OpenAI a présenté GPT-6 Sol et GPT-6 Luna le 22 septembre 2026. Ces deux modèles reprennent des méthodes utilisées pour GPT-6 Astra, mais visent des usages plus rapides et moins coûteux. Cette annonce ne signifie pas qu’un même modèle convient désormais à toutes les tâches. Elle crée plutôt trois niveaux de choix : Luna pour les opérations légères et nombreuses, Sol pour un travail professionnel plus exigeant, et Astra pour les situations où la qualité maximale justifie davantage de ressources. Voici les faits annoncés, leurs conséquences pratiques et les limites à vérifier avant de modifier un flux de travail.

Deux modèles pour éviter d’utiliser la puissance maximale partout

OpenAI positionne Sol et Luna comme des variantes plus rapides et économiques de la famille GPT-6. Sol est présenté comme le modèle intermédiaire : il vise notamment le développement logiciel, l’analyse et les tâches professionnelles qui demandent encore un raisonnement soutenu. Luna occupe le niveau le plus léger, pensé pour les opérations répétitives, la classification, l’extraction ou les réponses simples à grand volume.

Le changement important n’est donc pas seulement une nouvelle liste de modèles. Il rend plus utile le routage des tâches : envoyer une demande simple vers un modèle léger, puis réserver un modèle plus puissant aux cas ambigus ou difficiles. Pour un créateur ou une petite entreprise, cette séparation peut réduire les dépenses sans imposer la même baisse de qualité à tout le processus.

Des tarifs API très différents

Au lancement, OpenAI affiche pour GPT-6 Sol un tarif de 2 dollars par million de jetons en entrée et 10 dollars en sortie. GPT-6 Luna est annoncé à 0,10 dollar en entrée et 0,50 dollar en sortie. Ces montants concernent l’API et non le prix d’un abonnement ChatGPT. Ils ne suffisent pas non plus à prévoir une facture : le volume des documents, la longueur des réponses, les outils appelés et les nouvelles tentatives comptent également.

Luna peut donc devenir intéressant lorsqu’une organisation traite beaucoup de petites demandes bien définies. Sol peut convenir lorsque les erreurs obligeraient à reprendre trop souvent le résultat d’un modèle plus léger. Le choix réellement économique n’est pas toujours le tarif unitaire le plus bas : il faut mesurer le coût total, y compris le temps de vérification humaine.

Une disponibilité progressive dans ChatGPT, Codex et l’API

OpenAI indique que Sol et Luna ont commencé à être déployés le 22 septembre dans ChatGPT Work et Codex pour les offres Plus, Pro, Business, Enterprise et Edu. Luna doit aussi apparaître dans l’application de bureau pour les comptes Free et Go. Dans l’API, les identifiants annoncés sont « gpt-6-sol » et « gpt-6-luna ». Le déploiement étant progressif, l’absence immédiate d’un modèle dans une interface ne prouve pas qu’un compte est incompatible.

Cette distinction entre produits est essentielle. Une fonction disponible dans l’API n’apparaît pas nécessairement de la même manière dans ChatGPT, et inversement. Avant de préparer une formation ou un tutoriel, vérifiez l’interface réellement accessible au public visé et datez vos captures d’écran.

Les benchmarks donnent un signal, pas une réponse définitive

OpenAI publie des évaluations montrant Sol et Luna sur plusieurs tâches de raisonnement, de code et d’automatisation. Ces résultats sont utiles pour comprendre le positionnement voulu, mais ils proviennent de l’éditeur. OpenAI précise aussi que les scores de recherche ou d’API peuvent différer de l’expérience dans un produit, notamment à cause des instructions système et des outils disponibles.

Un classement ne remplace donc pas un essai sur vos documents. Testez les noms propres, le français utilisé par votre audience, les demandes incomplètes et les formats qui comptent réellement pour vous. Mesurez l’exactitude, le temps de correction, le coût et le respect des consignes. Un modèle légèrement moins bien classé peut être plus utile s’il produit un résultat plus stable dans votre contexte.

Le cache de prompts peut compter autant que le modèle

Le même jour, OpenAI a détaillé une amélioration du cache de prompts pour GPT-6. Dans l’API, des préfixes identiques et admissibles peuvent être réutilisés pendant une fenêtre annoncée de trente minutes. OpenAI indique que les lectures d’entrées mises en cache peuvent bénéficier d’une réduction allant jusqu’à 90 %. Cette optimisation concerne surtout les applications qui renvoient souvent les mêmes longues instructions, outils ou documents de référence.

Pour en profiter, la partie stable du prompt doit rester au début et la demande variable arriver ensuite. Un tableau de bord et des diagnostics sont annoncés pour contrôler la réutilisation. Il ne faut toutefois pas confondre ce mécanisme technique avec une mémoire générale de ChatGPT : le cache évite de retraiter certains préfixes dans l’API, mais ne décide pas à votre place de ce qu’une application doit conserver.

Comment choisir sans reconstruire tout son système

Commencez par sélectionner dix tâches représentatives. Faites-les exécuter avec Luna et Sol en utilisant exactement les mêmes entrées, puis ajoutez Astra seulement pour les cas où les deux premiers échouent. Définissez avant le test ce qu’est une erreur bloquante : un fait inventé, une donnée omise, un format inutilisable ou une correction humaine trop longue. Ne déployez pas automatiquement un nouveau modèle sur des données sensibles ou une action externe sans revoir les contrôles existants.

Conclusion concrète : utilisez Luna comme candidat pour les tâches simples et volumineuses, Sol pour les travaux professionnels qui demandent davantage de raisonnement, et Astra pour les cas les plus exigeants. Ce sont des points de départ, pas des règles universelles. Une heure de test mesuré sur votre propre flux apportera plus d’information qu’un benchmark isolé ou une démonstration promotionnelle.