Le français coûte plus de tokens aux modèles d’IA

LLéna

Baracoda AI Labs a mesuré un surcoût de tokens pour traiter le français plutôt que l’anglais avec plusieurs modèles, dans une étude présentée mardi par Monde Numérique. Les écarts varient selon les systèmes : environ 30 % pour GPT-5, 45 % pour Claude, 56 % pour Qwen et 31 % pour Mistral. Ces chiffres comparent le nombre de tokens consommés pour le français à celui de l’anglais ; ils montrent que le phénomène concerne les quatre modèles mesurés, mais qu’il n’a pas la même ampleur partout. Thomas Serval explique que les modèles sont généralement plus efficaces dans les langues les mieux représentées dans leurs données d’entraînement. Il précise que les corrections apportées après l’entraînement n’améliorent que marginalement la tokenisation, c’est-à-dire le découpage du texte en tokens. Pour réduire l’écart, Baracoda affirme que son encodeur FR2 ramène le surcoût du français à 12 % par rapport à l’anglais. L’entreprise teste aussi cette approche sur les 24 langues de l’Union européenne, sans que le résultat annoncé pour le français ne préjuge des résultats obtenus dans les autres langues. Thomas Serval souligne qu’une consommation accrue de tokens augmente les coûts informatiques ainsi que la consommation d’énergie, de processeurs graphiques et de matériel. Il présente également l’efficacité des modèles en langues européennes comme un enjeu de souveraineté : le surcoût mesuré touche donc à la fois les ressources nécessaires au calcul et la capacité à utiliser ces modèles dans différentes langues européennes.