Aller au contenu
EN 4 QUESTIONSTrouver mon modèle
Choisir · guide amateur · 10 min de lecture

Quel effort de réflexion choisir pour une IA, et quand

Monter l'effort de réflexion rend un modèle plus juste sur les problèmes durs, mais plus lent et plus cher, et le gain plafonne. Voici quel niveau choisir selon la tâche, et où le régler.

Illustration du thème Choisir

La plupart des grands modèles réfléchissent avant de répondre : ils écrivent un brouillon caché, puis la réponse. Le niveau d’effort règle la longueur de ce brouillon. Un effort trop haut peut vous faire attendre longtemps une réponse qu’un effort faible aurait donnée en quelques secondes, et vous la faire payer bien plus cher.

Même question, trois efforts : plus l'effort monte, plus le modèle écrit de jetons de réflexion et plus vous attendez. La qualité monte aussi, puis plafonne, alors que la facture continue de grimper.

Comment ça marche

Avant de répondre, le modèle produit des jetons de réflexion : il pose le problème, essaie, vérifie. Ces jetons restent cachés, mais ils occupent la fenêtre de contexte et se paient au prix des jetons de sortie, chez OpenAI comme chez Google.

L’effort dit au modèle combien réfléchir. Anthropic propose cinq niveaux (low, medium, high, xhigh, max), OpenAI des niveaux qui dépendent du modèle, de none à max, Google des niveaux de minimal à xhigh selon le modèle. L’effort n’est pas un budget strict. Anthropic le décrit comme un signal : même à effort faible, Claude réfléchit sur un problème assez difficile, seulement moins longtemps.

Les modèles récents de Claude réfléchissent de façon adaptative : ils décident eux-mêmes s’il faut réfléchir et combien, selon l’effort fixé. À effort bas, Claude peut sauter la réflexion pour une question simple. Certains modèles anciens se réglaient par un budget de jetons de réflexion ; c’est encore le cas de Claude Opus 4.5, avec son paramètre budget_tokens.

Ce que l’effort change, mesuré

Artificial Analysis mesure certains modèles à plusieurs niveaux d’effort : leur indice, le délai avant le premier jeton et le coût d’une tâche, réglage par réglage. QUELLE IA montre ces mesures, à part du score, dans le bloc Artificial Analysis de la fiche de chaque modèle concerné, avec la source et la date du relevé. La fiche de Claude Fable 5.1 les donne pour ses cinq réglages, celle de Gemini 4 Carbon pour les siens.

Sur ces fiches, les réglages vont du plus léger au plus fort, et une ligne calculée sous le tableau donne l’écart entre les deux extrêmes : les points d’indice en plus et le rapport des coûts d’une tâche. Les fiches de Claude Opus 5.5, de GPT-6.2 Sol et de Gemini 4 Neon montrent quatre ou cinq niveaux mesurés, avec le réglage par défaut de l’API quand Artificial Analysis le signale.

Ces mesures montrent trois effets :

  • La qualité monte, puis plafonne. L’indice progresse nettement entre les premiers niveaux et les niveaux élevés. Au-delà, il gagne peu, et il peut même reculer au niveau maximal.
  • L’attente s’allonge beaucoup. Le délai avant le premier jeton grandit à chaque cran, bien plus vite que la qualité.
  • La facture grimpe. Le prix par million de jetons ne change pas d’un réglage à l’autre. Le modèle écrit plus de jetons de réflexion, et le coût d’une tâche monte avec l’effort.

Un effort plus bas ne coûte pas toujours moins cher : il arrive qu’un réglage moyen revienne moins cher qu’un réglage faible pour la même tâche, et la mesure ne dit pas pourquoi. Comparez les réglages sur la fiche du modèle avant de trancher.

Les éditeurs disent la même chose dans leur documentation. Pour Claude Fable 5.2, Anthropic écrit que l’essentiel du gain est déjà acquis en high, et qu’en max le modèle est plus lent et plus cher qu’en xhigh, « souvent pour un petit gain ». OpenAI réserve xhigh aux cas où vos propres essais montrent un bénéfice net qui justifie l’attente et le coût.

Dans une appli grand public, l’effort se paie en quota. Google prévient que les niveaux de raisonnement élevés consomment davantage les limites de votre forfait ; une fois la limite atteinte, la conversation continue avec Flash-Lite, son plus petit modèle.

Quel effort pour quelle tâche

Tâche Effort conseillé Pourquoi
Question simple, définition, traduction courte Faible Rien à raisonner : la réponse arrive vite et coûte peu.
Rédiger ou reformuler un texte Faible ou moyen L’effort change peu la longueur ni le ton ; demandez-les dans votre consigne.
Résumer un document Faible, moyen pour un long document Croiser plusieurs passages demande un peu de réflexion.
Extraire, classer, remplir un tableau Faible Anthropic signale qu’un effort maximal peut faire trop réfléchir sur des sorties structurées.
Petite modification de code Moyen Le bon équilibre conseillé par Anthropic pour le code d’agent bien cadré.
Bug difficile, maths, logique Élevé Les problèmes à étapes profitent le plus de la réflexion.
Agent qui travaille seul plus de 30 minutes Élevé ou très élevé (xhigh) Anthropic conseille xhigh pour les longues tâches de code et d’agent.
Mesurer le plafond d’un modèle Maximal Rarement utile au quotidien : lent, cher, gain faible.

Quand monter d’un cran. La réponse est superficielle, saute une étape ou se trompe sur un problème à plusieurs étapes. Anthropic conseille alors de relever l’effort plutôt que de contourner le problème par la consigne. À effort faible, dans un long travail d’agent, Claude Haiku 5.5 risque davantage de sauter une recherche, de s’arrêter trop tôt ou d’oublier une vérification.

Quand descendre d’un cran. La tâche réussit mais prend plus de temps que nécessaire, ou vous travaillez en aller-retour rapide avec le modèle. Anthropic recommande de baisser l’effort dans ces deux cas.

Quand l’effort élevé fait pire. Sur une tâche simple, vous attendez pour rien. Sur une sortie structurée, le modèle peut trop réfléchir, selon Anthropic. Et par l’API, la réflexion compte dans le plafond max_tokens : Anthropic demande de le prévoir large dès high, sinon la réponse risque d’être coupée.

Le régler dans les applis

Claude (claude.ai et applis)

  1. Cliquez sur le nom du modèle, à côté du bouton d’envoi.
  2. Cliquez sur Effort, puis choisissez un niveau : Low, Medium, High, Extra high (sur Opus 4.7 et plus récents) ou Max. Le niveau par défaut de chaque modèle porte la mention « Default ».
  3. Pour la réflexion, survolez Effort et basculez l’interrupteur Thinking (ou Extended selon le modèle).

La réflexion ne se coupe pas sur Claude Fable 5.2, Fable 5.1, Opus 5.5, Opus 5, Sonnet 5.5 et Haiku 5.5 : seul l’effort se règle.

Gemini

Le choix manuel demande un forfait Google AI.

  1. En bas de la fenêtre de discussion, appuyez sur le modèle sélectionné.
  2. Appuyez sur le modèle voulu.
  3. Si vous le souhaitez, choisissez le niveau de raisonnement : Faible, Moyen ou Élevé. Sans choix de votre part, Gemini reste en Faible.

Vibe, ex-Le Chat (Mistral)

  1. Ouvrez l’onglet Chat.
  2. Choisissez le mode Think, à droite de la fenêtre de discussion (le mode par défaut est Fast). Il reste actif tant que vous ne changez pas de mode.

Mistral présente ce mode comme hérité de l’ancien Chat : dans Vibe Work, le modèle raisonne étape par étape de lui-même quand la tâche l’exige.

ChatGPT et Grok

Les pages d’aide d’OpenAI refusent les lecteurs automatiques, et nous n’avons pas relu de page officielle de Grok sur ce réglage le 17 novembre 2026. Nous ne décrivons donc pas leurs menus ici.

Le régler dans les agents de code

Claude Code

Dans une session, la commande /effort ouvre un curseur ; /effort high fixe directement le niveau, /effort auto revient au niveau par défaut. Dans /model, les flèches gauche et droite règlent aussi l’effort. Pour une seule session, lancez :

claude --effort high

Pour un réglage durable, la clé effortLevel des réglages accepte low, medium, high ou xhigh (max n’y est pas accepté), et la variable d’environnement CLAUDE_CODE_EFFORT_LEVEL fait de même. Claude Fable 5.2, Opus 5.5, Sonnet 5.5 et Haiku 5.5 partent en medium par défaut.

Codex

Dans une session, la commande /model choisit le modèle et son effort :

/model --reasoning=high

Pour un réglage durable, ajoutez la clé model_reasoning_effort dans ~/.codex/config.toml :

model_reasoning_effort = "high"

Les niveaux possibles dépendent du modèle : low, medium, high, xhigh, max ou ultra.

Gemini CLI

La documentation des réglages de Gemini CLI, relue le 17 novembre 2026, ne propose aucun réglage d’effort de réflexion ; seul l’affichage de la réflexion se règle (ui.inlineThinkingMode, dans ~/.gemini/settings.json).

Le régler par l’API

Chez OpenAI, l’effort passe par le champ reasoning de l’API Responses :

from openai import OpenAI

client = OpenAI()
response = client.responses.create(
    model="gpt-6.2-astra",
    reasoning={"effort": "low"},
    input="Résume ce contrat en cinq points.",
)

Chez Anthropic, par output_config.effort :

import anthropic

client = anthropic.Anthropic()
response = client.messages.create(
    model="claude-opus-5-5",
    max_tokens=4096,
    messages=[{"role": "user", "content": "Trouve le bug dans ce code."}],
    output_config={"effort": "medium"},
)

Chez Google, par thinking_level dans la configuration de génération :

generation_config={
    "thinking_level": "low"
}

Bon à savoir. Anthropic et OpenAI le répètent dans leur documentation : le bon niveau se mesure sur vos propres tâches. Lancez la même demande à deux niveaux, comparez la réponse, l’attente et le coût, puis gardez le plus bas qui donne satisfaction.

Pour aller plus loin

Pour monter son atelier d'IA à la maison, mini lab AI, du même auteur, va plus loin.

Tous les guides →

Sources

  1. platform.claude.com, lue le
  2. developers.openai.com, lue le
  3. aistudio.google.com, lue le
  4. support.claude.com, lue le
  5. support.google.com, lue le
  6. docs.mistral.ai, lue le
  7. code.claude.com, lue le
  8. learn.chatgpt.com, lue le
  9. learn.chatgpt.com, lue le
  10. geminicli.com, lue le