Résumé

  • La phrase de définition de Microsoft qualifie le PTU de « fixed amount of model processing capacity » sans jamais préciser ce qui est fixe ; la quantité se trouve une page plus loin, ligne par modèle, de 750 à 14 900 jetons d'entrée par minute sur les six lignes examinées.
  • Au plancher imprimé de 15 unités, le même achat donne 11 250 jetons d'entrée par minute sur gpt-6.2-astra et 223 500 sur gpt-4.1-mini, un écart d'environ 19,9 fois qu'aucune page Microsoft n'énonce et qui relève de ma division, pas de la leur.
  • La capacité devient calculable dès que l'acheteur fournit son mélange entrée/sortie ; le tarif horaire est le terme que les documents examinés laissent au calculateur, et les montants concrets datent de 2024 et 2025.

La phrase qui définit l'unité

Prenez la phrase que Microsoft emploie pour décrire ce qu'il facture à l'heure. Sur la page qui présente le débit provisionné pour les modèles Foundry, elle dit : « Provisioned throughput units (PTUs) are the unit of measure for provisioned throughput. A PTU represents a fixed amount of model processing capacity. »

Relisez-la. Elle fixe deux choses et en refuse une troisième : l'unité mesure le débit provisionné, l'unité vaut une quantité fixe de capacité de traitement, et la phrase ne dit pas combien. Ici, capacité n'est pas synonyme de jetons, et la même page explique pourquoi. Le débit rendu par un nombre donné d'unités dépend du modèle, chaque modèle impose un nombre minimal d'unités pour créer un déploiement, et les jetons de sortie consomment plus de capacité que les jetons d'entrée selon un rapport propre au modèle, qui exprime combien de jetons d'entrée vaut un jeton de sortie.

La page qui retient le chiffre explique aussi pourquoi un chiffre unique serait faux.

Ce n'est pas un contournement. C'est une répartition du travail, et le quotient habite à une adresse voisine.

La quantité est une ligne de tableau

Sur la page de dimensionnement, une cellule fait le travail que la phrase de définition n'a pas fait : le TPM d'entrée par PTU y est défini comme le maximum de jetons d'entrée par minute qu'une unité prend en charge, et l'acheteur est invité à s'en servir pour estimer ses unités. La même page imprime l'arithmétique. Le nombre d'unités nécessaires vaut le TPM normalisé divisé par le TPM d'entrée par PTU du modèle, et le TPM normalisé vaut le TPM d'entrée multiplié par un moins le taux de cache, plus le rapport sortie/entrée multiplié par le TPM de sortie. Pour les modèles GPT-6 et suivants, le calcul normalisé intègre aussi l'entrée mise en cache et les écritures de cache, un jeton d'entrée en contexte court comptant pour un.

Six lignes ressortent de cette page, classées ici par capacité :

La quantité est une ligne de tableau
Modèle TPM d'entrée par PTU Unités minimales, Global ou Data Zone Unités minimales, Regional
gpt-6.2-astra 750 15 25
gpt-4o 2 500 15 50
gpt-6.2-sol 2 950 15 25
gpt-4.1 3 000 15 50
gpt-5 4 750 15 50
gpt-4.1-mini 14 900 15 25

Le plancher est de 15 unités sur chaque ligne Global ou Data Zone, et de 25 ou 50 dans la colonne Regional. Multipliez le plus petit achat autorisé par le coefficient imprimé, et la quantité fixe cesse de paraître fixe : 15 × 750 font 11 250 jetons d'entrée par minute, 15 × 14 900 en font 223 500, et 223 500 divisé par 11 250 donne 19,87. Cette dernière division est la mienne. La page imprime les facteurs et pas le produit, et le produit est précisément le nombre dont un acheteur a besoin.

Puis l'acheteur ajoute son propre terme. La capacité se comptant en jetons normalisés, deux locataires qui poussent des volumes de jetons identiques dans le même modèle obtiennent des réponses différentes si la part de sortie diffère : un jeton de sortie coûte le rapport imprimé du modèle en capacité d'entrée et, sur les lignes récentes, la mise en cache retouche encore le numérateur. La quantité fixe est fixée dans une monnaie que l'acheteur frappe lui-même, le mélange d'invite et de complétion de son trafic. L'unité appartient au fournisseur. Sa taille en jetons est un produit joint.

Le prix, c'est un tarif, une réservation et un calculateur

La page de facturation est explicite sur l'assiette : « Provisioned deployments (Regional, Data Zone, and Global) are charged at an hourly rate ($/PTU/hr) based on the number of PTUs deployed. » La capacité déployée est facturée en entier, utilisée ou non ; les heures partielles sont proratisées ; les unités déployées au-delà d'une quantité réservée sont facturées au tarif horaire ; les réservations courent sur un mois ou un an. La même page précise que la remise de réservation varie selon la famille de modèles et la durée, ce qui retire l'idée d'un prix unique pour une unité unique.

La page tarifaire actuelle aligne les colonnes qu'un acheteur veut voir : unités minimales, prix horaire par unité, prix de réservation mensuel, prix de réservation annuel. Elle reprend les minima du dimensionnement, dont 15 unités pour GPT-4.1 Global et 50 pour GPT-4.1 Regional, indique que ses prix sont des estimations et renvoie au calculateur tarifaire ou au service commercial. Voilà l'architecture du prix : un tableau de quantités avec l'argent délégué ailleurs.

Les dollars concrets publiés par Microsoft sont datés, et deux seulement sont assez proches pour être cités. Un billet du blog Azure du 28 octobre 2024 annonçait que le tarif Provisioned Global passerait de 2,00 à 1,00 dollar de l'heure le 1er novembre 2024, avec Data Zone à 1,10 dollar, une réservation mensuelle à 260 dollars par unité et une réservation annuelle à 221 dollars. Un billet du Community Hub du 9 octobre 2025 chiffrait la réservation mensuelle d'une unité GPT-4o à 260 dollars pour les déploiements globaux, en avertissant que les prix changent. Les chiffres de jetons qu'il donne en illustration ne se réconcilient pas avec les 2 500 TPM d'entrée par unité que la page de dimensionnement imprime pour gpt-4o : c'est donc la page de dimensionnement qui fait autorité pour toute capacité dans cet article, et le billet de 2025 ne sert ici que pour son dollar de réservation daté.

Faisons maintenant l'arithmétique que ces deux documents permettent, en la marquant comme mienne. À 1,00 dollar l'unité-heure, le plancher de 15 unités coûte 15,00 dollars de l'heure. Une heure au coefficient imprimé achète 60 minutes de jetons d'entrée : 13 410 000 sur gpt-4.1-mini, 2 700 000 sur gpt-4.1, 2 655 000 sur gpt-6.2-sol, 2 250 000 sur gpt-4o, 4 275 000 sur gpt-5 et 675 000 sur gpt-6.2-astra. Divisez 15,00 dollars par ces millions, et le coût du million de jetons d'entrée va de 1,12 dollar sur gpt-4.1-mini à 22,22 dollars sur gpt-6.2-astra.

L'écart atteint 19,9 fois, le même facteur que l'écart de capacité, parce qu'un seul tarif horaire coiffe les six lignes.

L'arithmétique de la réservation est plus terne et plus lourde de conséquences. À 260 dollars par mois sur 730 heures, l'unité-heure effective ressort à 0,356 dollar ; à 221 dollars par mois sur un an, soit 2 652 dollars l'unité-année, elle ressort à 0,303 dollar contre 1,00 dollar en horaire. Ce sont des chiffres de 2024 divisés par mon hypothèse de 730 heures, et les mêler à un tableau non daté relève de l'arithmétique, pas de la citation : cela montre ce que fait le rapport entre tarif et coefficient, pas ce que quiconque paie aujourd'hui.

Ce que cela montre, c'est qu'un engagement est un pari sur un coefficient livré dans une ligne de tableau, et qu'une migration de modèle reprice la capacité sans toucher au tarif pendant une seule seconde.

Le plafond est une division que l'on fait soi-même

Le guide d'exploitation ferme la boucle. L'utilisation y est définie comme les unités consommées sur une période divisées par les unités déployées sur la même période, et la règle de limitation est abrupte : « Throttling at 100%: When a request is made, if current utilization is at 100%, the service returns HTTP 429 immediately, with retry-after-ms and retry-after response headers indicating how long to wait. » De courtes pointes légèrement au-dessus de 100 pour cent sont tolérées ; dans la durée, la page le dit, le trafic est plafonné à 100 pour cent. Un débordement facultatif peut renvoyer l'excédent vers un déploiement standard, si l'acheteur en a câblé un.

Le plafond d'un déploiement provisionné est donc un rapport dont l'acheteur a choisi le dénominateur à l'achat. Moins d'unités, et le même trafic touche le mur plus tôt ; plus d'unités, et il le touche plus tard ; dans les deux cas la facture suit le nombre déployé, pas le trafic. L'instrument est matériellement différent d'une API au compteur, où dépasser sa propre prévision produit une facture plus grosse. Ici, dépasser la capacité produit un refus immédiat assorti d'une horloge, et la facture ne bouge pas.

La page de facturation le dit en une ligne : la charge porte sur les unités déployées, pas sur les jetons consommés.

Une dernière frontière imprimée. La page de définition indique que le quota est accordé par abonnement, par région et par type de déploiement, et que le même quota peut déployer n'importe quel modèle pris en charge. Le quota est donc un second réservoir que la ligne de modèle dépense à des taux différents : les mêmes 15 unités qui achètent 223 500 jetons d'entrée par minute sur la ligne légère en achètent 11 250 sur la lourde.

Ce qu'un acheteur peut vérifier, et où le papier s'arrête

Mettez les quatre pages côte à côte : l'unité devient lisible comme peu de compteurs cloud le sont. Pour une charge entièrement en entrée, la capacité se calcule exactement, puisque le coefficient et le plancher sont tous deux imprimés. Pour une charge réelle, elle se calcule approximativement, puisque le rapport sortie/entrée est imprimé par modèle et que le mélange vient de la télémétrie de l'acheteur. Le mur se calcule aussi, puisque l'utilisation est une division que l'acheteur peut poser contre son propre achat.

Ce qu'aucune page de cet ensemble ne laisse finir, c'est le tarif. L'assiette est imprimée, en dollars par unité et par heure sur des unités déployées, avec des réservations adossées à une durée ; les chiffres, eux, sont sur un calculateur, et les seuls dollars cités précèdent les lignes de modèles qu'ils côtoieraient aujourd'hui. La quantité fixe de capacité de traitement est donc un coefficient avec un nom de marque : imprimé, planchérisé, divisé par la verbosité de l'acheteur, et tarifé par un document qui demande de se connecter d'abord.

La fiche de Microsoft Corporation dans le répertoire recense le détenteur de ressources derrière la plateforme ; tous les chiffres ci-dessus sont ceux de l'entreprise, publiés sur ses propres pages.