Lancer un SaaS d'IA : coûts d'inférence, marge et dépendance au modèle

Lancer un SaaS d'IA, c'est vendre un produit dont chaque utilisation a un coût variable : le fournisseur du modèle facture au volume de texte traité, requête après requête. La marge ne dépend donc pas seulement du prix de l'abonnement, mais de l'usage réel de chaque client et du tarif d'un fournisseur que vous ne contrôlez pas. Trois sujets décident de la viabilité : le coût d'inférence par client, un modèle de prix qui le couvre, et une architecture qui permet de changer de modèle.

Cet article s'appuie sur une expérience de première main : Tubissime, un service de chansons personnalisées créées par IA, conçu, développé et exploité par LPR Studio lui-même. Nous ne recommandons aucun fournisseur d'IA : le bon modèle dépend de votre tâche, et il change.

Ce qui change par rapport à un SaaS classique

Dans un SaaS classique, le coût de développement est élevé et le coût d'un client supplémentaire est faible : un peu d'hébergement, un peu de support. Notre article sur le coût de développement d'un SaaS détaille ces postes.

Un SaaS d'IA ajoute une troisième ligne : l'inférence, c'est-à-dire l'exécution du modèle à chaque requête. Elle a trois propriétés gênantes.

• Elle est proportionnelle à l'usage, pas au nombre de clients. Deux clients au même abonnement peuvent coûter des sommes très différentes.
• Son prix est fixé par un tiers, qui peut le modifier.
• Elle dépend de choix techniques invisibles pour le client : taille des consignes, quantité de contexte envoyée, nombre d'appels par action.

Ce que coûte l'inférence, en chiffres publiés

Les fournisseurs publient leurs prix en dollars par million de jetons (des fragments de mots), avec un prix pour le texte envoyé au modèle (entrée) et un prix plus élevé pour le texte produit (sortie). Relevés le 3 novembre 2026 sur les pages officielles :

Sources : tarifs Anthropic (prix de Claude Haiku 5.5 pour des requêtes jusqu'à 100 000 jetons), tarifs OpenAI, tarifs Gemini, tarifs Mistral AI. Ce tableau montre des ordres de grandeur, pas un classement : la qualité dépend de la tâche, et un modèle bon marché qui échoue souvent coûte plus cher qu'il n'en a l'air.

Un calcul par client

Hypothèse à remplacer par vos mesures : un client actif envoie 300 requêtes par mois, chacune avec 5 000 jetons en entrée et 1 000 en sortie.

Le même client peut donc coûter de quelques centimes à plusieurs dizaines de dollars par mois selon le modèle. Et si ce client fait dix fois plus de requêtes que prévu, le coût est multiplié par dix, pas son abonnement.

Les leviers qui baissent la facture

• Le bon modèle pour chaque étape. Une classification ou une extraction se contente souvent d'un petit modèle ; la rédaction finale justifie parfois un modèle plus capable.
• Le traitement par lots : Anthropic, OpenAI et Google facturent moitié prix les requêtes qui acceptent un traitement différé, d'après leurs pages de prix. Mistral AI annonce la même réduction de 50 %.
• La mise en cache du contexte répété (consignes, documents de référence) : Anthropic, OpenAI et Mistral AI facturent les jetons lus en cache bien moins cher que l'entrée normale.
• Moins de contexte : n'envoyer que les passages utiles, pas le dossier entier.

Fixer un prix qui protège la marge

Le prix d'un SaaS d'IA doit suivre l'usage d'une façon ou d'une autre.

Notre guide pour fixer le prix d'un SaaS traite le sujet plus largement (paliers, essai gratuit, prix annuel).

Ce que Tubissime nous a appris

Tubissime vend des chansons personnalisées : le client raconte une histoire, l'IA écrit les paroles, le client les relit et peut demander un autre texte avant de payer, puis la musique est composée. Voici ce que son étude de cas documente, et ce que nous en retenons pour tout SaaS d'IA.

Un paiement par commande, sans abonnement. Chaque production a un coût d'IA, et chaque production est payée. Un studio de création, payé au crédit, complète l'offre pour les utilisateurs qui veulent écrire leurs propres morceaux. Les deux formules alignent le revenu sur la consommation.

Un back-office qui affiche le coût réel. Pour chaque client : coût des générations, chiffre d'affaires et marge. C'est ce qui permet de savoir si le prix tient, commande par commande, au lieu de le découvrir sur la facture mensuelle du fournisseur.

Des tarifs réglables sans redéployer. Les prix et les crédits se modifient dans le back-office, sans toucher au code. Quand un coût change, la réponse ne demande pas une mise en production.

L'humain valide avant l'étape suivante. Le client relit et corrige les paroles avant que la musique soit composée. Au-delà de la qualité, cette étape évite de lancer la composition sur un texte qui ne convient pas.

La dépendance au modèle : le risque qu'on oublie

Un SaaS d'IA repose sur un fournisseur qui peut changer trois choses sans vous demander votre avis.

Le prix. La page de tarifs de Google annonce, au 3 novembre 2026, que les prix de Gemini 4 Argon passeront de 2 $ / 10 $ à 4 $ / 20 $ par million de jetons au 1^er décembre 2026, et ceux de Gemini 3.8 Flash de 0,75 $ / 3,75 $ à 1,50 $ / 7,50 $ au 1^er janvier 2027. Un SaaS dont la marge était calculée au plus juste sur l'ancien tarif la perd du jour au lendemain.

La disponibilité d'une version. Les fournisseurs retirent des modèles. La page de prix d'Anthropic signale plusieurs versions retirées ; celle de Google indique qu'au 1^er décembre 2026 les requêtes adressées à Gemini 2.5 Pro seront redirigées vers un autre modèle, facturé à son tarif.

Le comportement. Une nouvelle version peut répondre différemment aux mêmes consignes : ton, longueur, format de sortie.

Trois protections, toutes peu coûteuses si elles sont posées dès le départ :

1. Une couche d'accès au modèle unique dans le code, pour qu'un changement de fournisseur se fasse à un seul endroit.
2. Des consignes et un jeu de test versionnés dans votre dépôt, rejoués à chaque changement de modèle.
3. Un second modèle testé régulièrement sur ce jeu, prêt à prendre le relais.

Ce sont les mêmes principes que pour un agent IA sur mesure en entreprise, appliqués à un produit vendu.

Ce qui ne change pas : le reste du SaaS

L'appel au modèle est une petite partie du produit. Le reste est un SaaS comme les autres : comptes, paiement, facturation, droits, support, hébergement, sécurité. Et l'IA ajoute ses propres obligations : le règlement européen sur l'IA impose par exemple la transparence sur les contenus générés, et le RGPD s'applique dès qu'une requête contient des données personnelles.

Les outils de génération de code par IA accélèrent la construction, mais ils ne règlent ni la marge ni la dépendance : notre article sur créer un SaaS avec l'IA fait le point sur ce qu'ils apportent et sur ce qu'il faut vérifier.

Où se trouve vraiment la valeur du produit

Une simple surcouche autour d'un modèle public se copie facilement : n'importe qui disposant de la même clé d'API peut la reconstruire en un week-end. La partie défendable d'un SaaS d'IA est en général ailleurs :

• Le parcours autour du modèle : ce que l'utilisateur fournit, ce qu'il vérifie, ce que devient le résultat ensuite.
• Les données et règles métier que le modèle n'a pas seul : modèles de documents, vocabulaire, contraintes d'une profession.
• L'intégration aux outils que vos clients utilisent déjà.
• La confiance : des étapes de validation claires, des résultats prévisibles, un support quand quelque chose se passe mal.

Ce sont aussi les parties qui survivent à un changement de modèle : c'est donc là qu'investir est le plus sûr.

La check-list avant de lancer

1. Mesurer la consommation sur des cas réels, pour chaque modèle candidat, et en déduire un coût par client type.
2. Modéliser le client intensif, pas seulement le client moyen.
3. Choisir une formule de prix qui suit l'usage : quota, crédits ou paiement à l'unité.
4. Enregistrer le coût de chaque requête par client dès la première version.
5. Isoler l'appel au modèle et garder un second modèle testé.
6. Suivre les pages de prix de vos fournisseurs : un changement annoncé se prépare avant d'entrer en vigueur.