Publié le 19 novembre 2026. Réponse courte. Changer de fournisseur LLM coûte cher quand vos usages sont soudés à un seul modèle : des prompts réglés pour lui, des documents indexés chez lui, des agents construits avec ses outils, un contrat et des données qui restent de son côté. Pour préparer la bascule, recensez ces points de dépendance, testez le nouveau modèle sur vos vraies questions, puis basculez usage par usage. Une plateforme multi-LLM réduit une partie de cette dépendance (l’outil, la base, les habitudes), mais pas toute : les prompts doivent toujours être retestés.
Un LLM (grand modèle de langage) est le moteur d’un assistant IA : GPT pour ChatGPT, Claude chez Anthropic, Gemini chez Google, Mistral. Beaucoup d’organisations ont démarré avec un seul de ces fournisseurs, souvent par commodité. Le jour où les prix augmentent, où les conditions d’utilisation changent ou où un concurrent devient meilleur sur vos tâches, la question se pose : peut-on partir sans tout reconstruire ? Ce guide s’adresse aux DSI, aux référents IA et aux responsables métier. Il traduit en termes concrets ce qui vous lie à un fournisseur, et propose une méthode pour changer de modèle sans casser vos usages.
Pourquoi changer de modèle devient difficile
Au début, changer de fournisseur d’IA semble simple : on ouvre un autre outil et on pose les mêmes questions. Les difficultés apparaissent quand l’IA est entrée dans les processus. Les équipes ont appris à formuler leurs demandes pour un modèle précis. Des documents ont été chargés dans un espace propre à l’éditeur. Des assistants personnalisés ont été configurés. Les budgets ont été calés sur une grille de prix. Chacun de ces éléments est un point de couplage, et chacun a un coût de sortie.
Ce coût est rarement visible tant qu’on ne cherche pas à partir. C’est pour cela qu’il vaut mieux le mesurer à froid, avant d’y être contraint par une hausse de tarif ou un changement de politique de confidentialité. Notre test rapide de dépendance aux IA donne un premier ordre de grandeur.
Les points de dépendance à recenser
Voici les sept points de couplage à passer en revue, du plus visible au plus discret.
| Point de dépendance | Ce qui vous lie | Ce qu’il faut faire en cas de changement |
|---|---|---|
| Les prompts | Vos consignes et modèles de demandes ont été ajustés au style d’un modèle. | Les retester un par un : la plupart fonctionnent, certains donnent des réponses plus longues, plus courtes ou moins bien structurées. |
| Les documents indexés | Vos fichiers ont été chargés et découpés dans l’espace de l’éditeur, puis transformés en index (embeddings) par son propre modèle. | Les recharger ailleurs et reconstruire l’index si le modèle d’embedding change. |
| Les agents et assistants | Assistants personnalisés, actions, connecteurs : ils sont construits avec les outils d’un éditeur. | Les reconfigurer, parfois les reconstruire entièrement. |
| Les habitudes | Les équipes connaissent une interface et ses raccourcis. | Prévoir une courte prise en main et des exemples d’usage. |
| Les quotas et la facturation | Abonnement par personne, crédits, limites d’usage : votre budget est calé sur une grille. | Recalculer le coût sur le volume réel, pas sur le prix affiché. |
| Le contrat | Durée d’engagement, préavis, conditions de résiliation. | Vérifier les dates avant d’annoncer quoi que ce soit en interne. |
| Les données | Historique des conversations, fichiers, journaux conservés chez l’éditeur. | Exporter ce qui doit l’être, puis demander la suppression du reste. |
Les développeurs ajoutent d’autres couplages, plus techniques : format des appels d’outils, découpage du texte en tokens, limites de débit de l’API, modèles affinés (fine-tuning). Ils comptent si vous avez bâti une application sur l’API d’un éditeur. Pour un usage métier, les sept points ci-dessus couvrent l’essentiel.
Le cas particulier des documents indexés
C’est le point le plus mal compris. Pour qu’une IA réponde à partir de vos documents, ceux-ci sont découpés en passages, puis convertis en représentations numériques par un modèle dit d’embedding : c’est l’index vectoriel, au cœur de la technique du RAG. Le modèle qui rédige la réponse (le modèle de génération) est un autre modèle. Si vous changez seulement de modèle de génération, l’index peut rester tel quel. Si le modèle d’embedding change, il faut réindexer. Et si vos documents sont stockés dans l’espace d’un éditeur, il faut d’abord les en sortir. Notre page RAG vectoriel et LLM Wiki détaille ce fonctionnement.
Préparer la bascule en 5 étapes
1. Faire l’inventaire des usages
Listez qui utilise l’IA, pour quelles tâches, avec quels prompts, quels documents et quels assistants. Classez chaque usage selon son importance : un résumé de réunion ne se traite pas comme une réponse envoyée à un client.
2. Constituer un jeu de test
Réunissez 20 à 50 vraies questions par usage important, avec la réponse attendue ou les critères d’une bonne réponse. C’est votre référence : sans elle, la comparaison se fera à l’impression.
3. Comparer les modèles sur le même corpus
Posez les mêmes questions, sur les mêmes documents, à l’ancien et au nouveau modèle. Notez la justesse, le respect des consignes, la citation des sources, le temps de réponse et le coût. Ajustez les prompts qui se dégradent, puis refaites le test.
4. Vérifier le contrat et les données
Avant de basculer, contrôlez chez le nouveau fournisseur la durée de conservation des données, l’absence d’entraînement des modèles sur vos contenus, le lieu de traitement et les sous-traitants, ainsi que les possibilités d’export et de suppression. Chez l’ancien, vérifiez le préavis et récupérez ce qui doit l’être. Pour les données personnelles, le RGPD impose de savoir où elles sont traitées : notre page contrôle et sécurité liste les questions à poser.
5. Basculer progressivement
Commencez par un usage peu risqué, mesurez pendant deux à quatre semaines, puis élargissez. Gardez l’ancien modèle disponible le temps de la transition, et désignez une personne chargée de suivre les retours : c’est souvent le rôle du référent IA.
Ce qu’une plateforme multi-LLM règle, et ce qu’elle ne règle pas
Une plateforme multi-LLM met plusieurs modèles dans le même outil. Chez Narrathèque, vous pouvez changer de modèle dans une même conversation, et vos bases de connaissances ne dépendent pas du modèle de génération choisi : passer de Claude à Mistral, ou à un modèle local, ne demande pas de reconstruire la base.
- Ce qu’elle règle : l’outil et les habitudes restent les mêmes, vos documents restent à leur place, et le changement de modèle devient un réglage plutôt qu’un projet. Comparer deux modèles sur vos propres questions devient aussi un geste quotidien.
- Ce qu’elle ne règle pas : les prompts doivent toujours être retestés, car deux modèles ne réagissent pas de la même façon à la même consigne. Et vous dépendez alors de la plateforme elle-même : posez-lui les mêmes questions qu’à un éditeur de modèle (contrat, données, hébergement, export).
Une couche d’abstraction déplace donc une partie de la dépendance, elle ne la supprime pas. L’objectif réaliste est de pouvoir changer de modèle en quelques jours plutôt qu’en quelques mois. Pour découvrir l’approche, voir notre page abonnement multi-IA.
En résumé
Changer de fournisseur LLM est rarement un problème technique isolé. C’est un inventaire : prompts, documents, agents, habitudes, budget, contrat et données. Faites-le avant d’en avoir besoin, gardez un jeu de questions de test, et séparez vos connaissances du modèle qui les exploite. C’est la meilleure assurance contre une hausse de prix ou un changement de conditions.
Vos questions sur le changement de fournisseur d’IA.
Faut-il réindexer ses documents quand on change de modèle ?
Oui si le modèle d’embedding, celui qui transforme vos documents en index, change. Pas forcément si seul le modèle de génération, celui qui rédige la réponse, change. Chez Narrathèque, les bases de connaissances ne dépendent pas du modèle de génération : changer de modèle ne demande pas de reconstruire la base.
Un prompt écrit pour ChatGPT fonctionne-t-il avec Claude ?
En général oui, mais pas à l’identique. Chaque modèle réagit différemment à la longueur, au ton et à la structure des consignes. Retestez vos prompts importants sur un jeu de questions de référence et ajustez ceux dont les réponses se dégradent.
Comment éviter la dépendance à un seul fournisseur d’IA ?
Séparez vos connaissances du modèle qui les exploite, gardez un jeu de questions de test, vérifiez les clauses d’export et de suppression des données, et utilisez un outil qui permet de changer de modèle sans changer d’interface, comme une plateforme multi-LLM.
Une plateforme multi-LLM supprime-t-elle toute dépendance ?
Non. Elle évite de changer d’outil, de base et d’habitudes à chaque changement de modèle, mais les prompts doivent toujours être retestés, et vous dépendez alors de la plateforme elle-même : posez-lui les mêmes questions de contrat, d’hébergement et d’export qu’à un éditeur de modèle.
Combien de temps prend un changement de fournisseur LLM ?
Quelques jours pour un usage simple quand les documents et l’outil restent en place, plusieurs semaines quand il faut exporter les données, reconstruire l’index et reconfigurer des assistants. Le jeu de test et la bascule progressive sont ce qui fait gagner le plus de temps.
Changez de modèle
sans changer d’outil.
Vos bases de connaissances restent en place ; vous choisissez le modèle selon la tâche.

