Devenez propriétaire de votre inférence.
Un serveur NVIDIA B200 à 8 GPU, détenu au prorata par un groupe d'organisations, qui fait rouler GLM-5.2. Vous l'utilisez pour remplacer ~90 % de votre facture d'API et payer votre inférence beaucoup moins cher sur 10 ans et au-delà.
Pour les organisations qui dépensent 10–20 k$+/mois en API IA · part minimale d'un cinquième · hébergé et opéré au Canada.
Cinq organisations copropriétaires
Un serveur B200 à 8 GPU, détenu au prorata par 5 organisations — 1,0 M$ clé en main, soit 200 000 $ par siège. La capacité du serveur est de 37 PTU (unités de débit provisionné) vendables, et chaque siège en reçoit un nombre entier : 7 PTU à cinq copropriétaires, 4 PTU à neuf ; les PTU restants sont revendus au profit de la copropriété. Ce que ça donne en tokens par seconde dépend du mélange entrée/sortie — en sortie seule, un siège sur cinq tient environ 1 320 tok/s et un siège sur neuf 760 tok/s; en charge agentique (10 tokens lus par token écrit, 85 % en cache), environ 670 et 380 tok/s. Un agent IA de codage autonome (ex. Claude Code) qui génère du code en continu tient environ 50 tokens/seconde — soit 13 agents IA actifs par siège à cinq copropriétaires et 7 à neuf, en charge agentique.
Le calcul est celui du forfait syndiqué : la capacité du serveur vaut 37 PTU vendables (environ 41 au total, dont 10 % gardés en réserve pour les pointes), et chaque siège en reçoit un nombre entier. Ce qui change, c'est le poste le plus lourd. En syndication, le forfait porte le bail des GPU — 36 000 $ par mois. En copropriété, les GPU sont payés une fois; il ne reste que l'exploitation : colocation, administration système, réseau, observabilité, sécurité et relève, soit 7 600 $ par mois pour le serveur entier, soit environ 205 $ par PTU, contre 1 126 $ par PTU de coût du serveur en forfait syndiqué.
Ce montant ne dépend pas du volume consommé ni du mélange de tokens. Le débit de sortie qu'il achète, oui : les tokens d'entrée, en cache ou non, consomment aussi la capacité des PTU, et plus vos requêtes relisent de contexte, moins il reste de tokens de sortie par seconde à PTU égal.
| Charge | Débit de sortie, siège sur cinq | Débit de sortie, siège sur neuf | Équivalent en sortie |
|---|---|---|---|
| Sortie seule | 1 323 tok/s | 756 tok/s | 0,41 $ CAD/M |
| 10:1, 85 % en cache | 669 tok/s | 382 tok/s | 0,82 $ CAD/M |
| 30:1, 85 % en cache | 336 tok/s | 192 tok/s | 1,63 $ CAD/M |
| 20:1, 30 % en cache | 228 tok/s | 130 tok/s | 2,40 $ CAD/M |
Un PTU produit environ 189 tokens de sortie par seconde, ou traite 595 tokens d'entrée non cachés par seconde, ou 3 205 tokens d'entrée en cache; une requête consomme un mélange des trois. « 10:1 » signifie 10 tokens lus par token écrit. L'équivalent en sortie est le coût d'exploitation par PTU, 205 $ par mois, divisé par les tokens générés si le PTU roule 24 h sur 24, entrée comprise dans la charge ; les PTU qui ne sont pas attribués aux sièges, 2 à cinq copropriétaires et 1 à neuf, sont revendus au profit de la copropriété. Aucun plafond de contexte n'est à choisir : les requêtes sont acceptées jusqu'à 1M de tokens, et le trafic qui dépasse vos PTU passe en meilleur effort, sans garantie de débit.
Comparer en détails
Tous les tokens ne sont pas pareil. L'entrée (votre contexte) se lit en parallèle — le serveur en traite des centaines de milliers par seconde. La sortie se génère un token à la fois, et chaque token exige de relire le modèle au complet. Produire un token coûte réellement plusieurs fois plus cher que le lire — c'est pourquoi les fournisseurs à l'usage facturent la sortie de 3 à 5 fois plus cher que l'entrée.
En charge agentique, l'entrée domine : chaque appel relit tout l'historique — plusieurs milliers de tokens lus pour chaque millier généré. Anthropic facture l'entrée 3 $ US/M (~4,11 $ CAD) et Z.ai 1,40 $ US/M (~1,92 $ CAD) — soit 20 à 45× le coût réel. Facturée à l’usage, cette relecture est le poste le plus payant des fournisseurs à l'usage.
| Anthropic (Sonnet)* | Z.ai (GLM 5.2)* | Alibaba Cloud (GLM 5.2)* | Votre serveur (GLM 5.2) | |
|---|---|---|---|---|
| Entrée | 3 $ US/M (~4,11 $ CAD) | 1,40 $ US/M (~1,92 $ CAD) | 0,97 $ US/M (~1,32 $ CAD) | comptée dans vos PTU† |
| Sortie | 15 $ US/M (~20,55 $ CAD) | 4,40 $ US/M (~6,03 $ CAD) | 3,04 $ US/M (~4,16 $ CAD) | ~12 mois : ~7 $ CAD/M, puis ~0,41 $ CAD/M‡ |
| Contexte long | jusqu'à 1M tokens | jusqu'à 1M tokens | jusqu'à 1M tokens | jusqu'à 1M tokens par requête§ |
* Prix de septembre 2026, au prix courant sans promotion.
† L'entrée n'est pas facturée au token, mais elle n'est pas gratuite pour autant : les tokens d'entrée, en cache ou non, consomment la capacité de vos PTU, et le nombre de PTU se dimensionne sur votre pointe. Un PTU traite environ 595 tokens d'entrée non cachés par seconde, ou 3 205 en cache — une boucle agentique relit tout son historique à chaque tour, et le cache de préfixe rend cette relecture environ cinq fois moins lourde. Le montant mensuel reste fixe, peu importe le volume réellement consommé.
‡ Finance le remboursement du capital + 10 % pendant les ~12 premiers mois; devient un coût continu à pleine utilisation par la suite — 0,41 $/M correspond à la sortie seule, 0,82 $/M à une charge agentique de 10 tokens lus par token écrit, à 85 % en cache.
§ Aucun contexte n'est réservé d'avance : une requête longue compte simplement plus de tokens d'entrée, donc plus de PTU. Les requêtes sont acceptées jusqu'à 1M de tokens; le trafic qui dépasse vos PTU passe en meilleur effort, sans garantie de débit.
GLM 5.2 supporte 1M de tokens de contexte en natif, et son attention sparse évite que le coût de traitement s'envole quand le contexte s'allonge. Votre siège détient des PTU, dimensionnés sur votre pointe en comptant l'entrée comme la sortie : un agent IA relit tout son historique à chaque appel, et c'est exactement cette relecture qu'un fournisseur à l’usage refacture intégralement à chaque tour. Chez vous, elle occupe de la capacité PTU, fortement allégée par le cache, sans faire varier le montant du mois. Les requêtes sont acceptées jusqu'à 1M de tokens; au-delà de vos PTU, elles passent en meilleur effort.
Votre propre inférence, sans logistique
GLM-5.2 (744B MoE, FP8) roule sur le rig via vLLM + LiteLLM, pour vos clients agentiques (Claude Code / OpenCode). Environ 90 % de vos tokens migrent vers votre propre inférence — l'équivalent d'environ 7 $/M au prix de détail pendant les ~12 premiers mois (le temps de rembourser le capital + 10 %), puis ~0,41 $/M en frais continus à pleine utilisation, en sortie seule.
Votre forfait mensuel comprend deux montants : l'exploitation du serveur, facturée au coût et sans marge, et les frais d'Agent Libre, de 483 $ à 312 $ par PTU par mois, qui baissent à mesure que votre nombre de PTU augmente. Comme vous possédez les GPU, la location des GPU, soit 86 % de l'exploitation, disparaît de votre facture. Voir la grille tarifaire
Des modèles à poids ouverts que vous possédez, un routage que vous maîtrisez, et des données qui restent sous le contrôle des membres. L'engagement porte sur la couche d'intelligence, pas sur le silicium — renouvelé à chaque performance améliorée.
Le serveur est installé en colocation au Canada, opéré 24/7 par Agent Libre et ses partenaires — alimentation, refroidissement, réseau et maintenance inclus. Aucune logistique de votre côté.
Le surplus est revendu en tokens sur des plateformes telles qu'OpenRouter, au profit de la copropriété : 156 000 $ la première année, 640 000 $ sur 10 ans.
Optimisation et analyse des prompts, protection contre les fuites de données sensibles et le vol de tokens, aucun entraînement de modèle.
La décision d'achat repose sur des mesures réelles.
On n'engage pas de capital sur un chiffrier. Un pilote d'une semaine, sur votre charge réelle, mesure quelle part de votre facture d'API GLM-5.2 remplace vraiment — avant tout achat.
On mesure le taux de substitution réel sur votre facture, le $/M tokens par organisation et le débit en copropriétaires. Coût marginal proche de zéro.
Le capital n'est engagé que si le pilote confirme le seuil : taux de substitution réel, $/M tokens mesuré par organisation et prix du matériel négocié.
Aucun capital à risque tant que le pilote ne confirme pas vos économies réelles. Une fois les mesures en main, la décision devient mécanique.
Le matériel que vous détenez
Configuration de référence — serveur Supermicro H14 10U, plateforme NVIDIA HGX B200 refroidie par air.
Mesurez vos économies avant d'engager le moindre capital.
Réservez 30 minutes : on prépare le pilote d'une semaine, on estime le taux de substitution sur votre facture actuelle et on vous montre le chiffrier complet.
Votre entreprise a deux chaînes d’approvisionnement
La première, vous la connaissez. Des matières entrent, elles sont transportées, entreposées, transformées, livrées. Chaque étape a un fournisseur, un délai, un coût unitaire. Quand la marge se resserre, vous descendez cette chaîne étape par étape, et vous savez généralement où regarder.
La seconde fait circuler de l’information au lieu de matières. Une demande de prix arrive et devient une soumission. Une commande arrive et devient un bon de production, une facture, une livraison confirmée. Un rapport de chantier devient un avenant, ou ne le devient pas. Cette chaîne traverse tous vos départements et elle emploie une partie importante de vos gens.
Parlons de votre facture IA ?
Décrivez vos agents IA, votre orchestrateur et votre facture actuelle.