Choisir le modèle d'IA de chaque workflow : notre méthode

Chez Origin Labs, nos produits appellent des modèles d'IA des milliers de fois par jour, pour des clients de l'immobilier, du BTP ou du voyage. La question « quel est le meilleur modèle ? » ne nous sert à rien. La question utile est : quel modèle pour ce workflow précis, avec ces données, ce budget et cette exigence de traçabilité ?

Voici la méthode en cinq critères que nous appliquons à chaque nouveau workflow, et que nous réévaluons quand un modèle majeur sort.

Critère 1 : la tâche et son format de sortie

Un workflow de production n'a pas besoin d'un modèle brillant, il a besoin d'un modèle régulier. Extraire douze champs d'un compte rendu de chantier, produire un JSON valide à chaque appel, respecter un gabarit de document : la fiabilité du format compte plus que l'éclat de la prose.

Notre pratique : nous écrivons d'abord le contrat de sortie (schéma, champs, tolérances), puis nous testons les modèles candidats contre ce contrat sur des cas réels. Un modèle qui produit un JSON cassé une fois sur cinquante disqualifie tout son charme conversationnel.

Critère 2 : les données qui entrent

Le deuxième critère élimine souvent plus de candidats que le premier. Des documents clients, des données personnelles, des pièces confidentielles ne transitent pas par n'importe quel point d'accès : chaque intermédiaire est un sous-traitant au sens du RGPD, comme le rappelle la CNIL, et la chaîne complète doit être auditée.

Concrètement, cela trie les routes d'accès avant les modèles : offre professionnelle avec engagement de non-entraînement comme en proposent les grands fournisseurs, hébergement européen quand la donnée l'exige, et pour les cas les plus sensibles, la question du modèle ouvert auto-hébergé se pose sérieusement.

Critère 3 : la latence et le coût, mesurés chez nous

Les chiffres publiés par les autres ne remplacent jamais une heure de mesure sur notre propre infrastructure, avec nos prompts réels. Deux ordres de grandeur guident ensuite l'affectation :

• Un workflow de fond (traitement de documents la nuit, préparation de premiers jets) tolère des secondes de latence : le critère devient le coût par tâche réussie.
• Un usage interactif (assistant, complétion dans une interface) se joue à la centaine de millisecondes : le critère devient le percentile de latence, pas la moyenne.

Le coût se calcule par tâche aboutie, jamais par million de tokens : un modèle deux fois moins cher qui exige deux relances par tâche ne fait pas d'économie.

Critère 4 : l'outillage autour du modèle

Un modèle ne travaille jamais seul : appels d'outils, sorties structurées, mise en cache des prompts, fenêtres de contexte réelles. Ces capacités varient fortement d'un fournisseur à l'autre, et parfois d'une route d'accès à l'autre pour le même modèle. Nous avons détaillé ce sujet, accès direct contre passerelle, dans notre comparatif OpenRouter ou OpenAI publié sur le blog d'Origin Education.

La leçon qui nous a coûté le plus cher : une API compatible ne garantit pas un comportement compatible. Avant d'autoriser un couple modèle-fournisseur dans un workflow, nous le validons sur les vrais cas du workflow : qualité, format, outils, coût, latence. Une bascule non testée n'est pas un plan de secours, c'est un changement de modèle en production.

Critère 5 : la gouvernance dans la durée

Le dernier critère est celui qu'on ne voit qu'en production : qui vous prévient quand le modèle change, que tracez-vous, que faites-vous quand ça dérive ?

Nos trois règles non négociables :

1. Versions épinglées partout : un alias qui bouge tout seul est une source de régressions silencieuses.
2. Journal par requête : modèle, version, latence, coût, résultat du contrat de sortie. Le jour où quelque chose dérive, c'est la seule boussole.
3. Réévaluation planifiée, pas subie : à chaque sortie majeure, les candidats repassent le banc d'essai du critère 1, sur les mêmes cas. Le remplacement est une décision datée et documentée, jamais une découverte.

Le paysage d'août 2026, en chiffres

Pourquoi tant de discipline ? Parce que les classements publics, pris seuls, racontent des histoires contradictoires. La preuve par deux instantanés relevés le même jour.

Ce que le monde consomme. Le classement d'usage d'OpenRouter, calculé sur les tokens réellement servis par la passerelle, donne ceci pour la première semaine d'août 2026 :

Rang	Modèle	Volume hebdomadaire
1	DeepSeek V4 Flash	7,1 T tokens
2	MiMo-V2.5 (Xiaomi)	5,41 T tokens
3	Hy3 (Tencent)	4,89 T tokens
4	DeepSeek V4 Pro	3,11 T tokens
5	GLM 5.2 (Z.ai)	2,87 T tokens

Et une trajectoire à suivre : GPT-5.6 Luna, sixième, en progression de 620 % sur la semaine de sa sortie.

Ce que les bancs d'essai notent. Le Vals Index de vals.ai, un banc indépendant construit avec des experts métier sur des jeux de données non publics (finance et code), mis à jour le 1er août 2026 :

Rang	Modèle	Score Vals Index
1	Claude Fable 5 (Anthropic)	75,1 %
2	Claude Opus 5 (Anthropic)	74,8 %
3	Kimi K3 (Moonshot AI)	74,7 %

Deux podiums, zéro modèle en commun. Ce n'est pas une anomalie, c'est la leçon : le volume mesure ce qui est économique à grande échelle (les modèles ouverts y règnent, portés par les traitements de masse), le banc d'essai mesure la qualité sur des tâches d'expert. Aucun des deux ne mesure vos workflows. Les classements servent à construire la shortlist, jamais à décider.

Par métier, le podium change encore. Les bancs sectoriels de vals.ai, construits avec des experts de chaque domaine sur des jeux de données privés, donnent des podiums différents pour chaque métier, relevés début août 2026 :

Banc d'essai	Domaine	Modèles testés	Leader	Score
SWE-bench Verified	Ingénierie logicielle	75	Claude Opus 5	97,0 %
CorpFin v2	Analyse de contrats de crédit	128	Claude Opus 5	73,2 %
Tax	Lecture de certificats fiscaux	90	Claude Opus 5	72,1 %
MedCode	Facturation médicale	77	Claude Opus 5	63,6 %
Harvey Legal Agent	Travail juridique agentique	27	Muse Spark 1.1 (Meta)	20,0 %

Deux lectures s'imposent. D'abord, même quand un modèle domine plusieurs domaines, son score varie du simple au quintuple selon la tâche : 97 % en code, 20 % pour le meilleur modèle en travail juridique agentique. La maturité de l'IA n'est pas une, elle est par métier. Ensuite, le leader du banc juridique n'est sur aucun autre podium de cette page. À chaque workflow sa vérité.

La vitesse est un axe à part. Artificial Analysis, qui suit 591 modèles en continu, ajoute trois podiums de plus, tous différents encore : en débit, Celeris-1 dépasse 2 000 tokens par seconde devant Mercury 2 ; en latence, Gemini 2.5 Flash-Lite répond en 0,32 seconde ; et leur indice d'intelligence agrégé place GPT-5.6 Sol en tête. Qualité, débit, latence, prix : quatre classements, quatre leaders. Si un seul modèle gagnait partout, cette méthode n'aurait pas besoin d'exister.

Et une fois le choix fait, l'architecture d'accès suit la même logique de séparation :

Sur notre banc : l'exemple du compte rendu de chantier

Un exemple concret de la méthode, tiré de notre production pour les entreprises du BTP. Le workflow : transformer des notes vocales et photos de chantier en compte rendu structuré, douze champs obligatoires, sortie JSON stricte, pièces contractuelles à l'appui.

Le banc : une cinquantaine de cas réels anonymisés, couvrant les pires situations connues (notes inaudibles par endroits, jargon de corps de métier, champs contradictoires). Trois modèles candidats issus des shortlists publiques, testés le même jour, avec le même contrat de sortie et le même budget d'itération.

Le verdict s'est joué sur deux critères que les classements ne voient pas : la stabilité du JSON sur les cas dégradés, et le comportement face au champ manquant, où le bon réflexe est de déclarer l'absence plutôt que d'inventer.

« Le modèle retenu n'était ni le mieux classé des trois, ni le moins cher. C'était le seul qui refusait d'inventer un champ manquant. En production documentaire, cette vertu vaut tous les points de benchmark. »

Pierre Beunardeau, fondateur d'Origin Labs

Une matinée de banc, une décision documentée, une version épinglée. C'est reproductible pour n'importe quel workflow documentaire, et c'est exactement ce qu'un classement public ne fera jamais à votre place.

Questions fréquentes

Faut-il refaire le banc à chaque sortie de modèle ? Non : à chaque sortie majeure dans votre shortlist, oui, sur les mêmes cas, pour comparer à référentiel constant. Les sorties mineures attendent la revue planifiée.

Combien de cas faut-il dans un banc maison ? Quelques dizaines suffisent s'ils sont réels et couvrent les situations dégradées. Cinquante cas bien choisis battent cinq mille cas synthétiques.

Un petit modèle peut-il gagner ? Régulièrement. Sur les tâches d'extraction bien cadrées, un modèle rapide et peu coûteux tenant le contrat de sortie bat souvent un modèle frontière plus lent et plus cher. C'est le critère 3 : le coût par tâche réussie.

Et quand deux modèles sont à égalité ? Prenez celui dont la route d'accès est la plus simple à gouverner : contrat direct, version épinglable, journalisation propre. À qualité égale, l'opérable gagne.

Ce que cette méthode évite

Elle évite les deux erreurs symétriques qui coûtent le plus aux équipes : choisir le modèle du moment sur la foi des classements publics, et rester fidèle par inertie à un choix devenu sous-optimal. Entre les deux, il y a une discipline simple : un banc de cas réels par workflow, cinq critères, des décisions datées.

C'est aussi la méthode que les équipes de notre écosystème enseignent en entreprise, notamment à travers les formations d'Origin Education sur l'intégration d'API et les agents. Le studio construit, l'organisme transmet : les deux s'appuient sur les mêmes bancs d'essai.

Sources

• OpenRouter, classement d'usage en temps réel : volumes hebdomadaires de tokens par modèle, relevé du 4 août 2026. openrouter.ai/rankings
• Vals AI, Vals Index et bancs sectoriels (CorpFin v2, SWE-bench Verified, MedCode, Tax, Harvey Legal Agent) : mises à jour de fin juillet et début août 2026. vals.ai/benchmarks
• Artificial Analysis, comparaison continue de 591 modèles : indice d'intelligence, débit en tokens par seconde, latence et prix, relevé du 4 août 2026. artificialanalysis.ai/models
• OpenRouter, documentation officielle : frais, clés propres et écarts de prise en charge des appels d'outils selon les fournisseurs. openrouter.ai/docs
• Google Workspace, confidentialité et IA : engagements de non-utilisation des données professionnelles pour l'entraînement. workspace.google.com
• CNIL, intelligence artificielle : obligations du responsable de traitement et chaîne de sous-traitance. cnil.fr