Gender-API vs. ChatGPT : qui doit déterminer le genre d'un prénom ?
Les deux peuvent te dire que Sandra est généralement féminin. Un seul peut te dire comment il le sait, te donner la même réponse l'an prochain et chiffrer un million de prénoms avant que tu commences.
La réponse courte
- Prends un LLM quand tu as besoin d'un jugement sur une poignée de prénoms, ou d'un texte à lire — une explication, une origine, une formule d'appel.
- Prends une base de prénoms quand la réponse doit être identique demain, doit s'appuyer sur des preuves, doit être chiffrée à l'enregistrement, ou doit résister à une question du délégué à la protection des données.
- À grande échelle, ce qui décide n'est pas la précision mais la traçabilité. 9,124,598 prénoms répartis sur 192 pays, chaque réponse portant son propre nombre d'échantillons, face à une génération incapable de montrer son raisonnement.
- Les deux se combinent bien. Donne l'API au modèle comme outil — nous publions un serveur MCP hébergé pour cela — et l'étiquette vient des données tandis que la formulation vient du modèle.
Ce que sont réellement ces deux choses
Gender-API.com est un service de recherche sur une base de prénoms. 9,124,598 prénoms, ventilés par pays d'observation, 192 pays pris en charge. Tu envoies un prénom, tu reçois un genre, une probabilité et le nombre d'échantillons sur lesquels la réponse repose. Rien n'est généré.
ChatGPT — comme tout autre modèle de langage généraliste — est un générateur de texte. Il sait que « Sandra » apparaît dans des contextes féminins parce que c'est ainsi que le mot se comportait dans son texte d'entraînement. Ce signal est réellement utile, et sur les prénoms courants il produit la bonne étiquette. Mais rien dans l'architecture ne stocke combien de Sandra étaient féminines au Portugal : il n'y a donc rien à citer, rien pour fixer un seuil, rien à auditer.
Ce seul fait structurel explique toutes les différences pratiques qui suivent.
FACE À FACE
Les différences qui subsistent quel que soit le modèle choisi.
| Ce dont tu as besoin | Gender-API.com | LLM généraliste |
|---|---|---|
| La même réponse pour la même entrée, chaque fois | Oui — c'est une recherche en base | Non — l'échantillonnage, la formulation du prompt et la version du modèle la font bouger |
| Les preuves derrière une réponse donnée | Nombre d'échantillons et probabilité par résultat et par pays | Aucune ; un indice de confiance, si on le demande, est lui-même généré |
| Une couverture que tu peux garantir par écrit | 9,124,598 prénoms, 192 pays | Inconnue et non déclarée |
| Réponses spécifiques à un pays | Un paramètre de pays, de locale ou d'IP change le résultat | Seulement si tu le précises dans le prompt — et ça reste une supposition |
| Le comportement dans douze mois | Le même contrat d'endpoint, publié en OpenAPI ; v1 et v2 sont toujours actives | Les modèles sont dépréciés puis remplacés ; les réponses bougent avec eux |
| Traitement par lots | 100 prénoms par requête, ou un CSV jusqu'à 10 millions de lignes | Limites de contexte, découpage, rate limits et nouvelles tentatives que tu écris toi-même |
| Unité de coût | Un credit par recherche, pris sur un pack acheté à l'avance | Tokens en entrée et en sortie — variables selon la longueur du prompt et les nouvelles tentatives |
| Où les données sont traitées | Serveurs en Allemagne, traitement au sein de l'UE, DPA sur demande | Dépend du fournisseur, de l'offre et de la région qui t'est attribuée |
| Séparer un nom complet, extraire un prénom d'une adresse e-mail | Des endpoints dédiés | Du prompt engineering — et sur les cas limites, ça échoue sans le dire |
| Un prénom pour lequel personne n'a de données | Le dit — result_found vaut false, ou la probabilité est faible | Répond quand même, du même ton assuré |
| Expliquer un prénom, son origine ou ses variantes | Ce n'est pas sa fonction | Vraiment meilleur — c'est à cela qu'un modèle de langage sert |
Combien coûte la détermination du genre d'un million de prénoms ?
Voici la méthode plutôt qu'un chiffre marketing, pour que tu puisses la refaire avec les tarifs du jour.
Avec une API : Une recherche vaut un credit. Notre meilleur tarif de volume publié revient à environ €0.35 pour 1 000 prénoms, donc un million de prénoms coûte à peu près €349 hors taxes — un montant fixe, connu avant de commencer, sur une facture avec TVA. Les credits des packs à l'unité n'expirent pas.
Avec un LLM : Tu paies au token, dans les deux sens, pour chaque requête et chaque nouvelle tentative. Regrouper plusieurs prénoms dans un seul prompt fait baisser le coût par prénom, mais tu renvoies les instructions avec chaque lot, les prénoms longs et les écritures inhabituelles coûtent plus de tokens que les courts, et une réponse mal formée te coûte en plus la nouvelle tentative. Le résultat est une estimation, pas un chiffre que tu peux inscrire dans un budget.
Soyons justes : pour quelques milliers de prénoms, un modèle généraliste est assez peu cher pour que rien de tout cela ne compte. Le point de bascule arrive avec le volume — et plus tôt que le prix du token ne le suggère, parce que tout le travail de développement autour du regroupement, des nouvelles tentatives et de la validation de la sortie disparaît face à un endpoint de recherche.
Reproductibilité : le point qui tranche le plus souvent
Traite une liste de clients deux fois, obtiens deux résultats différents, et tu te retrouves avec un problème inexplicable : quelle exécution avait raison, qu'est-ce qui a changé, et que dis-tu à la personne appelée « Monsieur » le mois dernier et « Madame » ce mois-ci.
Une recherche est déterministe. Le même prénom avec le même pays renvoie le même genre, la même probabilité et le même nombre d'échantillons. Quand les données sous-jacentes grandissent, le nombre d'échantillons grandit avec elles — visiblement, dans la réponse — un changement est donc quelque chose que tu peux montrer, et non quelque chose qui est simplement arrivé.
Une réponse générée n'offre aucune garantie de ce genre. La temperature, une nouvelle version du modèle, un prompt système reformulé, un ajustement de sécurité dont personne ne t'a parlé : chacun peut faire basculer un prénom limite, et aucun ne laisse de trace dans tes données.
Chaque réponse apporte ses propres preuves
Une seule requête vers l'endpoint v2 :
POST https://gender-api.com/v2/gender/by-first-name
{ "first_name": "Sandra" }{
"input": { "first_name": "Sandra" },
"details": {
"credits_used": 1,
"samples": 464,
"country": null,
"first_name_sanitized": "sandra",
"duration": "436ms"
},
"result_found": true,
"first_name": "Sandra",
"probability": 0.85,
"gender": "female"
}Deux champs font le travail qu'aucune réponse générée n'offre. « samples » indique sur combien d'observations la réponse repose, et « probability » la part d'entre elles qui étaient féminines. Ensemble, ils te laissent fixer ta propre barre — accepter les résultats au-dessus de 0.9 avec un nombre d'échantillons correct, envoyer le reste en revue manuelle — au lieu d'accepter un seul niveau de confiance pour toute ta base.
Référence complète : la documentation de l'API v2.
Le même prénom n'a pas le même genre partout
Andrea est majoritairement masculin en Italie et majoritairement féminin en Allemagne. Jean est masculin en France et largement féminin dans les pays anglophones. Nikita est masculin en Russie et généralement féminin ailleurs. Ce ne sont pas des cas limites exotiques — ce sont des prénoms ordinaires dans des listes de clients ordinaires.
Interroge un modèle généraliste sans nommer de pays et tu obtiens la lecture qui dominait dans son texte d'entraînement, c'est-à-dire en pratique la lecture anglophone. L'API prend le pays explicitement :
Une locale (en_US) ou l'adresse IP du visiteur fonctionnent tout aussi bien, et un endpoint distinct répond à la question inverse — de quel pays vient un prénom.
GDPR, et où vont réellement les prénoms que tu envoies
Les prénoms de vrais clients sont des données personnelles : c'est donc une question d'achat, pas une note de bas de page. Ce que nous pouvons affirmer clairement :
- Nous sommes une société allemande ; tous nos serveurs sont situés en Allemagne et les données sont traitées au sein de l'UE.
- Un accord de traitement des données peut être demandé depuis ton compte.
- Les journaux serveur contiennent le prénom transmis et sont conservés 14 jours, pour des raisons comptables.
- Les fichiers CSV et Excel importés sont stockés chiffrés et supprimés au bout de dix jours.
- Chaque achat produit une véritable facture avec TVA, et les numéros de TVA intracommunautaire sont traités correctement.
Savoir si un fournisseur de modèle donné est acceptable pour les mêmes données est une question pour ton délégué à la protection des données — mais une question plus longue, et à reposer chaque fois que le fournisseur change de sous-traitant. Nos réponses figurent dans l'aperçu de la confidentialité.
Quand ChatGPT est le meilleur choix
Cette page ne mériterait pas d'être lue si la réponse était toujours « achète l'API ». Elle ne l'est pas :
- Une tâche unique. Quarante prénoms dans un tableur, aucun pipeline, personne ne la relancera jamais.
- Tu veux le raisonnement, pas l'étiquette — l'origine d'un prénom, ses variantes, son diminutif habituel, la façon polie de s'adresser à quelqu'un dans une culture donnée.
- Des prénoms qu'aucune base ne possède : créations récentes, personnages de fiction, translittérations absentes de tout registre. Un modèle fera une supposition raisonnable là où une recherche n'a tout simplement rien.
- Ce que tu veux en sortie est du texte libre, pas un champ — une ligne d'accroche plutôt qu'une colonne de genre.
Ce n'est pas de la générosité, nous les utilisons de la même manière : les descriptions d'origine des prénoms sur nos propres pages sont générées par un modèle de langage, parce que le texte est précisément ce qu'un modèle de langage fait bien.
Le meilleur montage, c'est les deux : laisse le modèle appeler l'API
Si tu construis déjà sur un LLM, tu n'as pas à choisir. Les modèles modernes appellent des outils, et une recherche de genre est un outil idéal : une question étroite dont la réponse factuelle échappe aux données du modèle.
Nous publions un serveur MCP hébergé pour que tout assistant ou agent compatible MCP interroge directement la base. Ses outils sont query_first_name, query_full_name, query_email, get_country_of_origin et get_statistics.
Pour tes propres définitions d'outils, il existe des clients officiels pour neuf langages (PHP, Python, Node, Java, Go, Ruby, Rust, Perl, .NET), une description OpenAPI, et à l'adresse /skill.md un guide d'implémentation prêt à donner tel quel à un assistant de code.
C'est bien cette répartition des tâches qui compte : le modèle décide quoi faire, la base décide ce qui est vrai.
Questions fréquentes
ChatGPT peut-il déterminer le genre d'un prénom ?
Oui, et sur les prénoms courants il a généralement raison. Ce qu'il ne peut pas faire : te dire sur combien d'enregistrements la réponse repose, garantir deux fois la même réponse, ou donner une réponse différente pour le même prénom dans un autre pays. Il répond aussi avec le même aplomb pour des prénoms qu'il n'a jamais vus, et c'est ce mode de défaillance qui compte à grande échelle.
Une API de genre est-elle plus précise qu'un LLM ?
Pour un prénom présent dans une base de prénoms, une recherche est exacte par construction : elle restitue la distribution observée plutôt qu'une inférence. Pour un prénom inconnu, aucune des deux approches n'est fiable, mais seule la recherche l'admet. La différence solide n'est pas un pourcentage de précision unique — c'est que chaque recherche arrive avec un nombre d'échantillons et une probabilité sur lesquels tu peux fixer un seuil.
Combien coûte la détermination du genre d'un million de prénoms ?
Chez Gender-API, une recherche coûte un credit : un million de prénoms représente donc un montant fixe et connu — environ €349 hors taxes à notre meilleur tarif de volume publié, sur une facture avec TVA, arrêté avant de commencer. Avec un LLM, tu paies au token pour chaque requête et chaque nouvelle tentative : la facture dépend de la longueur de ton prompt et ne peut qu'être estimée.
Puis-je utiliser un LLM et une API de genre ensemble ?
Oui, et c'est la meilleure combinaison. Donne l'API au modèle comme outil — nous publions un serveur MCP hébergé exactement pour cela — et l'étiquette vient de la base tandis que la formulation vient du modèle. Le modèle cesse de deviner des faits pour lesquels il n'a aucune donnée.
Un même prénom a-t-il le même genre dans tous les pays ?
Non, et c'est précisément là qu'un prompt sans pays échoue. Andrea est majoritairement masculin en Italie et majoritairement féminin en Allemagne ; Jean est masculin en France et largement féminin dans les pays anglophones. L'API accepte un pays, une locale ou une adresse IP et répond pour ce pays.
Que se passe-t-il avec un prénom que la base ne connaît pas ?
Tu obtiens result_found: false, ou une probabilité faible avec peu d'échantillons. C'est un signal exploitable — envoie ces enregistrements en revue manuelle, ou bascule sur un modèle. Une réponse générative ne te donne aucun signal de ce type.
Gender-API est-il conforme au GDPR ?
Nous sommes une société allemande, tous nos serveurs sont situés en Allemagne et les données sont traitées au sein de l'UE. Un accord de traitement des données peut être demandé depuis ton compte. Les journaux de requêtes, qui contiennent le prénom transmis, sont conservés 14 jours pour des raisons comptables ; les fichiers CSV et Excel importés sont stockés chiffrés et supprimés au bout de dix jours.
TESTE-LE SUR TES PROPRES PRÉNOMS
Chaque compte inclut 100 recherches gratuites par mois — de quoi vérifier les prénoms qu'un LLM a ratés. Sans carte bancaire.
Documentation de l'API · Genrer un fichier CSV ou Excel · Serveur MCP
