Guerre des prix lancée : GPT-6 Sol et Luna divisent les coûts par deux

La journée a condensé deux lancements majeurs dans la même fenêtre. OpenAI a annoncé Sol et Luna aux côtés d'Astra pour former une famille de trois modèles ; aucune Terra à la liste. La page d'annonce s'est rafraîchie avec une animation dédiée tout en soulignant qu'Astra reste le modèle le plus capable au sommet. J'avais déjà trouvé la famille Astra fluide dans le travail multi-outils, et je regarde maintenant si Sol et Luna atteignent le même naturel de collègue. Anthropic a débarqué le même jour avec Opus 5.5 ; l'industrie semblait verrouillée sur une date et la concurrence par les prix s'est allumée.

Le prix est au cœur de l'histoire. GPT-6 Sol divise par deux la génération précédente, de quatre à deux dollars en entrée et de vingt à dix dollars en sortie — exactement moitié. Les jetons d'entrée sont ce que vous envoyez au modèle, les jetons de sortie ce qu'il génère, comme une commande et le plat servi. GPT-6 Luna va plus loin : déjà à moins quatre-vingts pour cent, elle ajoute encore cinquante pour cent, avec la lecture de cache remisée jusqu'à quatre-vingt-dix pour cent. La lecture de cache évite de recalculer quand le même contexte est réutilisé — quand un agent lit cent fois le même fichier, quatre-vingt-dix-neuf lectures coûtent presque rien. Pour le quotidien, Luna devient nettement moins chère et en même temps plus intelligente, ce qui réduit directement la facture API.

Le positionnement dans la famille est clair. Astra reste au sommet comme référence pour le raisonnement exigeant, Sol sert les flux de code complexes et agentiques, Luna est l'option la plus efficiente pour les tâches volumineuses ciblées. Pensez à une cuisine : Astra est le chef, Sol le sous-chef, Luna l'assistante rapide et précise — pas besoin de toute la brigade pour chaque question, le bon spécialiste intervient. La documentation décrit Sol pour le code complexe et Luna pour le volume, avec des dates de connaissances en avril 2026 pour Astra et mai 2026 pour Luna. Si je prends mon expérience Astra — communication plus rapide et efficace que Fable — comme base, la question est de savoir si Sol et Luna rejoignent cette ligne pour le confort quotidien.

Un des endroits où ces affirmations ont été mesurées est AutomationBench. Conçu par Zapier pour des flux d'entreprise réalistes, il vérifie si les agents coordonnent plusieurs applications, découvrent seuls la bonne API et respectent la politique. Un seul test a ses limites — le graphique fournisseur met à juste titre en haut ce qu'il juge le plus efficace, mais une validation terrain reste nécessaire. La question qui m'importe est de savoir si un modèle noté 33 en laboratoire tourne au même rythme sur des données client réelles. Un score AutomationBench seul ne tranche donc pas ; il doit être lu avec les tests compagnons sur l'usage ordinateur et l'ingénierie logicielle.

Commençons par le plus petit membre, Luna. Face à la Luna précédente, on voit un saut de 9,1 vers 14 — près du double — tandis qu'une autre échelle montre 20 contre 17, plus modeste. Le côté coût est plus net : bande à 0,070 dollar contre 0,037 et autour de 0,021 avec un avantage de cinquante à cinquante-cinq pour cent. Petit exemple : si vous confiez des dizaines de milliers de tâches courtes par jour (étiquetage de tickets ou résumé de rapports) à Luna, vous bouclez le même travail à environ moitié prix et avec plus de précision. Luna se comporte désormais comme un agent qui collecte en arrière-plan, et ce caractère colle aux chiffres : plus de travail, facture plus petite.

Le vrai écart apparaît avec Sol. Sur le graphique OpenAI, le nouveau Sol en mode extra-high affiche 33,2 points pour 0,27 dollar, tandis que l'ancien Sol à son réglage max n'obtient que vingt-huit pour cent pour 0,67 dollar et vingt-six pour cent pour 0,54 en extra-high. Le nouveau Sol est donc à la fois plus intelligent et près de deux fois moins cher. Pour le concret en trois étapes : 1) définir le même job d'automatisation, 2) exécuter au même niveau de difficulté, 3) placer score et facture côte à côte. Résultat : Sol délivre un score supérieur pour moins d'argent que son prédécesseur. Le prix au million de jetons ayant été divisé par deux en entrée et sortie, les économies se cumulent à chaque boucle d'agent.

La comparaison avec Astra est encore plus parlante. Astra Medium tourne à 34,1 points pour 1,27 dollar alors que GPT-6 Sol se place tout près — environ 33 points — pour 0,27 dollar, soit un score proche pour un cinquième du coût. Sur le graphique, Sol se situe entre Astra Light et Astra Medium, ce qui compte car beaucoup d'équipes jugent Medium suffisant. Côté rival, Fable 5.1 dépense 2,45 dollars pour 31,4 points quand Sol dépense 0,27 pour 33 points — neuf fois plus cher et derrière. Anthropic même présente Fable 5.1 comme son modèle le plus capable et Opus 5.5 comme alternative quarante pour cent moins chère pour un travail niveau Fable ; ce qui tient durablement sur le terrain ne se verra qu'avec des tests répétés au-delà d'un seul graphique.

D'autres fronts sont mitigés mais instructifs. Sur les tests de code frontière, le classement bouge vite ; les coûts grimpent tandis que les scores restent proches. Côté usage ordinateur, le graphique montre 5.6 Sol dépassant Astra Light à un point — la capacité du modèle à piloter seul un navigateur ou un bureau, comme remplir un formulaire, déplacer un fichier ou cliquer dans une app. OpenAI décrit un ton de collègue plus natif pour Sol et Luna dans ce registre — moins de verbiage inutile, plus de brièveté contextuelle — qui fait gagner du temps au quotidien. Pour les suites longue haleine comme OSWorld 2.0 avec 108 tâches de bureau, il faut encore des résultats indépendants pour voir la durabilité de l'avantage.

Le taux d'erreur et l'économie de cache racontent une histoire plus discrète mais plus importante que le seul prix. Luna chute vers une bande d'erreur très basse tandis qu'Astra reste à la bande la plus basse ; par erreur j'entends le fait de tromper ou mal orienter. Quand vous dirigez une entreprise, vous ne maîtrisez pas chaque métier pas à pas — résultats et confiance comptent — donc une petite désorientation d'un agent qui produit vite sur un sujet inconnu peut coûter cher. D'où le lien direct entre baisse d'erreur et gain de confiance. Côté cache, la remise jusqu'à quatre-vingt-dix pour cent rogne la ligne qui domine les factures d'agents quand le même contexte est relu des centaines de fois ; relire le même dossier de recherche sur dix étapes d'agent coûte désormais à peu près une seule lecture.

L'accès est explicite : GPT-6 et Luna sont disponibles dans ChatGPT Work, Codex, Plus, Pro, Enterprise et Education et pour les utilisateurs Go et ouverts via l'app de bureau ; pas sur chaque surface de chat, mais directement par identifiant de modèle sur l'API. Selon les pages d'aide OpenAI, GPT-6 Astra se déploie dans le chat comme GPT-6 Pro pour Pro 100 et Pro 200 ainsi que Business et Enterprise en déploiement progressif ; aucune inclusion chat pour Plus. Côté développeurs, les identifiants sont distincts, avec coupures en mai et avril 2026. La tarification liste aussi des lignes séparées pour contexte long et écritures de cache, il vaut donc compter entrée plus sortie plus lectures et écritures de cache ensemble lors du budget.

Qu'est-ce que cela signifie en pratique ? Pour le travail quotidien, la recherche et les tâches intermédiaires, Luna devient le candidat évident ; elle offre une intelligence similaire pour bien moins cher, le coût d'expérimentation chute et servir plus de personnes devient réaliste. Sol, proche d'Astra pour un cinquième de la facture en boucles code et agent, a vocation à devenir le défaut pour les équipes. Côté Anthropic, Opus reste cher et souvent excessif ; les deux fournisseurs visent clairement des endroits différents. Le gagnant du jour est l'utilisateur — options économique, premium et intelligente sur la même table. Je ferai tourner Sol et Luna contre Opus 5.5 dans des scénarios utiles pour votre travail et partagerai les résultats dans les prochains jours ; ensemble nous trierons où viser l'économique et où viser le raisonnement solide.