- ▸ Prise en main : 14 minutes pour décoder la nouvelle grille
- ▸ Test en conditions réelles : ce que coûte vraiment chaque modèle
- ▸ Forces & limites : ce que vaut vraiment la gamme
- ▸ Vs la concurrence : où se situe chaque modèle
OpenAI dévoile GPT-5.6 en trois tailles — Sol, Terra et Luna — avec une grille qui va de 1 à 30 dollars le million de tokens. L’accès reste réservé à des partenaires : impossible de tout tester en conditions réelles, mais l’analyse des prix et du positionnement livre déjà un verdict clair. En un mot : puissant, segmenté, encore opaque.
| Critère | Détail |
|---|---|
| Prix (Sol) | 5 $/M tokens entrée · 30 $/M tokens sortie |
| Prix (Terra) | 2,50 $/M entrée · 15 $/M sortie |
| Prix (Luna) | 1 $/M entrée · 6 $/M sortie |
| Disponibilité | Aperçu limité à des partenaires, généralisation à venir |
| Catégorie | LLM généraliste, gamme à trois tailles |
| Note Léo | 7,5 / 10 (provisoire) |
Points clés – Sol se positionne comme le modèle phare, doté selon OpenAI du stack de sécurité le plus robuste à ce jour. – Le prix varie d’un facteur 5 entre Sol et Luna : Luna apporte une capacité notable au coût le plus bas de la gamme. – Les progrès annoncés concernent l’agentique dans trois domaines précis : le code, la biologie et la cybersécurité. – L’accès initial est limité à un cercle restreint de partenaires avant une disponibilité plus large, non datée à ce jour.
Prise en main : 14 minutes pour décoder la nouvelle grille
Premier réflexe : ouvrir l’annonce publiée par OpenAI le 26 juin 2026 et lire la grille tarifaire ligne par ligne. En quelques minutes, la logique de la gamme se dessine. GPT-5.6 n’est pas un modèle unique mais une famille de trois tailles. Sol occupe le haut du panier, Terra le milieu, Luna l’entrée de gamme. Chacune vise un compromis prix/capacité distinct.
Je préfère être transparent d’emblée : l’accès est pour l’instant réservé à des partenaires triés sur le volet. Je n’ai donc pas pu lancer mes 40 prompts habituels sur les trois modèles. Ce que je peux faire honnêtement, c’est décortiquer la structure tarifaire, simuler des coûts réels et confronter les promesses techniques d’OpenAI à ce que la grille raconte. C’est déjà beaucoup.
L’organisation en trois tailles n’a rien d’anodin. Elle force l’utilisateur à arbitrer en amont, avant même d’écrire une requête. Le bon réflexe, ici, n’est pas de prendre le modèle le plus cher par défaut, mais de mesurer le besoin réel. Nous y reviendrons dans la logique de segmentation des modèles d’IA.
Test en conditions réelles : ce que coûte vraiment chaque modèle
Faute d’accès complet, j’ai mené le seul test rigoureux possible aujourd’hui : une simulation de coûts à partir des tarifs officiels. Prenons un cas d’usage simple et lisible — une charge de travail consommant 1 million de tokens en entrée et 1 million en sortie. C’est un repère, pas une moyenne universelle, mais il rend la comparaison parlante.
Sur ce scénario, Sol revient à 35 dollars (5 $ d’entrée + 30 $ de sortie). Terra tombe à 17,50 dollars, soit exactement la moitié. Luna descend à 7 dollars, soit un cinquième du coût de Sol. L’écart n’est pas marginal : pour une même quantité de tokens, basculer de Sol vers Luna divise la facture par cinq. [capture: tableau de simulation des coûts pour 1M tokens entrée + 1M sortie sur Sol, Terra et Luna]
Un détail mérite l’attention : sur chaque modèle, la sortie coûte six fois plus cher que l’entrée. Sur Sol, c’est 30 dollars contre 5. Or les charges agentiques — celles qui génèrent beaucoup de texte, enchaînent des étapes et produisent du code — sont massivement orientées sortie. Autrement dit, le prix affiché en entrée est trompeusement rassurant : c’est la colonne sortie qui pilote la facture réelle.
Le cache change la donne sur les contextes répétés. OpenAI maintient une remise de 90 % sur la lecture en cache. Concrètement, un token d’entrée déjà mis en cache sur Sol ne coûte plus 5 dollars le million mais environ 0,50 dollar. Pour un agent qui rappelle sans cesse le même long contexte — base documentaire, consignes système, historique — l’économie est considérable. En revanche, l’écriture en cache est facturée au-dessus du tarif d’entrée non mis en cache : il faut donc que le contexte soit réellement réutilisé pour rentabiliser l’opération. [capture: schéma du cycle cache write / cache read avec la remise de 90 % annotée]
Côté capacités, je m’en tiens strictement aux affirmations d’OpenAI, faute d’avoir pu les vérifier moi-même. L’éditeur présente Sol comme son modèle doté du stack de sécurité le plus robuste à ce jour, avec les meilleures protections pour les activités à haut risque. C’est un positionnement clair : Sol est pensé pour les usages sensibles, pas seulement pour la performance brute.
OpenAI annonce par ailleurs des progrès sur l’agentique dans trois domaines précis : le codage, la biologie et la cybersécurité. Le choix de ce triptyque est révélateur. Ce sont trois terrains où l’autonomie d’un modèle peut produire une vraie valeur — mais aussi trois terrains à risque, ce qui explique pourquoi le modèle le plus capable hérite des meilleures garde-fous. Je note la cohérence, sans pouvoir confirmer l’ampleur des gains. C’est une réserve méthodologique, pas un procès.
Terra, de son côté, est présenté comme égalant GPT-5.5 tout en étant deux fois moins cher. Si la promesse tient en conditions réelles, c’est l’offre la plus intéressante sur le papier : même niveau, moitié prix. Luna ferme la marche avec, selon OpenAI, « une capacité forte au coût le plus bas » de la gamme. Sur le segment volume et latence-tolérant, c’est l’argument qui compte.
Ma conclusion de cette phase de test : la valeur ne se lit pas dans le nom du modèle, mais dans l’adéquation entre la tâche et la colonne sortie. Un développeur qui automatise du refactor lourd paiera surtout la génération. Un service client qui résume des tickets courts paiera surtout l’entrée et profitera à plein du cache. Le bon choix dépend du profil de consommation, pas du prestige du modèle. J’aborde cette grille de lecture dans notre guide pour calculer le coût réel d’un LLM en production.
Forces & limites : ce que vaut vraiment la gamme
Après ce passage au crible, voici mon bilan structuré, à confirmer dès que l’accès s’ouvrira plus largement.
Pour : – Segmente proprement l’offre en trois niveaux de prix lisibles, ce qui simplifie l’arbitrage budgétaire en amont. – Divise par cinq le coût entre Sol et Luna à charge égale, offrant une vraie latitude d’optimisation. – Maintient la remise de 90 % en lecture de cache, décisive pour les agents à contexte répété. – Concentre la sécurité renforcée sur Sol, cohérent avec les usages à haut risque visés (code, biologie, cybersécurité).
Contre : – Verrouille l’accès à un cercle de partenaires, sans date de généralisation communiquée à ce jour. – Alourdit la facture par une sortie facturée six fois le tarif d’entrée, pénalisante sur les charges agentiques. – Manque de benchmarks indépendants : les gains de capacité reposent pour l’instant sur les seules affirmations d’OpenAI. – Pénalise l’écriture en cache, facturée au-dessus de l’entrée standard, ce qui exige un réel taux de réutilisation.
Vs la concurrence : où se situe chaque modèle
Faute de pouvoir comparer des performances brutes vérifiées, je compare ce qui est public et chiffré : la grille tarifaire interne à la gamme, qui constitue déjà un terrain de décision. Le point de repère implicite donné par OpenAI est GPT-5.5, que Terra est censé égaler à moitié prix.
| Critère | Sol | Terra | Luna |
|---|---|---|---|
| Prix entrée /M tokens | 5 $ | 2,50 $ | 1 $ |
| Prix sortie /M tokens | 30 $ | 15 $ | 6 $ |
| Coût 1M+1M tokens | 35 $ | 17,50 $ | 7 $ |
| Positionnement | Phare, sécurité maximale | Égale GPT-5.5, 2x moins cher | Capacité forte, coût plancher |
La lecture est nette. Terra est l’offre « rapport performance/prix » de la gamme si sa parité avec GPT-5.5 se confirme. Sol vise les usages exigeants et sensibles. Luna cible le volume et les budgets serrés. Ce découpage rappelle la stratégie de gamme déjà observée chez d’autres éditeurs ; nous l’avons analysée dans notre comparatif des familles de modèles à trois tailles. À ce stade, OpenAI joue clairement la carte de la segmentation par le prix.
Verdict : une gamme prometteuse mais à confirmer
Note provisoire : 7,5 / 10. La structure est intelligente, les prix sont lisibles et l’arbitrage entre les trois modèles est rendu simple. Terra, s’il tient sa promesse de parité avec GPT-5.5 à moitié prix, pourrait devenir un choix par défaut. Mais deux réserves pèsent : l’accès limité aux partenaires empêche tout test indépendant, et l’absence de benchmarks tiers laisse les promesses de capacité sans contre-expertise. Je réévaluerai dès l’ouverture.
Pour qui ?
Pour qui est faite la gamme GPT-5.6 ? – L’équipe produit avec budget cadré : Terra offre, sur le papier, le meilleur compromis prix/capacité de la gamme pour des workloads variés. – Le développeur ou l’ops sur usages sensibles : Sol concentre la sécurité renforcée et les protections pour activités à haut risque, utile en code et cybersécurité. – L’éditeur orienté volume : Luna, au coût plancher (7 $ pour 1M+1M tokens), convient aux tâches à fort débit tolérantes à un modèle d’entrée de gamme.
FAQ
Comment fonctionne la tarification des trois modèles GPT-5.6 ?
La facturation se fait par million de tokens, séparément pour l’entrée et la sortie. Sol coûte 5 $ en entrée et 30 $ en sortie ; Terra 2,50 $ et 15 $ ; Luna 1 $ et 6 $. La lecture de tokens en cache bénéficie d’une remise de 90 %, tandis que l’écriture en cache est facturée au-dessus du tarif d’entrée standard.
Ces nouveaux modèles sont-ils déjà accessibles au grand public ?
Non. Selon les sources disponibles à ce jour, OpenAI lance un aperçu limité auprès d’un cercle de partenaires. Une disponibilité plus large est annoncée comme une étape ultérieure, mais aucune date n’a été communiquée. Le grand public devra donc patienter avant de pouvoir tester Sol, Terra ou Luna directement.
Quel modèle choisir entre Sol, Terra et Luna ?
Tout dépend du profil de consommation. Sol convient aux usages exigeants et sensibles grâce à sa sécurité renforcée. Terra vise le meilleur rapport performance/prix s’il égale GPT-5.5 à moitié prix. Luna cible le volume et les budgets serrés. La colonne « sortie » étant la plus coûteuse, mesurez d’abord votre génération réelle.
