coûte plus cher que les petites et que les modèles ouverts hébergés. C’est la confidentialité qui tranche, pas le prix. Le guide du ChatGPT privé montre la configuration pour ce cas précis.
• Un bot 24 h/24 : à ce volume, votre propre GPU est nettement moins cher que les meilleures API propriétaires, à peu près au niveau des petites, et plus cher que les modèles ouverts hébergés, car ces fournisseurs remplissent leurs cartes avec le trafic de nombreux clients, alors que vous remplissez la vôtre avec un seul.
• Un traitement par lots : votre propre GPU arrive au niveau des API ouvertes hébergées les moins chères, voire en dessous, et bien en dessous des propriétaires. C’est là que la location est clairement la solution la moins chère.

L’utilisation détermine le prix par token

Le coût d’un million de tokens sur votre propre carte, c’est le prix horaire divisé par les millions de tokens qu’elle produit pendant une heure réellement utilisée. Prenons Qwen3 32B en 4 bits sur une RTX 5090 avec vLLM : environ 600 tokens de sortie par seconde avec de nombreuses requêtes parallèles, soit 2,16 millions par heure :

Le débit est une fourchette de planification tirée de retours de la communauté et d’un calcul sur la bande passante : la première ligne pourrait être moitié moindre ou double ; l’allure ne change pas. Une carte plus grosse ne fait baisser le coût par token que si vous arrivez à l’occuper. Une H100 inactive est une carte inactive coûteuse. L’article sur le coût par million de tokens donne les tarifs à pleine charge pour des modèles 8B, 32B et 70B sur plusieurs cartes.

Trois choses augmentent l’utilisation sans dépense supplémentaire. Lancez les traitements par lots quand l’usage interactif est faible, sur le même serveur. Envoyez les requêtes en parallèle plutôt que l’une après l’autre ; vLLM est conçu pour cela, Ollama beaucoup moins, comme l’explique la comparaison des moteurs. Et arrêtez le serveur quand personne n’en a besoin : la facturation s’arrête dans la minute.

Les coûts qu’on oublie, des deux côtés

Sur votre propre GPU :

• Les téléchargements de modèles. Un modèle 32B en 4 bits pèse environ 20 Go, un 70B en FP8 environ 71 Go. Les téléchargements sont facturés comme du trafic au tarif par Go de la machine, affiché avant le lancement, en plus des minutes qu’ils prennent.
• Le minimum. Chaque lancement est facturé au moins 15 minutes : dix tests courts par jour sur des lancements séparés coûtent dix minimums.
• Les heures d’inactivité. Un serveur oublié toute une nuit sur une RTX 4090 coûte 5,90 € pour dix heures. La protection contre l’inactivité vous envoie un e-mail après 2 heures sans connexion ni charge GPU et arrête le serveur une heure plus tard, mais pour un service 24 h/24 vous la désactivez, et c’est alors à vous de surveiller les heures d’inactivité.
• Votre temps. Choisir un modèle, configurer vLLM, surveiller. Pour une équipe de dix, c’est quelques heures une fois pour toutes ; pour un produit, c’est un travail continu.
• Une solution de secours. Un serveur, c’est une machine. Prévoyez ce que fait votre produit si elle disparaît : une API vers laquelle basculer, ou un script qui lance un remplaçant.

Sur l’API :

• Des limites de débit qui freinent un gros traitement par lots ou un jour de lancement chargé.
• Les changements de modèle. Des versions sont retirées ou mises à jour, et des réponses pour lesquelles vous avez réglé vos prompts peuvent changer.
• Les conditions sur les données. Lisez ce que le fournisseur fait des prompts et des réponses, et où il les traite. Pour certaines données, aucune condition n’est suffisante.
• Les changements de prix, dans un sens comme dans l’autre, à chaque nouvelle génération de modèles.

Quand votre propre GPU gagne quel que soit le prix

• Les données doivent rester sur une machine que vous contrôlez. Contrats, notes de patients, code sous NDA, listes de clients. Le serveur loué est une machine chez l’un de nos hôtes vérifiés, et son pays est indiqué avant le lancement, mais aucune entreprise d’IA ne reçoit vos prompts.
• Vous faites tourner votre propre modèle fine-tuné. Un LoRA entraîné sur vos tickets ou vos documents est servi par vLLM avec --enable-lora à côté du modèle de base. Certaines API hébergées servent des LoRA au token, mais uniquement sur les modèles de base qu’elles choisissent ; d’autres facturent un déploiement dédié à l’heure, ce qui revient à la même économie que la location. Le fine-tuning d’un LLM couvre la partie entraînement.
• Le modèle qu’il vous faut n’est pas proposé, ou vous avez besoin d’une version précise qui ne changera pas pendant un an.
• Un pic de travail avec une échéance. Une tâche de 10 heures sans limite de débit, à un prix à la minute fixé au lancement : vous connaissez la facture avant de commencer.

Une configuration qui finit souvent par être la moins chère

Beaucoup d’équipes finissent par partager le travail. Le trafic interactif et irrégulier va à une API, où le temps mort est gratuit. Les gros traitements par lots, les évaluations et tout ce qui touche à des données sensibles vont sur un GPU loué, démarré quand la tâche commence et arrêté quand elle se termine, à la main ou via notre API avec un token créé dans les Paramètres. Un chat d’équipe sur son propre serveur aux heures de bureau se situe entre les deux : moins cher que des licences sur un des meilleurs modèles propriétaires, et privé.

Si vous envisagez un serveur qui tourne 730 heures par mois pendant un an, comparez avec l’achat d’une carte ou un serveur dédié au mois ; à ce stade, la facturation à la minute ne fait plus rien économiser. Le calcul location ou achat détaille le seuil de rentabilité. Pour tout ce qui est en dessous d’un temps plein, partez de votre nombre réel de tokens du mois dernier, multipliez-le par votre tarif d’API, et comparez avec les heures pendant lesquelles vous garderiez réellement une carte en marche.