Ubby fournit un accès à une sélection soigneusement organisée de modèles IA qui ont été testés et optimisés pour les workflows agentiques. Tous les modèles IA ne fonctionnent pas bien dans des scénarios d'agents autonomes—certains excellent dans les interactions conversationnelles mais ont du mal avec l'utilisation d'outils, le raisonnement complexe multi-étapes, ou l'exécution fiable de tâches structurées. Les modèles disponibles dans Ubby représentent ceux qui performent le mieux pour construire et exécuter des agents autonomes.

Cette approche organisée signifie que vous pouvez avoir confiance que n'importe quel modèle que vous sélectionnez a été validé pour des cas d'usage agentiques. Vous choisissez parmi des modèles qui fonctionnent tous bien avec des agents ; la question est de savoir lequel correspond le mieux à vos exigences de tâches spécifiques et à votre budget.

Les modèles disponibles couvrent plusieurs grandes familles :

Chaque famille de modèles apporte des forces différentes. Votre travail n'est pas de trouver le "meilleur" modèle unique mais de faire correspondre les modèles aux tâches en fonction de vos exigences spécifiques.

Lors de l'évaluation des modèles IA, plusieurs caractéristiques clés déterminent leur adéquation pour différentes tâches.

Certains modèles démontrent une capacité de raisonnement supérieure, gérant mieux les problèmes complexes multi-étapes, l'analyse nuancée, et la prise de décision sophistiquée que d'autres. Ces modèles coûtent typiquement plus de crédits par token mais délivrent des sorties de qualité supérieure pour les tâches exigeantes.

Claude Sonnet-4, par exemple, excelle dans les tâches nécessitant une compréhension profonde, un raisonnement soigné, et des réponses nuancées. Si votre agent doit analyser des situations métier complexes, fournir des conseils stratégiques, ou gérer des instructions ambiguës, un modèle à haute intelligence justifie son coût plus élevé.

Les modèles plus légers peuvent avoir du mal avec un raisonnement vraiment complexe mais gèrent parfaitement bien les tâches simples. Utiliser un modèle coûteux à haute intelligence pour des tâches simples gaspille des crédits sans ajouter de valeur.

Différents modèles traitent les requêtes à différentes vitesses. Certains retournent des réponses en secondes, tandis que d'autres prennent plus de temps. Pour les agents qui doivent répondre rapidement—comme les bots de service client ou les assistants en temps réel—la vitesse compte significativement.

Généralement, les modèles plus petits traitent plus rapidement que les plus grands. Un modèle comme GPT-5-nano délivre des réponses beaucoup plus rapidement que GPT-5, bien qu'avec une capacité réduite. Considérez si votre cas d'usage priorise la vitesse sur l'intelligence maximale.

Dans les workflows automatisés où les agents s'exécutent de manière asynchrone sans humain attendant, la vitesse compte moins. Un rapport mensuel qui prend 30 secondes versus 10 secondes à générer fait peu de différence pratique. Mais un agent interactif où les utilisateurs s'attendent à des réponses immédiates a besoin de modèles plus rapides.

La fenêtre de contexte détermine combien d'information un modèle peut considérer à la fois. Cela inclut votre prompt, tout document ou donnée fourni, les instructions de l'agent, et l'historique de conversation.

Les modèles avec des fenêtres de contexte plus grandes peuvent gérer des documents plus longs, maintenir plus d'historique de conversation, ou travailler avec des informations de fond extensives. Si vos agents traitent régulièrement de gros documents ou ont besoin de référencer un contexte substantiel, la taille de la fenêtre de contexte devient un facteur de sélection critique.

Cependant, les fenêtres de contexte plus grandes consomment plus de tokens et donc plus de crédits quand pleinement utilisées. Ne choisissez pas par défaut des modèles à contexte maximum si vos tâches ont rarement besoin d'un contexte étendu.

Certains modèles offrent des capacités spécialisées qui les rendent particulièrement adaptés à certaines tâches :

Faites correspondre les modèles spécialisés aux tâches qui bénéficient de leurs forces particulières.

Chaque modèle a des coûts de crédits différents par million de tokens, et ces coûts varient entre les tokens d'entrée (traitement) et de sortie (génération). Comprendre ces coûts vous aide à optimiser votre utilisation de crédits.

Au haut de gamme, les modèles phares comme Claude Sonnet-4 coûtent 4 500 crédits par 1M de tokens d'entrée et 22 500 par 1M de tokens de sortie. Ces prix premium reflètent une capacité exceptionnelle et devraient être réservés aux tâches qui bénéficient véritablement de performances de premier ordre.

Les modèles de milieu de gamme comme GPT-4.1 (3 000 entrée / 12 000 sortie) ou DeepSeek-Chat (750 entrée / 1 500 sortie) offrent une performance forte à des coûts plus modérés. Ces modèles gèrent bien la plupart des tâches métier et représentent une bonne valeur pour les opérations d'agents routinières.

À l'extrémité efficace, les modèles comme GPT-5-nano (75 entrée / 600 sortie) ou GPT-OSS-20b (60 entrée / 225 sortie) fournissent une capacité basique à une consommation minimale de crédits. Bien que non adaptés au raisonnement complexe, ils excellent dans les tâches simples où les exigences d'intelligence sont modestes.

Les modèles plus coûteux délivrent une meilleure performance, mais la relation n'est pas linéaire. Un modèle coûtant 10x plus ne performe pas nécessairement 10x mieux—l'amélioration pourrait être de 2x ou 3x pour la plupart des tâches.

Cela crée des opportunités d'optimisation. Pour de nombreuses tâches routinières, un modèle de milieu de gamme délivre 80-90% de la qualité d'un modèle phare à 30-50% du coût. L'écart de performance compte plus pour certaines tâches que d'autres.

Considérez ce que "suffisamment bon" signifie pour chaque tâche. Un rapport exécutif mensuel peut justifier des coûts de modèle premium pour une qualité maximale. Une tâche d'extraction de données routinière qui produit une sortie structurée peut fonctionner parfaitement bien avec un modèle de milieu de gamme efficace.

Pour comprendre les vrais coûts, calculez la consommation de crédits attendue par exécution de tâche :

Exemple 1 - Tâche d'analyse complexe :

Exemple 2 - Même tâche avec DeepSeek-Chat :

Le modèle moins cher économise ~138 crédits par exécution (économies de 87%). Si ce compromis a du sens dépend de si la différence de qualité compte pour votre cas d'usage.

Une sélection de modèles efficace implique de faire correspondre systématiquement les caractéristiques des modèles aux exigences des tâches.

Classifiez vos tâches en catégories basées sur leur complexité et exigences :

Cette classification guide vos choix de modèles par défaut, bien que vous devriez valider avec des tests.

Créez une matrice simple pour guider la sélection de modèles :

Exigences spécialisées → Modèles spécialisés Quand les tâches ont des exigences spécifiques (code, multimodal, etc.), les modèles spécialisés surpassent les alternatives généralistes indépendamment du coût.

Ne présumez pas de la sélection de modèles. Testez vos hypothèses avec de vraies tâches :

Validez à travers plusieurs exemples, pas juste un. Un modèle pourrait gérer un exemple bien mais avoir du mal avec d'autres qui ont des caractéristiques différentes.

Certains patterns émergent à travers les déploiements Ubby réussis pour différents types d'agents.

Pour l'analyse de documents complexes (contrats, documents techniques, contenu nuancé) :

Pour l'extraction simple (extraire des champs de données, catégoriser, résumer) :

Pour la classification simple de documents :

Pour le contenu orienté client (rapports, propositions, communications) :

Pour la documentation interne :

Pour le contenu basé sur des templates (remplir des formulaires, lettres standard) :

Pour le raisonnement analytique complexe :

Pour les métriques et reporting routiniers :

Pour l'extraction et la transformation de données :

Pour les conversations de conseil sophistiquées :

Pour le service et support client :

Pour les FAQ simples et le routage :

Les utilisateurs avancés emploient souvent plusieurs modèles au sein du même workflow, exploitant les forces de chaque modèle.

Utilisez un modèle efficace pour le traitement initial et un modèle premium pour les cas complexes :

Cette approche par niveaux garantit que les modèles coûteux ne traitent que les tâches qui en ont véritablement besoin, tandis que les tâches routinières sont gérées efficacement à faible coût.

Pour les tâches nécessitant plusieurs perspectives ou approches, exécutez des processus parallèles avec différents modèles, puis synthétisez les résultats :

Configurez les agents avec une logique de repli : essayez d'abord un modèle efficace, et s'il échoue ou produit des résultats inadéquats, réessayez automatiquement avec un modèle plus capable.

Ce pattern optimise les coûts tout en maintenant la fiabilité. La plupart des exécutions réussissent avec le modèle efficace, mais les cas difficiles s'escaladent automatiquement vers des modèles plus capables (et coûteux).

Suivez comment les différents modèles performent dans vos cas d'usage spécifiques pour affiner la sélection au fil du temps.

Vos logs d'utilisation Ubby montrent quels modèles ont consommé combien de crédits au fil du temps. Révisez ces données mensuellement pour comprendre votre distribution de coûts de modèles :

Pour les agents critiques, suivez les métriques de qualité en plus des coûts :

Si un modèle moins cher nécessite une correction humaine fréquente, ses économies de coûts nominales pourraient être illusoires une fois que vous comptez le temps humain passé à corriger les erreurs.

La sélection de modèles ne devrait pas être statique. À mesure que de nouveaux modèles deviennent disponibles, que vos tâches évoluent, et que vous gagnez de l'expérience avec différents modèles, affinez continuellement vos choix :

Le paysage des modèles IA évolue rapidement. Concevez votre architecture d'agents pour s'adapter facilement à mesure que de nouveaux modèles émergent.

Plutôt que de hard-coder des modèles spécifiques dans vos agents, utilisez une configuration qui peut être facilement mise à jour. Quand un nouveau modèle meilleur devient disponible, vous pouvez changer avec un effort minimal.

Certaines organisations maintiennent des "tiers" de modèles (premium, standard, efficace) et assignent les agents aux tiers plutôt qu'à des modèles spécifiques. Quand un meilleur modèle rejoint un tier, tous les agents de ce tier en bénéficient automatiquement.

Les fournisseurs d'IA sortent régulièrement des modèles améliorés avec une meilleure performance, des coûts plus bas, ou de nouvelles capacités. Restez informé de ces sorties et évaluez si elles offrent des avantages pour vos cas d'usage.

Ubby ajoute de nouveaux modèles à la plateforme à mesure qu'ils deviennent disponibles. Quand vous voyez un nouveau modèle apparaître dans votre page de prix de modèles, investiguez s'il pourrait surpasser vos sélections actuelles.

Documentez quels modèles fonctionnent bien pour quelles tâches dans votre organisation. Cette connaissance aide les nouveaux membres de l'équipe à faire de bonnes sélections de modèles et prévient de tester à répétition les mêmes combinaisons modèle/tâche.

Partagez les apprentissages à travers votre équipe sur la performance des modèles. Quelqu'un pourrait découvrir qu'un modèle particulier excelle dans un type de tâche spécifique, connaissance qui bénéficie à tous.

Vous comprenez maintenant les différents modèles IA disponibles dans Ubby, leurs caractéristiques, et comment sélectionner le bon modèle pour chaque tâche. Cette connaissance vous permet d'optimiser à la fois la qualité du travail de vos agents et l'efficience de votre utilisation de crédits.

Dans le prochain article, nous explorerons les plans tarifaires et le système de facturation d'Ubby en détail, vous aidant à choisir le bon plan pour vos besoins et comprendre comment fonctionne la facturation.