GPT‑6.1 Sol : ce qui change pour le travail et le coût des agents

OpenAI a présenté GPT‑6.1 Sol lors du DevDay du 29 septembre 2026. Cette évolution concerne notamment les agents qui réalisent des tâches professionnelles en plusieurs étapes.

Où le modèle est-il disponible ?

Selon l’annonce officielle, le modèle arrive dans ChatGPT Work et Codex pour les offres Plus à Edu. Il est aussi accessible par l’API sous le nom gpt-6.1-sol. OpenAI précise qu’il n’est pas encore disponible dans Chat.

Un tarif à distinguer du coût réel

L’API facture 2 dollars par million de jetons entrants et 10 dollars par million de jetons sortants. L’entrée mise en cache coûte 0,10 dollar par million. Ce tarif ne donne pas à lui seul le coût d’une tâche complète.

OpenAI rapporte des progrès en programmation et dans le traitement de documents complexes. Ces résultats proviennent de ses évaluations. Ils ne garantissent pas une performance identique dans votre environnement.

Que vérifier avant de changer ses habitudes ?

Choisissez un dossier dont vous connaissez déjà les conclusions. Demandez au modèle un livrable précis avec ses références. Contrôlez les passages oubliés et les corrections nécessaires. Reprenez ensuite le même exercice avec votre méthode actuelle.

Le temps gagné pendant la génération compte moins si la vérification devient plus longue. Notez donc le temps total et la qualité du résultat validé. Conservez aussi un cas difficile plutôt que de vous limiter à une démonstration favorable.

Comprendre ce qui compose le coût d’un agent

Notre analyse distingue la réponse unique et la tâche poursuivie en plusieurs étapes. Un assistant peut relire les mêmes documents après une recherche ou une correction. Chaque étape peut produire du texte et appeler un outil. Le prix affiché pour un million de jetons ne décrit donc pas le nombre d’étapes nécessaires pour obtenir un dossier validé. Une comparaison utile relève le coût du parcours entier plutôt que celui de sa première réponse.

Le contexte transmis peut peser autant que la réponse

Prenons un cas d’analyse : préparer une note à partir de plusieurs documents longs. Transmettre le dossier complet à chaque relance et fournir seulement les passages nécessaires constituent deux méthodes différentes. La seconde exige cependant de vérifier que la sélection ne supprime pas une réserve importante. Réduire le contexte sans examiner les informations perdues peut transformer une économie technique en erreur de fond. La mise en cache constitue encore un autre mécanisme. Son intérêt dépend de ce qui peut effectivement être réutilisé.

Comparer des résultats acceptables plutôt que des générations

Une équipe peut fixer une définition du résultat terminé. La note doit citer les bons documents et séparer les informations certaines des hypothèses. Elle doit respecter les destinataires et la longueur attendue. Il faut ensuite compter les tentatives abandonnées ainsi que les reprises humaines. Un modèle plus rapide peut gagner sur une première rédaction et perdre sur une tâche qui exige plusieurs corrections. Inversement une réponse initialement plus coûteuse peut réduire le travail de reprise. Ces possibilités constituent des critères de comparaison et non des gains démontrés pour GPT‑6.1 Sol.

Avant une migration collective, il est donc utile de conserver un lot de dossiers représentatifs avec leurs résultats de référence. Le choix peut être réexaminé lorsque le modèle ou les outils connectés évoluent. Cette méthode rend la discussion budgétaire compréhensible pour les personnes qui valident le travail et pour celles qui paient le service.

Construire des repères en équipe

En formation, cette comparaison donne aux participants des critères concrets pour choisir un outil. Un modèle se juge sur le travail confié et sur les contrôles que l’équipe sait exercer.

Pour prolonger cette réflexion : Agents IA : avant de déléguer, fixez les limites.

Vous pouvez également échanger sur une formation IA adaptée à votre entreprise.