La fenêtre de contexte d'une IA
Mis à jour le 13 septembre 2026
Pourquoi ChatGPT « oublie » le début de votre conversation ? Pourquoi une IA ne peut pas lire votre liasse fiscale d'un coup ? Tout tient dans une notion simple : la fenêtre de contexte. Explication, avec un exemple chiffré à 100, 500 et 2 000 tokens.
1. Un token, c'est quoi ? 2. L'exemple : 100, 500 et 2 000 tokens 3. Les fenêtres réelles des modèles 4. Testez avec votre texte 5. Combien ça coûte ? 6. Les cas du cabinet 7. Ce que cela change dans la pratique 8. À retenir
1. Un « token », c'est quoi ?
Une IA ne lit pas des mots : elle découpe le texte en morceaux appelés tokens. Un token peut être un mot entier, un bout de mot, un signe de ponctuation ou un espace.
Exemple réel, découpé avec le tokenizer d'un grand modèle :
La facture électronique devient obligatoire →
Lafactureélectroniquedevientobligatoire
Résultat : 5 mots = 10 tokens. En français, les mots sont souvent coupés en 2 ou 3 morceaux (contrairement à l'anglais).
• 1 token ≈ 4 caractères ≈ 0,6 mot
• 1 mot ≈ 1,7 token
• 100 mots ≈ 170 tokens
2. L'exemple : 100, 500 et 2 000 tokens
Voici ce que représentent concrètement trois fenêtres de contexte, mesurées sur du texte français (comptes rendus, courriers, notes de synthèse) :
| Fenêtre | ≈ Mots | ≈ Caractères | Ce que ça représente concrètement |
|---|---|---|---|
| 100 tokens | ≈ 58 mots | ≈ 400 | Un email court (2 à 3 phrases) ou une question + une réponse brève : la taille d'un SMS ou d'une consigne de prompt. |
| 500 tokens | ≈ 290 mots | ≈ 2 000 | Un courrier client, un extrait de note de synthèse ou une page de commentaires de bilan. Exemples mesurés : email de relance = 70 tokens, paragraphe d'analyse financière = 167 tokens. |
| 2 000 tokens | ≈ 1 160 mots | ≈ 8 100 | Un petit rapport de révision (2 à 3 pages A4) — mais pas une liasse fiscale ni un FEC. |
3. Les fenêtres réelles des modèles
Pour situer les ordres de grandeur, voici la taille des fenêtres de contexte que l'on rencontre aujourd'hui :
| Fenêtre | ≈ Mots | ≈ Pages A4 | Équivalent concret |
|---|---|---|---|
| 4 096 tokens | ≈ 2 400 mots | ≈ 5 pages | Un long article |
| 8 192 tokens | ≈ 4 700 mots | ≈ 10 pages | Un petit rapport de révision |
| 32 768 tokens | ≈ 19 000 mots | ≈ 38 pages | Un rapport annuel |
| 128 000 tokens | ≈ 74 000 mots | ≈ 150 pages | Une liasse complète ou ≈ 2 500 lignes de FEC |
| 200 000 tokens | ≈ 116 000 mots | ≈ 230 pages | Plusieurs dossiers, ou ≈ 4 000 lignes de FEC |
| 1 000 000 tokens | ≈ 580 000 mots | ≈ 1 160 pages | ≈ 20 000 lignes de FEC, ou ≈ 2 500 factures |
Conversions estimées à partir des ratios mesurés (1 token ≈ 4 caractères ≈ 0,58 mot) et d'hypothèses de volume : une page A4 ≈ 500 mots, une ligne de FEC ≈ 50 tokens, une facture (texte extrait) ≈ 400 tokens.
4. Testez avec votre texte
Collez un texte ci-dessous : l'estimation est immédiate (1 token ≈ 4 caractères en français).
5. Combien ça coûte ?
Les modèles facturent au million de tokens. Estimez le coût d'un traitement :
Le prix au million de tokens varie fortement selon le modèle (et diffère souvent entre entrée et sortie) : renseignez le tarif de votre fournisseur. Le coût affiché ne concerne que les tokens d'entrée.
6. Les cas du cabinet
| Document / tâche | Volume estimé | Tient dans… |
|---|---|---|
| Email client ou relance | 70 à 300 tokens | Toutes les fenêtres |
| Note de synthèse | ≈ 1 200 à 2 000 tokens | Toutes les fenêtres récentes |
| Commentaires de bilan | ≈ 1 500 tokens | Toutes les fenêtres récentes |
| Liasse fiscale complète | ≈ 200 000 tokens | Uniquement les très grandes fenêtres (200k+) |
| FEC de 5 000 lignes | ≈ 250 000 tokens | Les très grandes fenêtres, en une seule fois… rarement utile |
| FEC de 50 000 lignes | ≈ 2 500 000 tokens | Jamais : il faut filtrer, découper ou interroger les données autrement |
| 200 factures à analyser | ≈ 80 000 tokens | Fenêtres 128k+, mais un traitement par lots est plus économique |
Volumes estimés : ligne de FEC ≈ 50 tokens, facture (texte extrait) ≈ 400 tokens, page A4 ≈ 500 mots. À vérifier sur vos propres fichiers.
7. Ce que cela change dans la pratique
- Ne donnez que l'utile. Un extrait de balance ciblé vaut mieux qu'un export complet : moins de tokens, réponse plus juste.
- Découpez (chunking). Traitez un gros document en plusieurs morceaux, puis demandez une synthèse des synthèses.
- Résumez au fil de l'eau. Sur un long échange, demandez un résumé intermédiaire : c'est ce résumé qui « tient » dans la fenêtre.
- Structurez la demande. Un prompt en 3 blocs (contexte, données, question) consomme moins et fonctionne mieux.
- Attention aux longs échanges. Quand la fenêtre est pleine, les informations les plus anciennes sont perdues : commencez une nouvelle conversation pour un sujet neuf.
8. À retenir
2. En français : 1 token ≈ 4 caractères ≈ 0,6 mot. 2 000 tokens ≈ 2 à 3 pages A4.
3. Un FEC ou une liasse complète ne « tient » jamais confortablement : on découpe, on cible, on résume.
À lire ensuite : la vitesse d'inférence — pourquoi certaines IA répondent en 2 secondes et d'autres en 2 minutes.
À utiliser aussi : nos outils FEC gratuits et le anonymiseur de FEC.