Vous pouvez coller une archive complète de contrats dans un seul prompt GPT 5.5. La phrase semble un rêve, jusqu’à l’arrivée de la facture, ou jusqu’au moment où le modèle laisse discrètement passer une clause enfouie en page 900. Une fenêtre de contexte géante est un outil puissant, et comme tout outil puissant, elle récompense ceux qui savent où se trouve la lame.
Cet article détaille ce que contient réellement la fenêtre de contexte de GPT 5.5, ce que coûtent les longs prompts, où les limites se font sentir et quels travaux sur de longs documents valent la peine d’être envoyés d’un seul bloc. Les chiffres proviennent de sites publics de suivi des tarifs et des spécifications publiées du modèle au moment de la rédaction. Vérifiez donc la page de tarification officielle avant de budgéter quoi que ce soit de sérieux.
Ce que la fenêtre contient réellement

Une fenêtre de contexte correspond à la quantité totale de texte qu’un modèle peut prendre en compte à la fois. Vos instructions, le document, les échanges précédents du chat et la réponse en cours de rédaction se partagent tous le même espace. Imaginez-la comme le bureau de travail du modèle : tout ce qui tient sur le bureau peut être consulté directement, et tout ce qui n’y tient pas doit rester dans le tiroir.
Les chiffres en un coup d’œil
GPT 5.5 est annoncé avec une fenêtre de contexte d’environ 1,05 million de tokens et une sortie maximale de 128 000 tokens. Certains sites agrégateurs arrondissent ce chiffre à « 1M » ou « 1,1M », ce qui explique que vous puissiez voir des indications légèrement différentes.
| Caractéristique | Valeur indiquée |
|---|
| Fenêtre de contexte | ~1 050 000 tokens |
| Sortie maximale par réponse | ~128 000 tokens |
| Prix standard de l’entrée | 5 $ par million de tokens |
| Prix standard de la sortie | 30 $ par million de tokens |
| Prix de l’entrée en cache | ~0,50 $ par million de tokens |
| Tarif des longs prompts (au-delà de 272K tokens) | 10 $ en entrée, 45 $ en sortie par million |
| Tarification par lots | Environ la moitié du tarif standard |
💡 Astuce : Considérez ces valeurs comme un instantané. Les prix et les limites évoluent, et les sites de suivi ne s’accordent pas toujours sur certains détails, comme la version Pro. Confirmez les chiffres en vigueur avant de vous engager dans un flux de travail.
Tokens, mots et pages
Un token est un morceau de texte, généralement de quelques caractères. En anglais, un token représente en moyenne environ les trois quarts d’un mot. Voici quelques conversions utiles :
- 1 000 tokens représentent environ 750 mots, soit à peu près deux pages et demie.
- 100 000 tokens représentent environ 75 000 mots, soit un roman complet.
- 1 000 000 de tokens représentent environ 750 000 mots, soit plus de 2 500 pages de prose ordinaire.
Le code, les tableaux et les textes non anglais consomment généralement davantage de tokens par mot. Un export de tableur ou un script minifié peut remplir la fenêtre bien plus vite qu’un essai classique. Mesurez donc avec un tokenizer avant de supposer que quelque chose tient.
L’entrée et la sortie partagent le même espace
La fenêtre ne sert pas seulement à ce que vous envoyez. La réponse s’y trouve aussi, et pour les modèles de raisonnement, les étapes de réflexion cachées peuvent également être comptées dans l’utilisation. Si vous injectez 1 040 000 tokens d’entrée dans une fenêtre de 1 050 000 tokens, il ne reste presque plus de place pour une réponse. Prévoyez une marge confortable, surtout si vous attendez un long résumé ou un document réécrit.
Le coût réel des longs prompts

Les grandes fenêtres invitent aux grands prompts, et les grands prompts s’additionnent. La bonne nouvelle, c’est que le calcul est simple une fois la structure tarifaire comprise.
Les tarifs standard en chiffres simples
À 5 $ par million de tokens d’entrée, un prompt de 200 000 tokens coûte environ 1,00 $ en frais d’entrée. Une réponse de 5 000 tokens à 30 $ par million ajoute 0,15 $. Il en coûte donc un dollar et quelques centimes pour que le modèle lise l’équivalent de deux longs romans, ce qui est une bonne affaire comparé au coût d’une personne chargée de la même lecture.
Le problème, c’est la répétition. Posez dix questions de suivi sur ce même document de 200 000 tokens, en le renvoyant à chaque fois, et vous aurez dépensé environ 10 $ rien qu’en entrée.
La falaise tarifaire à 272K
Voici le détail qui surprend les gens. Les tarifs publiés indiquent que lorsqu’un prompt dépasse 272 000 tokens, le tarif plus élevé s’applique à la requête entière, et non seulement aux tokens supplémentaires. L’entrée passe de 5 $ à 10 $ par million, et la sortie de 30 $ à 45 $.
| Taille du prompt | Tarif | Coût de l’entrée |
|---|
| 200 000 tokens | 5 $ par million | 1,00 $ |
| 272 000 tokens | 5 $ par million | 1,36 $ |
| 273 000 tokens | 10 $ par million | 2,73 $ |
| 500 000 tokens | 10 $ par million | 5,00 $ |
| 1 000 000 de tokens | 10 $ par million | 10,00 $ |
Dépasser la limite de mille tokens double la facture de cet appel. Si votre document fait 280 000 tokens, réduire les formules standard, les en-têtes ou les annexes en double pour passer sous 272 000 tokens est l’une des optimisations les plus rentables que vous ferez jamais.
Économies grâce au cache et aux lots
Deux remises comptent pour le travail sur les longs documents :
- Mise en cache du prompt. Lorsque le même long préfixe est réutilisé d’un appel à l’autre, l’entrée en cache est facturée environ 0,50 $ par million de tokens, soit environ un dixième du tarif standard. Placez le document volumineux et immuable en premier, et votre question changeante en dernier, pour que la partie mise en cache reste identique.
- Traitement par lots. Si vous n’avez pas besoin de réponses immédiates, les travaux par lots sont annoncés à environ la moitié du tarif standard. Examiner 400 contrats fournisseurs pendant la nuit est un cas d’usage idéal.
💡 Astuce : Un document de 200 000 tokens interrogé vingt fois avec la mise en cache coûte environ 1,00 $ pour la première lecture, puis environ 0,10 $ pour chaque lecture suivante de la partie mise en cache, au lieu de 1,00 $ à chaque fois.
Les limites qui se manifestent en pratique

Faire tenir un document dans la fenêtre et obtenir des réponses fiables sur chacune de ses parties sont deux choses différentes.
Le plafond de sortie
Lire un million de tokens est facile, comparé à en écrire un. La sortie maximale est bien plus petite que la fenêtre d’entrée. Si vous demandez au modèle de traduire un manuscrit de 600 pages d’un seul coup, la réponse atteindra le plafond de sortie bien avant la fin du travail. Pour les grandes réécritures, procédez section par section et assemblez les résultats.
Le rappel s’estompe au milieu
Les modèles à long contexte présentent une tendance bien connue : les faits situés au tout début et à la toute fin d’un prompt sont restitués plus fiablement que les détails enfouis au milieu. Les modèles récents gèrent bien mieux ce point que les anciens, mais l’effet n’a pas disparu. Si une seule clause de la page 640 détermine votre réponse, ne comptez pas sur le fait que le modèle tombe dessus par hasard. Indiquez la section, citez une expression à rechercher, ou demandez-lui de lister chaque passage traitant d’un sujet avant de répondre.
Vitesse et latence
Plus l’entrée est grande, plus l’attente est longue. Un prompt proche du maximum peut mettre nettement plus de temps à commencer sa réponse qu’un prompt court. Pour les outils interactifs où l’utilisateur regarde fixement un indicateur de chargement, un prompt plus petit et ciblé donne souvent une meilleure impression, même si le prompt géant pourrait techniquement fonctionner.
Une liste rapide pour un retour à la réalité
- Une fenêtre plus grande ne rend pas le modèle plus intelligent, seulement mieux informé.
- Un texte sans rapport n’est pas gratuit. Il coûte de l’argent, ajoute de la latence et peut distraire.
- Les entrées longues augmentent les risques de déclarations contradictoires, et le modèle en retiendra parfois une en silence.
- Demandez toujours des citations sous forme d’extraits entre guillemets afin de pouvoir vérifier.
Les travaux sur de longs documents qui conviennent
Certaines tâches correspondent naturellement à une fenêtre d’un million de tokens, parce que la réponse dépend de la vision de l’ensemble à la fois.
Contrats et dossiers juridiques

Dans le travail juridique, ce sont les renvois d’une partie à l’autre qui comptent avant tout. Une clause de résiliation en page 12 peut être écartée par un avenant en page 211. Avec tout le contenu dans un seul prompt, vous pouvez demander au modèle de repérer les contradictions, de lister les obligations par partie ou d’établir une chronologie des échéances. Considérez le résultat comme une première passe pour un professionnel qualifié, et non comme un avis juridique.
Une bonne structure de prompt ressemble à ceci :
- Énoncez le rôle et l’objectif en deux phrases.
- Collez les documents, chacun encadré d’un libellé clair, comme un nom de document et une date.
- Demandez un format de sortie précis, par exemple un tableau des clauses avec les références de page.
- Exigez des citations directes pour chaque affirmation.
Rapports financiers

Les dépôts annuels, les transcriptions de conférences de résultats et les présentations aux investisseurs peuvent s’étendre sur des centaines de pages. Charger plusieurs années de rapports en une fois permet de poser des questions sur les tendances : comment le vocabulaire du risque a évolué, quelles marges par segment ont diminué, où le discours de la direction est devenu plus prudent. Les tableaux consomment beaucoup de tokens ; convertissez-les donc en texte brut propre ou en CSV avant l’envoi, et vérifiez systématiquement chaque chiffre produit par le modèle par rapport à la source.
Codebases et documentation technique

Un dépôt de taille moyenne peut tenir en quelques centaines de milliers de tokens. C’est suffisant pour que le modèle suive un bogue à travers plusieurs modules, propose une refactorisation qui respecte la nomenclature existante ou rédige une documentation conforme au comportement réel. Incluez d’abord l’arborescence des répertoires, puis les fichiers les plus importants, et laissez de côté les fichiers de verrouillage, les bundles générés et les dépendances vendorisées. Ils ajoutent des tokens sans rien apporter.
Articles de recherche et littérature
Plutôt que de résumer les articles un par un, chargez-en vingt et demandez les désaccords. Quelles études ont utilisé des tailles d’échantillon différentes ? Lesquelles ont rapporté des sens d’effet contradictoires ? La comparaison entre documents est l’endroit où le long contexte se rentabilise.
Quand découper plutôt

Une fenêtre immense ne rend pas le découpage obsolète. De nombreuses tâches sont moins chères, plus rapides et plus précises lorsque vous décomposez la matière.
Découper pour les tâches répétées
Si vous devez appliquer la même opération à de nombreux éléments indépendants, comme extraire la date de renouvellement de 400 baux distincts, envoyez-les un par un. Chaque appel est petit, peu coûteux et facile à vérifier, et une erreur sur un bail ne contamine pas les autres. C’est aussi là que la tarification par lots brille.
La recherche pour les bibliothèques immenses
Lorsque votre bibliothèque atteint dix millions de tokens, elle ne tient de toute façon pas. Un système de recherche indexe les documents, extrait uniquement les passages pertinents pour une question et les envoie au modèle. Vous payez quelques milliers de tokens par question plutôt que des centaines de milliers, et le modèle a moins de bruit à trier.
Un tableau de décision simple
| Situation | Approche la mieux adaptée |
|---|
| Une question nécessite des faits répartis dans tout le fichier | Prompt long unique |
| De nombreuses questions sur le même fichier | Prompt long avec cache |
| La même tâche sur des centaines de fichiers distincts | Découpage et traitement par lots |
| Bibliothèque bien plus grande que la fenêtre | Recherche |
| La sortie doit dépasser le plafond de sortie | Génération section par section |
Bonnes habitudes de prompt pour les grandes entrées

Comme un classeur à intercalaires, un long prompt fonctionne mieux lorsqu’il est facile de s’y repérer.
Étiquetez tout
Encadrez chaque document d’une balise claire avec un nom, une date et une source. Lorsque vous demanderez plus tard « que dit l’avenant de 2024 sur la responsabilité », le modèle aura quelque chose de concret à confronter.
Placez la question en dernier
Placez les instructions de la tâche après les documents, ou répétez-les aux deux extrémités. Beaucoup d’utilisateurs constatent que reformuler la question à la fin d’un prompt très long améliore la concentration.
Demandez des preuves
Exigez des citations directes accompagnées des noms de documents. Si le modèle ne peut pas citer un passage, c’est probablement qu’il ne l’a pas trouvé. Cette seule habitude permet de repérer la plupart des détails inventés par hallucination.
Nettoyez avant d’envoyer
Retirez les signatures d’e-mails, les en-têtes répétés, les numéros de page et les formules juridiques standard que vous avez déjà examinées. Moins de tokens signifie moins de coûts et moins de distractions.
Obtenir des résultats similaires sur PicassoIA
GPT 5.5 n’est pas encore disponible sur PicassoIA. Pour un travail similaire sur de longs documents dès aujourd’hui, essayez GPT 5.6 Sol, conçu pour les tâches exigeantes de code et de raisonnement. Parmi les autres options solides de la même catégorie figurent Gemini 3.1 Pro, Claude Sonnet 5 et Gemini 3.5 Flash, lorsque vous voulez des réponses plus rapides pour des travaux plus légers.
Chaque modèle a sa propre taille de fenêtre et ses propres limites ; consultez donc la page du modèle avant de coller quelque chose d’énorme.
Étapes avec GPT 5.6 Sol
- Ouvrez la page de GPT 5.6 Sol sur PicassoIA.
- Rédigez d’abord votre instruction : le rôle, l’objectif et le format de sortie souhaité.
- Collez votre document en dessous, avec un libellé clair comme le nom du fichier et la date.
- Terminez par la question exacte, et demandez des preuves citées pour chaque affirmation.
- Relisez la réponse, puis poursuivez dans le même chat pour affiner les détails au lieu de renvoyer le document entier.
Conseils sur les paramètres et les prompts
- Commencez petit. Testez le prompt sur un chapitre ou un seul contrat avant d’envoyer le fichier complet.
- Définissez le format. Demandez un tableau, un résumé à puces ou du JSON pour que la sortie soit facile à vérifier.
- Découpez les grandes réécritures. Si vous voulez réécrire un long document, faites une section par requête.
- Changez de modèle selon la tâche. Utilisez Gemini 3.5 Flash pour un tri rapide de nombreux fichiers, puis envoyez les plus importants à Gemini 3.1 Pro ou Claude Sonnet 5 pour une lecture plus approfondie.
💡 Astuce : Comparez deux modèles sur le même extrait. S’ils s’accordent et citent tous deux le même passage, votre confiance augmente. S’ils divergent, vous avez identifié la partie qui mérite d’être lue par vous-même.
Mettre le long contexte au service de vos projets

La fenêtre de contexte de GPT 5.5 est assez grande pour contenir une série de livres, une année de dépôts ou une codebase de taille moyenne, et la tarification récompense ceux qui planifient. Gardez les prompts sous la limite de 272 000 tokens lorsque c’est possible, mettez en cache tout ce que vous réutiliserez, traitez par lots ce qui peut attendre, et découpez le travail qui n’a pas besoin d’être vu d’un seul coup. Surtout, demandez des preuves, car une grande fenêtre rend facile de se sentir sûr de réponses qui méritent une vérification rapide.
La même habitude de fournir à un modèle un contexte riche et bien organisé porte aussi ses fruits pour la création visuelle. Des prompts détaillés produisent de meilleures images, et PicassoIA réunit des modèles de texte, d’image et de vidéo au même endroit, afin que vous puissiez rédiger le texte avec un modèle de langage, puis créer les images qui l’accompagnent. Choisissez un modèle, rédigez un prompt long et précis, et constatez à quel point un bon brief change le résultat. Parcourez tout ce qui est proposé sur picassoia.com/en/all-models et commencez dès aujourd’hui à créer vos propres images.