Explication de la tarification de la passerelle Databricks Mosaic AI (2026)

Databricks Mosaic AI Gateway se positionne comme une interface unifiée pour gérer, sécuriser et surveiller l'utilisation des modèles d'IA au sein de l'écosystème Databricks. Pour les organisations qui utilisent déjà Databricks pour l'ETL et l'ingénierie des données, l'intégration de Mosaic AI fournit une couche de gouvernance consolidée.

Cependant, la tarification de Mosaic AI Gateway n'est pas un simple ajout. Les coûts sont fondamentalement liés au modèle Databricks Unit (DBU), à la sélection de niveaux de calcul spécifiques et aux dépendances au niveau de la plate-forme, comme Unity Catalog.

Cette analyse détaille la tarification de l'IA de Databricks et explique pourquoi les équipes d'ingénierie de haut niveau évaluent souvent des alternatives dégroupées telles que TrueFoundry afin de mieux comprendre les aspects économiques des unités et leur indépendance architecturale.

Qu'est-ce que Databricks Mosaic AI Gateway ?

La passerelle Databricks Mosaic AI Gateway sert de plan de contrôle centralisé pour le routage, la surveillance et la gestion des demandes de modèles d'IA. Il agit comme un proxy entre la logique de l'application et les points de terminaison des modèles, que ces modèles soient externes (par exemple, GPT-4o via OpenAI) ou hébergés en interne via Mosaic AI Model Serving.

Sur le plan architectural, la passerelle fournit les crochets d'observabilité nécessaires à la journalisation des réponses et des réponses, au suivi de la latence et à l'attribution de l'utilisation. Il ne s'agit pas d'un binaire isolé mais d'un ensemble de fonctionnalités intégré à l'infrastructure Databricks Model Serving. Par conséquent, sa disponibilité opérationnelle est liée à la fiabilité et aux caractéristiques d'évolutivité de l'espace de travail Databricks sous-jacent et de la couche de gouvernance du catalogue Unity.

La devise « DBU » : comment Databricks vous facture réellement

Databricks ne facture pas par demande d'API au sens traditionnel du SaaS. Au lieu de cela, la consommation est normalisée en Unités Databricks (DBus). Début 2026, les taux DBU pour les charges de travail d'IA commencent généralement à 0,07$ par DBU pour le service du modèle de base et peut dépasser 0,70$ par DBU pour les opérations SQL sans serveur utilisées pour analyser les journaux.

Qu'est-ce qu'une DBU ?

Une DBU est une métrique propriétaire représentant la puissance de traitement par heure. Le défi pour les équipes de la plateforme réside dans la prévision de la tarification de l'IA de Databricks : une seule demande d'IA peut impliquer plusieurs événements consommant du DBU, notamment le routage de la passerelle, l'exécution de garde-fous et l'ingestion de journaux dans Delta Tables. Les coûts du DBU varient en fonction du forfait (Standard, Premium ou Enterprise) et du fournisseur de cloud.

Économie du calcul intégré

Dans les déploiements standard, les entreprises gèrent deux flux de coûts : le paiement au fournisseur de cloud (AWS/Azure/GCP) pour les instances de VM brutes et le paiement à Databricks pour les frais de gestion du DBU. Databricks Serverless regroupe ces coûts en un seul tarif. Bien que cela simplifie la facturation, le tarif groupé inclut généralement une prime sur les coûts d'infrastructure bruts pour couvrir la gestion et l'orchestration de la plateforme.

La place de Mosaic AI Gateway dans la tarification de Databricks

Les coûts de Mosaic AI Gateway sont réalisés grâce aux ressources de calcul nécessaires au traitement des demandes. Chaque demande passant par la passerelle consomme du temps de calcul sur un point de terminaison Model Serving.

Les principaux facteurs de coût de la tarification de Databricks AI sont les suivants :

• Traitement des demandes : La gravure DBU associée à la logique de routage et d'équilibrage de charge de la passerelle.
• Surcharge d'observabilité : Les coûts de calcul et de stockage liés à l'écriture des charges utiles de demande/réponse dans des tables d'inférence.
• Point de contrôle de la gouvernance : La latence et les coûts de calcul ajoutés par les vérifications d'autorisation du catalogue Unity pour chaque appel de modèle.

Répartition des prix de Mosaic AI Gateway

L'impact financier de l'utilisation de Databricks AI Gateway varie selon que le trafic est acheminé vers des fournisseurs externes ou vers des modèles hébergés internes.

Routage des modèles externes

Lorsque la passerelle achemine le trafic vers des fournisseurs externes tels qu'OpenAI ou Anthropic, les organisations paient directement les frais de jeton du fournisseur. En outre, la tarification de Databricks AI facture les fonctionnalités de passerelle (routage, suivi et journalisation) via DBus.

• Vecteur de coûts : Le trafic traité par la passerelle entraîne une consommation de DBU en fonction du débit.
• Exigences en matière d'infrastructure : Même pour le routage externe, le point de terminaison du serveur doit être « actif ». Dans les environnements à haute simultanéité, cela peut nécessiter une capacité provisionnée qui empêche la mise à l'échelle complète vers zéro.

Service de modèles interne (Mosaic AI Model Serving)

Pour les modèles hébergés dans Databricks, les coûts sont généralement répartis en deux modes :

• Paiement par jeton : Fréquemment utilisé pour les tests de développement ou les charges de travail intermittentes. Les modèles propriétaires sont facturés à des taux DBU spécifiques pour 1 million de jetons (par exemple, environ 94$ par million de jetons pour certains modèles haut de gamme).
• Débit provisionné : La norme en matière de performances de production. Ce mode nécessite un engagement de simultanéité minimum, commençant souvent à 0,07$ par DBU, où vous payez pour la capacité réservée 24 heures sur 24, 7 jours sur 7. Ce modèle garantit la disponibilité mais peut entraîner des coûts liés à la capacité inactive si le trafic fluctue de manière significative.

Coûts associés à l'écosystème

La passerelle d'intelligence artificielle Databricks Mosaic constitue elle-même une composante du coût total de possession. L'infrastructure de support représente souvent une part importante des coûts mensuels de Databricks.

Dépendance du catalogue Unity

Mosaic AI Gateway s'appuie sur Unity Catalog pour la gouvernance. Les journaux d'inférence sont stockés dans des tables Delta, ce qui entraîne :

• Coûts de stockage : Frais standard de stockage d'objets dans le cloud.
• Traitement des tables d'inférence : Calculez les coûts des tâches en arrière-plan qui ingèrent les journaux depuis la passerelle.
• Coûts d'analyse : l'interrogation de ces journaux à des fins d'audit ou de facturation nécessite Databricks SQL. À 0,70$ par DBU pour le SQL sans serveur, l'exécution fréquente de requêtes d'observabilité contribue aux dépenses globales de la plateforme.

Garde-corps et scanners de données

L'activation des garde-corps IA, tels que le masquage des informations personnelles ou les filtres de toxicité, nécessite des calculs supplémentaires. Chaque garde-corps exécute un modèle ou un scanner regex sur la charge utile de demande/réponse.

• Impact de la latence : Des benchmarks internes suggèrent que la latence du P95 peut augmenter de 50 ms à 200 ms en fonction de la complexité du garde-corps.
• Impact du calcul : L'exécution de Guardrail utilise le calcul Model Serving, qui consomme le DBus au taux standard.

Défis de coûts courants auxquels les équipes sont confrontées avec la tarification de l'IA de Databricks

• Consommation de DBU variable : Les déclencheurs de mise à l'échelle automatique sont réactifs. Des pics de trafic soudains peuvent fournir des nœuds de calcul supplémentaires qui restent actifs pendant une durée minimale, ce qui a un impact sur la rentabilité lors de courtes périodes de pointe.
• Complexité de l'attribution : Les DBUS sont souvent agrégés au niveau de l'espace de travail. L'isolation des coûts spécifiques de Mosaic AI Gateway des charges de travail d'ingénierie des données plus larges nécessite généralement un balisage et une analyse personnalisés des tables système.
• Dépendances de l'écosystème : L'utilisation de la passerelle lie la journalisation et la gouvernance à l'architecture Databricks (Unity Catalog, Delta Tables). La migration ultérieure vers une autre pile d'inférence nécessite de réimplémenter ces couches de gouvernance.

Pourquoi certaines équipes vont au-delà de la passerelle Mosaic AI Gateway de Databricks

Alors que les déploiements d'IA passent de la phase de validation de concept à la production à grande échelle, le modèle de tarification de l'IA Databricks basé sur DBU pour chaque jeton peut avoir un impact sur l'économie unitaire. Les équipes d'ingénierie constatent souvent que la nature complète de la plateforme Databricks, bien qu'elle soit efficace pour l'entreposage de données, ajoute du poids architectural à un routage IA simple côté application.

En outre, l'obligation de fonctionner dans le cadre du plan de contrôle de Databricks peut limiter l'adoption de matériel spécialisé (par exemple, AWS Trainium/Inferentia) ou de stratégies de déploiement alternatives (par exemple, Kubernetes sur site) susceptibles de réduire le coût total de possession.

Comment TrueFoundry aborde l'infrastructure d'IA

TrueFoundry propose une architecture alternative conçue pour les équipes d'ingénierie qui accordent la priorité à la transparence des coûts et au contrôle de l'infrastructure par rapport à la complexité tarifaire de l'IA de Databricks.

• Langue native de Kubernetes : TrueFoundry se déploie directement sur le compte cloud du client (AWS, Azure, GCP). Aucune « DBU de gestion » n'est ajoutée aux coûts bruts des instances.
• Routage direct : Contrairement aux passerelles intégrées à la plateforme, TrueFoundry ne facture pas de majoration par jeton pour le routage externe.
• Optimisation de l'infrastructure : La plateforme prend en charge les instances Spot pour l'inférence et les configurations granulaires d'échelle à zéro. Dans de nombreux scénarios de production, cette approche réduit les coûts de calcul inactifs par rapport aux modèles de débit provisionnés.

Tableau 1 : Databricks Mosaic AI Gateway et TrueFoundry : comparaison de la structure des coûts

Figure 1 : Comparaison de l'architecture et des flux de coûts

Êtes-vous prêt à dégrouper votre stack d'IA ?

Alors que Databricks Mosaic AI Gateway offre des avantages d'intégration aux équipes déjà intégrées au Lakehouse, le modèle de tarification de Databricks AI basé sur DBU peut entraîner des coûts variables à grande échelle. TrueFoundry propose une alternative performante et transparente en termes de coûts qui permet aux ingénieurs de devenir propriétaires de leur infrastructure sans avoir à payer la prime de la plateforme.

Pour les équipes qui gèrent des informations sensibles telles que des informations personnelles identifiables ou des numéros de cartes de crédit, TrueFoundry garantit que les données de la passerelle IA restent sous votre contrôle tout en optimisant la gestion des coûts. Vous pouvez consulter vos économies sur un exemple de tableau de bord de passerelle IA adapté à vos dépenses en matière d'apprentissage automatique.

Pour voir comment vous pouvez atteindre l'indépendance architecturale et éliminer les marquages DBU, réservez une démo avec notre équipe aujourd'hui.

Questions fréquemment posées

Combien coûte Databricks par mois ?

Les coûts mensuels sont très variables et dépendent de la consommation. Alors que l'utilisation d'entrée de gamme est souvent minime pour les petites équipes, les charges de travail de production à l'échelle de l'entreprise, motivées par des exigences de disponibilité continue et une journalisation complète de la gouvernance, peuvent entraîner des dépenses opérationnelles mensuelles importantes, car la consommation de DBU évolue de manière linéaire avec le débit.

Comment fonctionne la tarification de Databricks Mosaic AI ?

Il est basé sur la consommation via le modèle Databricks Unit (DBU). Le temps de calcul du point de terminaison Model Serving, le stockage des journaux d'inférence dans des tables Delta et les ressources de calcul requises pour analyser ces journaux via Databricks SQL vous sont facturés.

En quoi TrueFoundry est-il plus rentable que Databricks Mosaic AI ?

TrueFoundry fonctionne selon un modèle « apportez votre propre cloud », éliminant ainsi la prime de gestion DBU que l'on retrouve dans les plateformes groupées. En déployant directement sur vos clusters Kubernetes et en mettant en œuvre des stratégies d'optimisation agressives telles que les instances Spot et la scale-to-zero granulaire, elle aligne directement les coûts de service sur les prix bruts de l'infrastructure.