Le 1er octobre 2026, OpenRouter a publié sur son blog officiel un cadre en trois étapes pour choisir les modèles destinés aux tâches d'agents. Le point de départ est une thèse contre-intuitive : choisir d'après le classement fait payer des prix de niveau frontière pour des positions dont on n'a pas besoin. La bonne question n'est pas « quel modèle a le meilleur score », mais « quel modèle est le moins cher parmi ceux qui sont juste assez bons ».
Pourquoi les classements faussent le choix des modèles d'agents
Un classement fait la moyenne des résultats d'un modèle sur des tâches sans rapport avec les vôtres. Vos propres tâches d'agents sont généralement étroites : trier un ticket, extraire un champ, escalader vers un humain en cas de doute. Qu'un modèle bon marché puisse égaler la précision d'un modèle de frontière sur une tâche étroite est une question de mesure — et aucun classement ne fait cette mesure à votre place.
On ne peut pas non plus facturer un agent comme un simple tour de conversation. Une conversation est facturée une fois ; chaque appel d'outil, chaque étape intermédiaire et chaque nouvel essai d'un agent coûtent de l'argent, si bien qu'une boucle en trois étapes paie le prix du token au moins trois fois. Choisir d'après le premier du classement, c'est payer trois fois le prix frontière pour une tâche qu'un modèle moins cher aurait accomplie tout aussi bien.
Comment les trois étapes fonctionnent en pratique
Première étape : fixer une barre qualité pour la tâche. Les tâches où une mauvaise réponse engage la responsabilité — conformité, santé, relecture juridique — reçoivent une barre haute ; un support à fort volume, où le résultat global compte, se contente peut-être de 90 % de résolutions automatiques et 10 % d'escalades propres. Pour le travail sensible à la latence comme la détection de fraude ou le chat en direct, la vitesse est la troisième contrainte dure, et un modèle bon marché et précis mais trop lent est disqualifié en premier.
Deuxième étape : mesurer sur ses propres exemples. Choisir un représentant par gamme — économique, milieu de gamme, frontière —, faire passer 20 à 50 exemples réels de son activité par chacun, les noter avec une même grille d'évaluation, et diviser le coût par le score pour obtenir un « coût par point de qualité ». Ne pas estimer le coût d'après la grille tarifaire, mais lire le champ usage.cost dans chaque réponse — c'est ce que la plateforme a réellement facturé.
Troisième étape : choisir le modèle le moins cher qui dépasse la barre avec une marge. La marge compte parce que les scores dérivent : les mises à jour des poids et l'évolution de son propre trafic déplacent les chiffres. La pratique consiste à lancer plusieurs passages, à observer l'amplitude des scores entre les passages, et à exiger que le gagnant dépasse la barre de plus que cette amplitude.
OpenRouter donne un exemple chiffré : avec la barre à 85 %, GPT-5.6 Luna est disqualifié d'office avec 82 points — sous la barre, le prix le plus bas ne sert à rien ; Gemini 3.7 Flash dépasse avec 89 points et est retenu à 1,09 dollar pour 1 000 requêtes ; Claude Opus 5 atteint 97 points mais coûte 7,25 dollars pour 1 000 requêtes — un luxe que la tâche ne demandait pas. Prix et scores sont illustratifs ; en pratique, utilisez vos propres mesures.
Où se situent les limites de cette méthode
Le cadre transforme le choix du modèle, de l'intuition en mesure, mais il repose sur trois prémisses. Premièrement : c'est vous qui fixez la barre qualité — si ce jugement subjectif est faux, tout ce qui suit est faux. Deuxièmement : une mesure n'est vraie que le jour où elle a été prise — une nouvelle version du modèle ou un changement de prix peut périmer la conclusion, donc il faut recommencer. Troisièmement : il régit l'arbitrage coût-qualité, pas la question de savoir s'il faut utiliser un agent — une tâche mal découpée gaspille de l'argent, aussi bon marché soit le modèle.
