Tarifs PromptQL : ce que ça coûte vraiment en 2026

Ce qu'est vraiment PromptQL (pour que les tarifs aient un sens)

Avant les chiffres, un rapide cadrage, car les tarifs de PromptQL n'ont de sens qu'une fois qu'on sait ce qu'on achète.

PromptQL n'est ni un chatbot ni un helpdesk. C'est un agent IA multijoueur pour les données d'entreprise conçu par Hasura, l'entreprise derrière le moteur GraphQL open source. Hasura l'appelle le « successeur spirituel de GraphQL pour l'ère de l'IA » : là où l'ancien produit générait automatiquement des API pour que les développeurs construisent des applications, PromptQL génère des plans de requête à la volée pour qu'une personne puisse poser une question en langage naturel et obtenir une réponse fiable à partir de Slack, de documents, du CRM et des tables de l'entrepôt de données.

Tout l'argument repose sur la fiabilité. Le fondateur Tanmai Gopal pose le problème sans détour :

"Le plus gros problème n'est pas de ne pas pouvoir répondre précisément à la question. Le vrai problème, c'est que l'IA prétend être précise même quand elle ne l'est pas. Donc l'IA se trompe avec assurance. C'est ça, le problème."

Tanmai Gopal, entretien avec VentureBeat

Cette approche compte pour la facture, car PromptQL facture du calcul (le travail de planifier et d'exécuter une requête de façon fiable), pas des fonctionnalités nommées ou des sièges. Le produit est sorti en bêta en juin 2025, et fin 2025, Hasura était décrite comme une entreprise valorisée à plus d'un milliard de dollars avec des clients reconnus comme Cisco, McDonald's, Instacart et Swiggy. C'est donc un outil de données d'entreprise aux ambitions d'entreprise, et le tarif le reflète.

Les tarifs de PromptQL en un coup d'œil

Il y a en réalité deux paliers : un plan Starter libre-service, à l'usage, et un plan Enterprise sur devis, sans chiffres publics. Mais avant le tableau, voici tout le modèle tarifaire en une image, car le tarif affiché n'est qu'un des trois facteurs qui déterminent ce que vous payez.

Le message que vous verrez sur la page tarifaire est formulé « 0,20 $ → 0,14 $ par OLU ». Les 0,14 $ correspondent au tarif de lancement au prix coûtant, que PromptQL présente comme 1x le coût de token sous-jacent sans marge pendant une durée limitée ; 0,20 $ est le tarif standard, environ 1,4x le coût des tokens. Les deux sont tout compris : le prix par OLU couvre les tokens du modèle plus l'infrastructure, l'hébergement en sandbox et l'orchestration. Pas de frais de plateforme séparés, pas de licence par siège.

C'est vraiment propre pour une page tarifaire. Le piège se trouve dans l'unité elle-même.

Mais qu'est-ce qu'une OLU, au juste ?

Une OLU (Operational Language Unit) est une unité normalisée de tokens. PromptQL regroupe les différents types de tokens (entrée, sortie, mise en cache, création de cache) et les différents modèles (Opus, GPT, GLM, et ainsi de suite) en une seule unité cohérente, pour que la forme de votre facture ne change pas à chaque changement de modèle. Les tâches plus complexes consomment plus d'OLUs, et vous pouvez voir la consommation exacte par fil et par étape dans un tableau de bord d'utilisation.

Voici à quoi cela ressemble en pratique. Posez une vraie question à PromptQL, et il montre son travail : un plan de requête, puis le code réellement exécuté, puis la réponse. Chacune de ces étapes consomme des OLUs.

J'ai un faible pour cette honnêteté (on peut voir exactement ce pour quoi on a payé), mais j'ai aussi un biais que je dois assumer d'entrée : cela fait quelques années que j'écris sur la façon dont les outils d'IA se tarifient et sur ce que recherchent réellement les acheteurs, et « unité de facturation inventée » est une expression qui me fait grimacer. C'est l'élément le plus difficile à prévoir sur n'importe quelle facture d'IA, car vous ne pouvez pas connaître votre consommation d'OLUs tant que vous n'avez pas fait tourner votre charge de travail réelle sur votre modèle réel. Les exemples de coût typique aident, mais ce sont des exemples, pas un devis.

D'ailleurs.

Coûts typiques par requête

La FAQ de PromptQL donne elle-même des chiffres représentatifs au tarif de lancement de 0,14 $ :

Ainsi, un analyste de données qui produit une dizaine de rapports complexes par jour se situe autour de 17 $ par jour, soit environ 370 $ par mois, au tarif de lancement, sur un modèle de pointe. C'est l'estimation honnête. Mais changez de modèle, et ce chiffre peut s'effondrer, ce qui nous amène à la vraie histoire.

Le multiplicateur de modèle est le véritable levier tarifaire

C'est la partie que je tatouerais sur la page tarifaire si je le pouvais. Le prix par OLU est fixe, mais le modèle choisi change le nombre d'OLUs consommées par une tâche. PromptQL ancre son tableau de multiplicateurs sur Claude Opus 4.6 = 1,0x et mesure tout le reste par rapport à cette référence. Un multiplicateur plus faible signifie que le modèle accomplit le même travail avec moins d'OLUs, donc moins cher.

L'écart est énorme :

Lisez cela de haut en bas, et toute la conversation tarifaire bascule. Cette investigation approfondie à 5,60 $ sur Opus ? Exécutez-la sur DeepSeek V4 Flash à 0,018x, et le même travail coûte à peu près une pièce de dix centimes. Exécutez-la sur GPT-5.5 Pro, et cela se rapproche de 75 $. PromptQL propose les modèles open-weight via Fireworks et vous permet de changer de modèle par fil ou en cours de fil, donc le conseil pratique est : prototypez et faites tourner le travail de routine sur un modèle open-weight bon marché, et ne recourez à un modèle de pointe que lorsqu'une tâche a vraiment besoin de ce raisonnement.

La raison pour laquelle PromptQL peut se permettre un modèle bon marché sur des questions de données difficiles est architecturale, et cela mérite une section à part.

Pourquoi l'architecture influence ce que vous payez

La plupart des outils « IA sur vos données » branchent un LLM directement sur une base de données et espèrent que ça marche. L'idée de conception centrale de PromptQL est de découpler la planification de la requête de son exécution. Le LLM rédige un plan détaillé en plusieurs étapes (ce dans quoi les LLM excellent), puis ce plan s'exécute comme du code réel, déterministe, en dehors du modèle, pas dans la fenêtre de contexte.

Gopal formule cela ainsi :

"Plutôt que de générer des réponses, nous générons des plans dans un langage spécifique au domaine, propre à votre activité. Ces plans se compilent en actions déterministes avec des validations à l'exécution et des vérifications de conformité."

Tanmai Gopal, entretien avec VentureBeat

Pourquoi est-ce important pour le tarif ? Parce que cela signifie qu'un modèle moins cher peut souvent faire le travail. Si le modèle n'a qu'à planifier, sans devoir traiter des milliers de lignes dans le contexte, un modèle open-weight léger planifie presque aussi bien qu'un modèle de pointe, et vous empochez la différence de multiplicateur. Hasura s'appuie sur le Berkeley Data Agent Benchmark, où même les modèles de pointe n'obtiennent que 43 % (Opus-4.6), 38 % (Gemini-3-Pro) et 25 % (GPT-5.2) sur des questions de données réelles, tandis que la génération classique de requêtes de base de données obtient un score "proche de 0 %". La séparation planification puis exécution est ce qui comble cet écart, et c'est ce que vous payez réellement en surcoût.

Estimez votre propre facture PromptQL

Comme le multiplicateur de modèle fait une grande partie du travail, un tableau statique ne peut pas vous donner votre chiffre. Voici donc une calculette : indiquez votre usage, choisissez un modèle, et regardez le coût mensuel au tarif de lancement comme au tarif standard.

Jouez avec le menu déroulant du modèle et observez le chiffre bouger. Quatre cents rapports complexes par mois coûtent environ 56 $ sur Opus au tarif de lancement, et environ 1 $ sur DeepSeek. Ce n'est pas une différence d'arrondi ; c'est toute la décision tarifaire.

Le palier gratuit et les crédits

Vous pouvez démarrer sans carte bancaire. PromptQL vous donne 50 $ de crédits gratuits à la création de votre premier projet, plus 20 $ supplémentaires pour chaque collaborateur qui rejoint son premier projet. Les crédits sont gérés au niveau du projet, donc une équipe qui lance plusieurs projets accumule une belle réserve.

Sur un modèle open-weight léger, PromptQL affirme que 50 $ suffisent pour « des milliers de tâches simples » avant de payer le moindre centime. Une fois les crédits épuisés, vous ajoutez un moyen de paiement et passez à la facturation prépayée : vous rechargez un solde, le travail se met en pause automatiquement en cas d'épuisement, et des quotas par utilisateur ainsi que des alertes de dépense évitent qu'un fil incontrôlé ne vous surprenne. Pas de minimum, pas d'engagement annuel sur le plan Starter.

Le palier Enterprise

Tout ce qui précède concerne la version libre-service. Le plan Enterprise fait l'objet d'un devis, sans chiffres publics, et ajoute ce dont un acheteur soumis à des réglementations a besoin : sécurité avancée et permissions fines, pistes d'audit de l'accès aux données (quelles données ont été utilisées dans quel fil, par quel utilisateur), un VPC dédié ou apportez votre propre cloud, réseau privé et peering VPC, authentification unique (SSO), possibilité d'apporter vos propres LLM, et support d'ingénierie déployé chez le client.

Si vous êtes le genre d'entreprise à passer par un processus d'achat, c'est le palier où vous atterrirez, et le calcul par OLU devient une simple ligne dans un contrat négocié. C'est aussi là que s'accroche souvent la pratique d'ingénierie IA de Hasura facturée 900 $ de l'heure, donc prévoyez un budget services en plus de la consommation si vous partez sur la voie Enterprise.

Les tarifs de PromptQL sont-ils bons ?

Pour ce que c'est (une couche de fiabilité pour l'IA sur les données d'entreprise), le tarif est juste et exceptionnellement transparent. Pas de sièges, pas de frais de plateforme, tarif de lancement au prix coûtant, et un tableau de bord qui montre exactement ce que chaque fil a consommé. Je préfère nettement ça à un minimum de plateforme de 50 000 $ derrière un mur « contactez-nous ».

Mon seul vrai reproche concerne l'OLU. C'est une unité inventée bien conçue, mais c'est tout de même une unité inventée, et les unités inventées sont ce que j'ai vu faire trébucher les acheteurs, encore et encore. On ne peut pas prévoir une facture d'OLU à partir d'une page tarifaire ; on ne peut la prévoir qu'après avoir fait tourner sa propre charge de travail. PromptQL adoucit cela avec des exemples de coût typique, des plafonds de dépense et une pause automatique, et cela aide vraiment. Mais « combien cela va-t-il nous coûter le trimestre prochain ? » est ici une question plus difficile que ne le suggère le chiffre net de 0,14 $, car la réponse honnête est « cela dépend entièrement de votre panel de modèles et de la complexité de vos requêtes ».

Ce n'est pas un défaut propre à PromptQL. C'est le prix à payer pour une tarification à l'usage adossée à une unité opaque. Ce qui amène naturellement à la façon dont j'y réfléchirais si vous venez de l'univers des outils support.

PromptQL face à une IA support comme eesel

Petit rappel à la réalité, car une partie des personnes qui recherchent « tarifs PromptQL » comparent en fait des outils d'IA en général, pas spécifiquement des agents pour analystes de données.

PromptQL et eesel AI ne sont pas vraiment concurrents. PromptQL est un agent d'accès aux données pour analystes et équipes de données d'entreprise ; eesel est un coéquipier IA pour la file de tickets support et le contenu, qui se connecte à Zendesk, Freshdesk, Slack et votre centre d'aide. Si votre vrai métier consiste à désamorcer des tickets ou à rédiger des réponses, PromptQL n'est pas le bon outil.

Mais la leçon tarifaire se transpose bel et bien, et c'est pour cela que j'ai construit la calculette ci-dessus. Lorsque j'ai aidé à façonner la tarification d'eesel, la seule règle qui a survécu à toutes les expérimentations a été : facturer dans une unité que le client a déjà en tête. Nous avons essayé des unités inventées. Le « crédit » forçait les gens à faire des calculs (« attends, un crédit valait combien déjà ? »), et cela tuait discrètement l'adoption. C'est pourquoi eesel facture au ticket, environ 40 centimes de dollar par ticket résolu, sans frais de siège, parce qu'un responsable support vit déjà et respire en volumes de tickets. Vous pouvez prédire de tête la facture eesel du mois prochain à partir du volume de tickets de ce mois-ci. C'est tout l'intérêt.

Donc, si vous évaluez PromptQL, mon conseil est de faire tourner votre charge de travail réelle sur votre modèle réel pendant une semaine avant d'extrapoler, car l'OLU rend les estimations au doigt mouillé peu fiables. Et si vous venez de l'univers support en cherchant une IA au ticket que vous puissiez réellement budgétiser, eesel est gratuit à l'essai et facturé au ticket, pas au token.

Essayez eesel

Si votre problème est la file support, pas l'entrepôt de données, eesel AI est l'outil taillé pour ça. Il se connecte à votre helpdesk existant en quelques minutes, apprend de vos tickets passés et de votre centre d'aide, et commence dès le premier jour à rédiger et résoudre des réponses, facturé au ticket pour que la facture suive quelque chose que vous mesurez déjà. Vous pouvez l'essayer gratuitement et le simuler sur vos tickets historiques avant qu'il ne touche un client réel, ce qui est ce qui se rapproche le plus d'une prévision dans cette catégorie.