Claude Haiku 5.5 et l'intérêt des petits modèles en marketing

Chaque lancement de modèle est jaugé à l'aune du plus grand modèle du moment. Je pense que c'est le mauvais prisme pour la plupart des travaux marketing. Le 7 octobre, Anthropic a lancé Claude Haiku 5.5, et l'intérêt n'est pas de savoir à quel point il s'approche de la frontière. C'est ce que coûte son exécution un million de fois.

Ce qui s'est passé

Anthropic présente Haiku 5.5 comme le petit modèle le moins cher, le plus rapide et le plus performant qu'elle ait publié. Il est destiné aux tâches à grand volume et sensibles aux coûts : résumés, classification, requêtes de bases de données, support client en direct, navigation web et travail de sous-agent aux côtés des modèles plus grands Opus 5.5 et Sonnet 5.5. C'est le premier modèle de classe Haiku doté d'un réglage d'effort ajustable, permettant d'arbitrer entre coût et intelligence. Anthropic indique explicitement que Sonnet 5.5 et Opus 5.5 restent meilleurs pour le codage agentique complexe.

Le prix fait les gros titres. Pour les prompts jusqu'à 100 000 tokens, Anthropic affiche 0,10 US$ par million de tokens en entrée et 0,50 US$ par million de tokens en sortie, et indique que Haiku 5.5 coûte en moyenne environ 75 % de moins que Haiku 4.5. La page de lancement comprend aussi des retours clients ; HubSpot, par exemple, indique avoir obtenu 92,8 % sur sa suite d'évaluation CRM. Ce sont les chiffres de l'entreprise et de ses clients, pas des tests indépendants.

Pourquoi c'est important

L'IA marketing est une activité de volume. Une seule campagne peut impliquer des milliers de variantes créatives, des dizaines de milliers de commentaires à classer, des flux produits de centaines de milliers de lignes et des rapports quotidiens sur des dizaines de marchés. Presque rien de tout cela n'a besoin du modèle le plus puissant disponible. Il faut un modèle suffisamment bon, rapide, prévisible et assez bon marché pour être appliqué à tout.

Quand le petit modèle devient à la fois bien meilleur et bien moins cher, l'économie de ce que vous automatisez change. Des tâches trop coûteuses pour être appliquées à chaque élément, comme étiqueter chaque annonce concurrente ou résumer chaque avis client, deviennent routinières. Et l'architecture change : un grand modèle planifie et juge, de petits modèles effectuent le travail répétitif en dessous. La description qu'Anthropic fait elle-même de Haiku comme sous-agent correspond exactement à ce schéma.

Ce que disent mes recherches

Je le soutiens depuis longtemps. Dans Forbes, je me suis demandé si plus grand, c'est mieux, puis j'ai comparé les LLM et les petits réseaux de neurones en marketing. Ma réponse n'a pas changé : la taille du modèle compte bien moins que la technique et l'adéquation à la tâche.

Nos recherches ont toujours combiné les deux types de modèles plutôt que d'en choisir un. Dans SoCraft (WSDM 2023), nous avons présenté un modèle multimodal qui évalue avant leur lancement les créations publicitaires Meta d'un annonceur, à partir du texte, de l'image, du ciblage et des paramètres. Dans Fusing Predictive and Large Language Models for Actionable Recommendations in Creative Marketing (ACM Transactions on Information Systems, 2025), nous avons associé des modèles de prédiction de la performance publicitaire à des LLM, afin qu'un score créatif devienne une recommandation sur laquelle un marketeur peut agir.

La leçon de ces travaux est que des modèles spécialisés et efficients font la mesure, et que les grands modèles de langage font l'explication. Un petit LLM moins cher et plus performant ne remplace pas le prédicteur spécialisé. Il rend la couche d'explication et d'orchestration abordable à l'échelle où le marketing se pratique réellement.

Comment j'utiliserais un modèle de ce type

• Classification exhaustive. Étiquetez chaque publication concurrente, chaque avis, chaque annonce de votre catégorie par thème, offre et format, au lieu de procéder par échantillonnage.
• Résumés de premier niveau. Transformez de longs rapports, transcriptions et fils de commentaires en synthèses courtes qu'une personne, ou un modèle plus grand, relit.
• Sous-agents dans un pipeline. Laissez un modèle plus grand planifier une analyse concurrentielle et confiez les étapes d'extraction répétitives au petit modèle.
• Rapidité face au client. Utilisez le modèle rapide là où la latence compte, comme le chat en direct, et orientez les cas difficiles vers un modèle plus puissant ou vers un humain.

Ce que les marketeurs doivent vérifier avant de changer de modèle

• Menez votre propre évaluation. Les benchmarks des fournisseurs ne sont pas votre tâche. Prenez 200 exemples réels issus de votre travail, annotez-les et comparez les modèles sur cet ensemble.
• Surveillez le coût par tâche, pas le coût par token. Anthropic précise que Haiku 5.5 utilise un nouveau tokenizer et légèrement plus de tokens par tâche. La facture dépend de l'ensemble du workflow.
• Utilisez le réglage d'effort à bon escient. Optez par défaut pour un effort faible pour l'étiquetage simple et augmentez-le uniquement là où votre évaluation montre un gain de qualité.
• Conservez les modèles spécialisés là où ils sont meilleurs. Si vous disposez déjà d'un modèle entraîné sur vos propres données de performance, un LLM doit expliquer ses résultats, pas le remplacer.

La frontière fait les gros titres. C'est le petit modèle qui accomplira l'essentiel du travail, et générera l'essentiel des économies.

FAQ