Intégrer ChatGPT ou Claude dans son logiciel métier : API, architecture, données et coûts
Pour intégrer ChatGPT ou Claude dans un logiciel métier, on passe par l'API d'OpenAI ou d'Anthropic, pas par les applications grand public. Le schéma le plus sûr est un copilote branché sur les données de l'écran, qui rédige ou propose une action que l'utilisateur valide, les règles métier restant dans votre code. Par défaut, ces API n'entraînent pas les modèles sur vos données et les conservent en principe 30 jours au plus. Le coût d'usage se calcule en jetons, sur une hypothèse de volume.
API et modèles disponibles
Intégrer ChatGPT ou Claude dans un logiciel métier ne passe pas par les applications grand public que vos équipes utilisent dans leur navigateur. Le logiciel appelle directement l’API du fournisseur : il envoie une requête qui contient des consignes, le contexte utile (extraits de documents, données d’un dossier, historique d’échanges) et la demande de l’utilisateur, puis il reçoit une réponse qu’il affiche ou qu’il exploite. OpenAI, l’éditeur de ChatGPT, vend cet accès sous le nom d’OpenAI API ; Anthropic, l’éditeur de Claude, sous le nom de Claude API, sur sa plateforme pour développeurs. Ce sont des contrats et des conditions différents de ceux des abonnements ChatGPT ou Claude destinés aux utilisateurs.
Chaque fournisseur propose une gamme de modèles. Les plus puissants servent aux tâches de raisonnement, à l’analyse de longs documents et aux agents qui enchaînent plusieurs actions. Les intermédiaires couvrent l’essentiel des usages d’un logiciel métier : rédiger, résumer, classer, extraire des champs, répondre à partir de documents. Les plus petits, beaucoup moins chers et plus rapides, conviennent aux tâches répétitives à gros volume, comme trier des messages entrants ou normaliser des libellés. Une même application peut d’ailleurs utiliser plusieurs modèles selon la tâche.
Le tableau donne des exemples de modèles et de tarifs publiés par les fournisseurs, relevés le 13 novembre 2026. Les prix sont en dollars américains, par million de jetons ; un jeton correspond à un morceau de mot, et l’on paie séparément ce que l’on envoie au modèle (l’entrée) et ce qu’il produit (la sortie). Les gammes changent souvent : vérifiez toujours la page officielle avant de chiffrer.
| Fournisseur | Modèle | Entrée | Sortie | Remarque |
|---|---|---|---|---|
| Anthropic | Claude Opus 5.5 | 4 $ | 20 $ | Lecture en cache à 0,20 $ |
| Anthropic | Claude Sonnet 5.5 | 2 $ | 10 $ | Lecture en cache à 0,10 $ |
| Anthropic | Claude Haiku 5.5 | 0,10 $ | 0,50 $ | Jusqu’à 100 000 jetons par requête ; 0,50 $ et 2,50 $ au-delà |
| OpenAI | gpt-6-astra | 10 $ | 50 $ | Premier modèle du tableau des modèles phares |
| OpenAI | gpt-6.1-sol | 2 $ | 10 $ | |
| OpenAI | gpt-6-luna | 0,10 $ | 0,50 $ | |
| Mistral AI | Mistral Large 4 | 0,70 $ | 2,10 $ | Éditeur français, modèle à poids ouverts disponible depuis le 5 novembre 2026 |
Anthropic et OpenAI accordent 50 % de réduction pour les traitements par lots, c’est-à-dire les requêtes qui n’ont pas besoin d’une réponse immédiate (analyse nocturne d’un stock de documents, par exemple). La mise en cache des consignes et des documents envoyés à chaque requête réduit aussi fortement le prix de l’entrée.
Trois fonctions de ces API comptent particulièrement pour un logiciel métier. L’appel de fonctions, appelé tool use chez Anthropic et function calling chez OpenAI, permet au modèle de demander à votre logiciel d’exécuter une opération précise (chercher un client, calculer un devis, lire un stock) au lieu d’inventer la réponse. Les sorties structurées imposent au modèle de répondre dans un format de données défini à l’avance, ce qui évite d’avoir à décoder du texte libre. Enfin, le protocole MCP (Model Context Protocol) normalise la manière d’exposer vos outils et vos données aux modèles. Présenté par Anthropic en novembre 2024, adopté par OpenAI en mars 2025, il est confié depuis décembre 2025 à l’Agentic AI Foundation, hébergée par la Linux Foundation. Pour un éditeur de logiciel, exposer un serveur MCP permet aux assistants de ses clients d’utiliser ses fonctions avec les droits de chaque utilisateur : l’éditeur de CRM Pipedrive a par exemple lancé le sien en juin 2026.
Architecture type : un copilote branché sur vos données, un humain qui valide
Le copilote branché sur des données structurées
Le schéma qui fonctionne le mieux dans un logiciel existant est celui du copilote : une aide placée à l’endroit où l’utilisateur travaille déjà, dans la fiche client, le dossier, l’écran de saisie. L’utilisateur clique sur « préparer la réponse », « résumer le dossier » ou « proposer les lignes du devis », et le copilote travaille sur les données de cet écran. Votre logiciel garde la main sur ce qui est envoyé au modèle : il sélectionne les champs utiles, retire ce qui n’a pas à partir, et vérifie les droits de l’utilisateur avant toute requête.
Les données structurées de votre base (montants, dates, statuts, références) arrivent au modèle sous forme de champs nommés, et non de texte copié depuis l’écran. Les documents (contrats, comptes rendus, notices) passent par une recherche documentaire qui ne transmet que les passages pertinents : c’est le principe du RAG, détaillé sur notre page consacrée à l’intégration de LLM et au RAG. Le modèle reçoit ainsi un contexte court, à jour et limité aux droits de la personne qui pose la question.
L’agent qui propose, l’humain qui valide
Quand le modèle ne se contente plus de rédiger mais agit (modifier une commande, envoyer un e-mail, changer un statut), l’architecture change. Le modèle prépare l’action sous forme de proposition structurée : quelle opération, sur quel objet, avec quelles valeurs, et pourquoi. Le logiciel l’affiche à l’utilisateur, qui valide, corrige ou refuse. Seule la validation déclenche l’écriture. Les règles métier restent dans votre code : un montant hors limites, un client bloqué ou un statut incompatible sont refusés par le logiciel, quoi que propose le modèle.
Cette organisation a trois avantages. Elle limite l’effet d’une erreur ou d’une manipulation du modèle, puisque rien ne s’écrit sans accord. Elle produit une trace claire de qui a décidé quoi. Et elle donne une mesure simple de la qualité : la part des propositions acceptées sans modification. On peut ensuite automatiser complètement les opérations dont le taux d’acceptation reste élevé sur la durée, et garder la validation pour les autres.
Ce qui entoure l’appel au modèle
Dans un projet réel, l’appel à l’API représente une petite partie du code. Autour, il faut une couche qui construit les requêtes et versionne les consignes, une gestion des erreurs et des délais (le fournisseur peut ralentir ou refuser une requête), un suivi de la consommation par client ou par fonctionnalité, une journalisation des échanges compatible avec vos règles de conservation, et un jeu de cas de test qui permet de vérifier qu’un changement de modèle ou de consignes ne dégrade pas les réponses. Prévoir dès le départ de pouvoir changer de fournisseur ne coûte pas cher et évite d’être bloqué par une hausse de prix ou un modèle retiré.
Sécurité des données
La première question des dirigeants concerne l’entraînement. Sur l’API, la réponse des deux fournisseurs est la même par défaut. OpenAI indique ne pas utiliser les données de ses clients professionnels et de son API pour entraîner ses modèles, sauf choix contraire du client. Anthropic indique ne pas utiliser les entrées et sorties de ses produits commerciaux, dont l’API, sauf retour volontaire d’un utilisateur ou accord explicite. Le changement de conditions annoncé par Anthropic en août 2025, qui porte sur les conversations des offres grand public Free, Pro et Max, ne s’applique pas à l’API.
La deuxième question est la conservation. OpenAI peut garder les entrées et sorties de l’API jusqu’à 30 jours pour fournir le service et détecter les abus ; Anthropic les supprime de ses serveurs dans les 30 jours. Les deux proposent à certains clients une conservation nulle, sur accord préalable. Chez Anthropic, certaines fonctions comme le traitement par lots ou l’API de fichiers sortent de ce régime.
La troisième est le lieu de traitement. OpenAI propose une résidence des données en Europe pour les projets API créés dans cette région, avec un surcoût de 10 % sur les modèles sortis depuis le 5 mars 2026. L’API directe d’Anthropic ne propose, au 13 novembre 2026, qu’un traitement aux États-Unis ou « global ». Pour faire traiter les requêtes en Europe, Claude est disponible sur Amazon Bedrock avec un profil d’inférence européen (Francfort, Paris, Milan, Stockholm, Irlande et Espagne, mais aussi Londres et Zurich, hors de l’Union) et sur Google Cloud avec un point d’accès multirégional européen, ces points d’accès régionaux étant facturés 10 % de plus. Sur Azure, Microsoft propose pour les modèles d’OpenAI des déploiements « Data Zone » qui traitent les données dans la zone Union européenne. Les modèles de Mistral AI, éditeur français, sont une autre option à examiner.
Côté droit, le fournisseur du modèle agit comme sous-traitant au sens de l’article 28 du RGPD : son accord de traitement des données doit être accepté avant la mise en production et figurer dans votre registre. Si les données partent aux États-Unis, le transfert repose le plus souvent sur le cadre de protection des données entre l’Union et les États-Unis. Le Tribunal de l’Union européenne a rejeté le 3 septembre 2025 le recours qui en contestait la validité, mais un pourvoi est pendant devant la Cour de justice : gardez une solution de repli. Enfin, la CNIL recommande, dans ses questions-réponses de juillet 2024 sur l’IA générative, de partir de besoins concrets, d’encadrer les usages par une charte qui interdit d’y verser certaines données confidentielles et de privilégier des solutions déployées sur site pour les données personnelles ou sensibles. Dans un logiciel métier, cela se traduit par une règle simple : n’envoyer au modèle que les champs nécessaires à la tâche, pseudonymiser ce qui peut l’être et journaliser chaque échange.
Les risques propres aux modèles de langage
L’OWASP, fondation connue pour ses référentiels de sécurité des applications web, publie une liste des dix principaux risques des applications qui utilisent des modèles de langage. Trois concernent directement un copilote dans un logiciel métier. L’injection de consignes (LLM01) : un texte malveillant caché dans un document, un e-mail ou un champ libre détourne le modèle de ses instructions. La divulgation d’informations sensibles (LLM02) : le modèle restitue des données qu’un utilisateur n’aurait pas dû voir, parce qu’elles figuraient dans son contexte. L’autonomie excessive (LLM06) : un agent dispose de plus de droits ou d’actions que nécessaire et en fait un mauvais usage.
Les parades sont surtout architecturales. On filtre le contexte selon les droits de l’utilisateur avant l’appel, et non après. On donne au modèle des fonctions étroites (lire telle commande, proposer tel statut) plutôt qu’un accès général à la base. On fait valider les écritures par une personne, on journalise, et l’on teste des tentatives de détournement avant la mise en production, avec des documents piégés et des demandes hors périmètre.
Coûts d’usage : comment les estimer
La facture d’API dépend du nombre de jetons envoyés et reçus. Chez Anthropic comme chez OpenAI, pour les modèles du tableau, un jeton en sortie coûte cinq fois un jeton en entrée. L’estimation se fait donc sur une hypothèse d’usage. Prenons un copilote qui envoie 3 000 jetons de contexte et reçoit 500 jetons de réponse, utilisé 1 000 fois par jour ouvré, soit environ 22 000 requêtes par mois. Aux tarifs publiés le 13 novembre 2026, sans cache ni traitement par lots, le calcul donne ceci.
| Modèle | Coût d’une requête | Coût pour 22 000 requêtes par mois |
|---|---|---|
| Claude Haiku 5.5 | 0,00055 $ | environ 12 $ |
| Claude Sonnet 5.5 | 0,011 $ | environ 242 $ |
| Claude Opus 5.5 | 0,022 $ | environ 484 $ |
| gpt-6.1-sol | 0,011 $ | environ 242 $ |
| gpt-6-astra | 0,055 $ | environ 1 210 $ |
Ces montants sont des ordres de grandeur, pas des devis. Ils changent beaucoup avec la taille du contexte : un copilote qui envoie tout un dossier de 30 000 jetons à chaque question coûte dix fois plus en entrée. Trois leviers les font baisser : mettre en cache la partie fixe des requêtes, traiter par lots ce qui n’est pas urgent, et réserver les modèles les plus chers aux tâches qui en ont besoin. Suivez la consommation par fonctionnalité et par client dès le pilote : c’est la seule façon de fixer un prix de revente si vous êtes éditeur.
Le poste principal d’un projet reste le développement, pas les jetons. Les repères publics portent sur l’ensemble des projets d’IA : sur les 205 projets IA chiffrés par La Fabrique du Net au relevé d’octobre 2026, le budget médian est de 10 000 €, et la moitié des budgets se situe entre 5 000 et 25 000 €. Notre page sur le prix d’un RAG détaille le cas d’un assistant documentaire, et celle sur le prix d’un projet IA rassemble les autres repères.
Les étapes du projet
Notre page sur les étapes pour intégrer ChatGPT dans ses outils détaille la démarche générale. Pour un logiciel métier existant, le déroulé tient en cinq temps.
Choisir un usage précis et mesurable. Une tâche répétée souvent, dont le résultat est facile à juger : rédiger une première réponse à une réclamation, résumer un dossier avant un rendez-vous, extraire les données d’un bon de commande. Notez le temps passé aujourd’hui et ce qui ferait dire que le résultat est bon.
Constituer un jeu d’essai. Réunissez de vrais exemples, anonymisés si besoin, avec la réponse attendue. Quelques dizaines de cas variés, dont des cas difficiles, valent mieux qu’une démonstration sur trois exemples choisis.
Prototyper hors production. Le prestataire branche le modèle sur une copie des données, compare deux ou trois modèles sur le jeu d’essai, chiffre la consommation et identifie les cas qui échouent. C’est le moment de décider si l’usage mérite d’être industrialisé.
Intégrer dans le logiciel. Écrans, droits, journalisation, gestion des erreurs, suivi des coûts, documentation des traitements. Un pilote auprès d’un petit groupe d’utilisateurs permet de mesurer le taux de propositions acceptées et de corriger les consignes.
Exploiter et faire évoluer. Revue régulière d’un échantillon de réponses, suivi de la facture, test du jeu d’essai à chaque changement de modèle, mises à jour quand le fournisseur annonce le retrait d’une version. Les prestataires spécialisés sont comparés dans notre classement des agences d’intégration IA, et ceux qui travaillent depuis la capitale dans celui des agences IA à Paris.
Questions fréquentes
Mes données servent-elles à l'entraînement des modèles ?
Pas par défaut quand vous passez par l'API. OpenAI indique ne pas entraîner ses modèles sur les données de ses clients professionnels et de son API, sauf choix contraire du client ; Anthropic indique la même chose pour ses produits commerciaux, dont l'API, sauf retour volontaire d'un utilisateur. Les deux conservent en principe les échanges 30 jours au plus, et proposent une conservation nulle à certains clients sur accord. Le vrai risque est ailleurs : des salariés qui collent des données d'entreprise dans des comptes grand public, dont les conditions sont différentes. Chez Anthropic, les offres Free, Pro et Max laissent par exemple chaque utilisateur choisir depuis 2025 si ses conversations servent à l'entraînement.
Quel modèle choisir ?
Celui qui réussit votre jeu d'essai au coût le plus bas. Testez deux ou trois modèles sur quelques dizaines de cas réels : un modèle intermédiaire (Claude Sonnet 5.5, gpt-6.1-sol) suffit pour la plupart des tâches de rédaction, de résumé et d'extraction ; un petit modèle (Claude Haiku 5.5, gpt-6-luna) convient au tri de gros volumes ; les plus puissants se justifient pour les raisonnements longs et les agents. Ajoutez vos contraintes d'hébergement : pour un traitement en Europe, regardez Azure pour OpenAI, Amazon Bedrock ou Google Cloud pour Claude, ou les modèles de Mistral AI. Et prévoyez de pouvoir changer de modèle sans réécrire votre logiciel.
Faut-il choisir entre ChatGPT et Claude ?
Non. Une couche d'abstraction dans votre logiciel permet d'appeler l'un ou l'autre, voire les deux selon la tâche, et de basculer si un prix change ou si un modèle est retiré. Les deux API offrent les fonctions dont un logiciel métier a besoin : appel de fonctions, sorties structurées, traitement par lots. Le protocole MCP, adopté par les deux éditeurs, facilite aussi l'exposition de vos outils à n'importe quel assistant compatible.
Peut-on héberger le modèle sur ses propres serveurs ?
Pas pour ChatGPT ni pour Claude, qui ne sont accessibles que par les API de leurs éditeurs ou de leurs partenaires cloud. Certains modèles sont en revanche publiés à poids ouverts, comme Mistral Large 4 sorti le 5 novembre 2026, et peuvent être installés chez vous ou chez un hébergeur de votre choix. Cette option répond à la recommandation de la CNIL de privilégier des solutions sur site pour les données sensibles, mais elle demande des serveurs adaptés et une équipe pour les exploiter.
Sources
- OpenAI, Enterprise privacy (mise à jour du 8 janvier 2026)
- OpenAI, documentation : données et contrôles de l'API
- OpenAI, résidence des données en Europe
- OpenAI, tarifs de l'API (consultés le 13 novembre 2026)
- OpenAI, documentation : appel de fonctions
- OpenAI, documentation : sorties structurées
- Anthropic, mes données servent-elles à l'entraînement ? (mise à jour du 18 août 2026)
- Anthropic, durée de conservation des données des organisations (mise à jour du 1er juillet 2026)
- Anthropic, documentation : API et conservation des données
- Anthropic, mise à jour des conditions grand public (28 août 2025)
- Anthropic, tarifs de l'API Claude (consultés le 13 novembre 2026)
- Anthropic, documentation : résidence des données
- Anthropic, documentation : Claude sur Amazon Bedrock
- Anthropic, documentation : Claude sur Google Cloud
- Anthropic, documentation : utilisation d'outils
- Anthropic, documentation : sorties structurées
- Anthropic, présentation du Model Context Protocol (25 novembre 2024)
- TechCrunch, OpenAI adopte le standard MCP (26 mars 2025)
- Linux Foundation, création de l'Agentic AI Foundation (9 décembre 2025)
- Pipedrive, lancement d'un serveur MCP natif (30 juin 2026)
- Mistral AI, documentation : Mistral Large 4
- Mistral AI, documentation : tarifs
- Microsoft Learn, types de déploiement des modèles Foundry (Data Zone)
- OWASP, Top 10 for LLM Applications 2025
- CNIL, questions-réponses sur l'utilisation d'un système d'IA générative (18 juillet 2024)
- Règlement (UE) 2016/679 (RGPD), art. 28
- Cour de justice de l'UE, communiqué sur l'arrêt du Tribunal T-553/23 (3 septembre 2025)
- Journal officiel de l'UE, pourvoi C-703/25 P (31 octobre 2025)
- La Fabrique du Net, page des agences d'intelligence artificielle (relevé d'octobre 2026)